Cours Probabilite PDF

Probabilité
C.JERRY
Université Moulay Ismail

Faculté des Sciences Juridiques Economiques et Sociales de Meknes
March 4, 2020
Table des Matières I
Analyse combinatoire/Dénombrement
Principe multiplicatif
Arrangement
Permutation
Combinaison
Théorie des ensembles et de probabilité
Notions sur la théorie des ensembles
Notions générales :(Vocabulaire probabiliste)
Notion de probabilité
Probabilités conditionnelles et composées
Variable aléatoire
Définition générale
Variable aléatoire discrète
Variable aléatoire continue
Lois de Probabilité Usuelles
Lois Usuelles Discrètes
Lois Usuelles Continue
Dénombrement
Définition:
L’analyse combinatoire est le développement de quelques
techniques permettant de déterminer le nombre de résultat
possibles à la réalisation d’une experience où d’un évenement
particulier. Elle permet de recenser les dispositions qu’il est
possible de former à partir d’un ensemble donné d’éléments.
une disposition est un sous ensembles ordonnées ou non d’un
ensemble. Les techniques de dénombrements sont utiles pour
le calcul de probabilité des événements équiprobables.
Arrangement
Permutation
Combinaison
Variable aléatoire
Soit une expérience qui comporte 2 étapes : la 1ère qui a p

résultats possibles et chacun de ces résultats donne lieu à q
résultats lors de la 2ème étape. Alors l’expérience a p × q
résultats possibles. Autrement dit : Le principe multiplicatif peut
s’énoncer ainsi : si un événement A peut se produire de p
façons et si un événement B peut se produire de q façons, la
réalisation de A suivie de B peut se produire de p × q façons.
I Si chacune des étapes d’un choix séffectue avec chacune
des autres, on applique alors la règle de multiplication.
Par contre,
I Si un choix peut se faire ou bien d’une façon ou bien d’une
autre, on applique la règle d’addition.
Principe multiplicatif: Exemple
Conséquences
Si une expérience consiste à répéter n fois de façons
indépendantes une même expérience qui a p résultats
possibles, alors on a pn = p × p × p · · · × p ( n fois) résultats
possibles.
Exemple
Une urne contient 4 boules, une noire, une blanche, une rouge
et une verte. On effectue deux tirages successifs avec remise.
Combien y-a-t-il de résultats possibles ? Au total il y a
4 × 4 = 16.
Arrangement
Permutation
Combinaison
Variable aléatoire
Arrangement sans répétition
Définition
Un arrangement de p éléments parmi n, désigne toute
disposition ordonnée de p éléments distincts parmi n éléments
distincts (la répétition n’étant pas permise). C’est une façon de
ranger p éléments distincts pris parmi n éléments distincts en
tenant compte de l’ordre. Le nombre d’arrangement de p objets
n!
pris parmis n est noté: Apn =
(n − p)!
Remarque
I On a nécessairement 1 ≤ p ≤ n et n, p ∈ N ∗ .
I Si n < p, alors Apn = 0.
I Deux arrangementsde p objets sont donc distincts s’ils
diffèrent par la nature des objets qui les composent ou par
leur ordre dans la suite
Arrangement sans répétition: Exemple
Exemple
Considérons 7 personnes qui sont candidats pour occuper 3
postes. De conbien de façon différentes peut-on pourvoir ces 3
postes.
I Pour le 1er poste on a 7 possibilités.
I Pour le 2ème poste on a 6 possibilités.
I Pour le 3ème poste on a 5 possibilités.
Au total, il y a 7 × 6 × 5 = 210 = A37 possibilités.
Arrangement avec répétition
Définition
Lorsque un objet peut être observé plusieurs fois dans un
arrangement, le nombre d’arrangement avec répétition de p
objets pris parmis n est alors: np avec 1 ≤ p ≤ n
Remarque
I Pour le première objet tiré, on a n possibilités.
I Pour le deuxième objet tiré, on a n possibilités.
de proche en proche on a :
I Pour le pème objet tiré, on a n possibilités.
Ainsi, au total il y a :
× n · · · × n} = np
|n × n × n{z
p fois
Arrangement avec répétition: Exemple
Exemple
Le nombre de code possible de 4 chiffres pour accéder au
compte bancaire en utilisant une carte de guichet est:
10 × 10 × 10 × 10 = 104
Pour chaque chiffre du code en question il y’a 10 numéros

possible de 0 à 9.
Arrangement
Permutation
Combinaison
Variable aléatoire
Permutation sans répétition
Définition
Une permutation de n éléments distincts est une disposition
ordonnée de ces n éléments. Le nombre de permutation sans
répétition de n objets est:
Pn = n! = n × (n − 1) × (n − 2) × · · · × 3 × 2 × 1
Remarque
La permutation sans répétition de n objets constitue un cas
particulier d’arrangement sans répétition de p objets pris parmi
n lorsque n = p. Ainsi le nombre de permutation sans répétition
de n objets est:
n!
Ann = = n!
(n − n)!
Permutation sans répétition: Exemple
Exemple
Considérons 4 personnes qui prennent places successivement
sur un bac à 4 places. Combien de dispositions ordonnées
(c.à.d permutations sans répétition) existe-t-il ?
I La première personne a le choix entre 4 places =⇒ 4
dispositions possibles pour cette personne.
I La deuxième personne n’a le choix qu’entre 3 places =⇒
4 × 3 dispositions possibles pour ces deux personnes.
I La troisième personne n’a le choix qu’entre 2 places =⇒
4 × 3 × 2 dispositions possibles pour ces trois personnes.
I La quatrième personne n’a le choix qu’entre une seule
place =⇒ 4 × 3 × 2 × 1 dispositions possibles pour ces
personnes.
Ainsi, le nombre de dispositions ordonnées (permutations sans
répétition) est donc : P4 = 4 × 3 × 2 × 1 = 24.
Permutation avec répétition
Définition
Le nombre de permutation avec répétition de n objets dont n1
sont semblables, n2 sont semblables, · · · , nk sont semblables
est :
n!
.
n1 !n2 ! · · · nk !
En effet, les permutations de k objets identiques sont toutes
identiques et ne comptent que pour une seul permutation.
Permutation avec répétition: Exemple
Exemple
Considérons le mot "CELLULE". Le nombre de mots possible
(avec ou sans signification) que l’on peut écrire en permutant
ces 7 lettres est:
7!
= 420 mots possibles.
2!3!
En considérant deux groupes de lettres identiques: L(3 fois) et
E(2 fois).
Arrangement
Permutation
Combinaison
Variable aléatoire
Combinaison sans répétition
Définition
Une "combinaison sans répétitions" est une suite
non-ordonnée (dont l’ordre ne nous intéresse pas!) de p
éléments tous différents choisis parmi n objets distincts et est
par définition notée:
n!
Cnp =
p!(n − p)!
Combinaison sans répétition: Propriétés et exemple
Remarque et propriétés
On a nécessairement 1 ≤ p ≤ n et n, p ∈ N ∗ .
I Si n < p, alors Cnp = 0.
I Cn0 = Cnn = 1.
p
I Cn+1 = Cnp−1 + Cnp
n
X
I (a + b)n = Cnk ak bn−k Formule de Binôme de Newton.
k =0
Exemple
La formation d’une déléguation de 5 personnes parmi un
groupe de 50 constitue une combinaison avec p = 5 et n = 50.
5 = 2118760
Donc le nombre de délégation possible est: C50
Combinaison avec répétition
Définition
Une "combinaison avec répétitions" de p éléments parmi n est
une collection de p éléments non ordonnée, et non
nécessairement distincts. Le nombre de combinaison de p
objets parmi n avec répétition est:
p (n + p − 1)!
Cn+p−1 =
p!(n − 1)!
Combinaison avec répétition: Exemple
Exemple
Introduisons ce type de combinaison directement avec un
exemple et une approche ingénieuse que l’on doit au physicien
prix Nobel de physique 1938: Enrico Fermi.
Considérons {a, b, c, d, e, f } un ensemble ayant un nombre n
d’éléments égal à 6 et dont nous tirons un nombre p égal à 8.
Nous souhaiterions calculer le nombre de combinaisons avec
répétitions des éléments d’un ensemble de départ de cardinal 6
dans une ensemble d’arrivée de cardinal 8. Donc le nombre de
combinaison avec répétition est:
8 8
C6+8−1 = C13 = 1287
Arrangement
Permutation
Combinaison
Variable aléatoire
Définitions et propriétés
I Un ensemble est une collection d’objets appelés éléments.
I L’ensemble vide noté ∅ est l’ensemble qui ne contient
aucun élément.
I Soit Ω un ensemble. Un ensemble A est dit un
sous-ensemble de Ω ou une partie de Ω si tous les
éléments de A sont des éléments de Ω.
L’ensemble des parties de Ω est noté P(Ω).
Exemple
Donner l’ensemble des parties de Ω = {a, b, c}.
P(Ω) = {{a, b, c}, {a, b}, {a, c}, {b, c}, {a}, {b}, {c}, ∅}.
Définitions et propriétés
Soient Ω, A, B ∈ P(Ω)
I Inclusion : A ⊂ B signifie que tous les éléments de A sont
dans B.
A * B signifie qu’il existe au moins un élément de A
n’appartient pas à B.
I Complémentaire : A est l’ensemble des éléments qui
n’appartiennent pas à A appelé complémentaire de A.
Arrangement
Permutation
Combinaison
Variable aléatoire
Vocabulaire probabiliste
Epreuve aléatoire
C’est une expérience qu’on peut répéter dans les mêmes
conditions et qui donne plusieurs résultas.
Exemple
Lancer un dé - le jeu de pile ou face.
L’univers des éventualités

C’est l’ensemble des résultats possibles d’une épreuve et on le
note par Ω ( On l’appelle aussi l’ensemble fondamental).
Exemple
Si on lance un dé, l’univers Ω est l’ensemble
Ω = {1, 2, 3, 4, 5, 6}.
Evénement
C’est la réalisation d’une ou plusieures éventualités lors de
l’examen des résultats d’une épreuve. Autrement dit, c’est un
sous-ensemble ou partie de l’univers Ω. Si un évenement
contient un seul élément, on l’appelle événement élémentaire.
Exemple
Si on lance un dé, l’univers Ω peut être décomposé en deux
événements :
I chiffre pair : E1 = {2, 4, 6}.
I chiffre impair : E2 = {1, 3, 5}.
Remarque
I Un événement impossible noté ∅, n’est jamais réalisé.
I L’événement Ω est appelé événement certain (car il est
toujours réalisé).
Relation logique entre les événements
Définition: événement complémentaire
Soit A une partie de Ω. Le complémentaire de A, également
partie de Ω noté A, est l’ensemble des résultats qui conduit à la
réalisation de l’événement contraire de A. c.à.d., A est réalisé
si et seuleument si A n’est pas réalisé.
A = Ω\A
A = CΩ
A est appelé aussi l’événement contraire.

Exemple: Complémentaire d’événement

Soit l’épreuve qui consiste à lancer un dé. Désignons A
l’événement "obtenir un nombre pair".
A = {2, 4, 6} ⇒ A = {1, 3, 5}.
Définition: Intersection d’événement

L’intersection de deux événements A et B d’un même univers
Ω, noté A ∩ B, est l’événement qui est réalisé si A et B sont
réalisés.
Exemple: Intersection
On lance un dé et on note la face visible. Soient les
événements
I A : "Obtenir un nombre pair", i.e., A = {2, 4, 6}.
I B : "Obtenir un nombre > 3", i.e., B = {4, 5, 6}.
Alors l’événement A ∩ B : "Obtenir un nombre pair et
> 3"= {4, 6}.
Définition: Evénements incompatibles

Deux événements A et B d’un même univers Ω, sont dits
incompatibles (disjoints) si A ∩ B = ∅ (c.à.d., leur réalisation
simultannée est impossible).
Exemple: Intersection
On lance un dé et on note la face visible. Soient les
événements
I A : "Obtenir un nombre pair", i.e., A = {2, 4, 6}.
I B : "Obtenir un nombre > 3", i.e., B = {4, 5, 6}.
Alors l’événement A ∩ B : "Obtenir un nombre pair et
> 3"= {4, 6}.
Définition: Evénements incompatibles

Deux événements A et B d’un même univers Ω, sont dits
incompatibles (disjoints) si A ∩ B = ∅ (c.à.d., leur réalisation
simultannée est impossible).
Définition: Réunion des événements

La réunion de deux événements A et B d’un même univers Ω,
notée A ∪ B, est l’événement qui est réalisé si A ou B sont
réalisés.
Exemple: Union
Un dé est lancé et on note le chiffre de la face invisible.
I Soit l’événement A : "obtenir un chiffre pair", i.e.,
A = {2, 4, 6}.
I Soit l’événement B : "obtenir un chiffre divisible par 3" i.e.,
B = {3, 6}.
Alors l’événement A ∪ B = {2, 3, 4, 6} : "obtenir un chiffre pair
ou divisible par 3".
Considérons maintenant l’événemnt C : "obtenir un chiffre
inférieure ou égal à 2" = {1, 2}. Alors l’événement
B ∪ C = {1, 2, 3, 6}.
Remarque
I A ∪ A = A ; A ∩ A = A ; A ∪ ∅ = A ; A ∩ ∅ = ∅.
I Si A ⊂ B alors A ∪ B = B et A ∩ B = A.
Remarque
I A\B = A ∩ B est l’ensemble des éléments qui
appartiennent à A et qui n’appartiennent pas à B.
Proposition
Soient A, B, C des parties de Ω, on a :
I A ∪ B = B ∪ A.
I A ∩ B = B ∩ A.
I A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).
I A ∩ (B ∪ c) = (A ∩ B) ∪ (A ∩ C).
I A ∩ B = A ∪ B.
I A ∪ B = A ∩ B.
Arrangement
Permutation
Combinaison
Variable aléatoire
Définition
Soit (Ω; P) un espace probabilisable. Une probabilité P est une
application P : E −→ [0, 1] où E est l’ensemble des
événements, telle que:
I P(Ω) = 1.
I Soit A et B deux événements tels que A ∩ B = ∅ on a
P(A ∪ B) = P(A) + P(B).
I Si A0 , A1 , · · · , An , · · · est une suite dénombrable
d’événements incompatibles deux à deux, alors :
∞ ∞
!
[ X
P Ai = P(Ai ).
i=0 i=0
Remarque
La probabilité de l’événement certain est égale à 1, c.à.d.,
P(Ω) = 1, et ce qui implique que pour tout événement A on a :
0 ≤ P(A) ≤ 1.
Dans la suite on suppose que (Ω, P) est un espace probabilisé,

c.à.d, P une probabilité sur Ω.
Probabilité de l’événement contraire

Soit un événement A et son contraire A. Alors
P(A) = 1 − P(A)
Remarque
la probabilitée de l’événement impossible est nulle, c.à.d.,
P(∅) = 0.
Théorème des probabilités totales
L’objectif est de calculer P(A ∪ B) dans le cas où les deux
événements A et B sont non incompatibles, puisque dans ce
cas l’axiome des probabilités ne s’applique pas.
Théorème
Soient A et B deux événements quelconques d’un univers Ω.
Alors
P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Théorème des probabilités totales
Exemple
Un dé non équilibré a été lancé un grand nombre de fois. Les
probabilités des événements suivants ont été relevées :
Evénement 1 2 4 5 chiffre pair
Probabilité 0, 1 0, 1 0, 2 0, 2 0, 6
Calculer la probabilités de l’événement : "obtenir un chiffre pair ou
supérieur ou égal à 5".
Solution
Considérons les événements suivants :
A : "obtenir un chiffre pair ou ≥ 5". B : "obtenir un chiffre pair".
D : "obtenir un chiffre ≥ 5" .
D’après le théorème des probabilités totales on a :
P(A) = P(B ∪ D) = P(B) + P(D) − P(B ∩ D).
Or P(B) = 0, 6 = P(2) + P(4) + P(6) d’où P(6) = 0, 3,
P(D) = P(5) + P(6) = 0, 5 et P(B ∩ D) = P(6) = 0, 3, ainsi on
a P(A) = 0, 8.
Calcule de probabilité d’événement
Définition
Soit Ω = {w1 , w2 , · · · , wn } un ensemble fini. L’équiprobabilité
correspond au cas où tous les événements élémentaires de Ω
ont la même probabilité de se réaliser.
Proposition
Soit Ω un ensemble fini et A ∈ P(Ω), où les événements
élémentaires sont équiprobables. Alors
nombre d’élément de A
P(A) =
nombre d’élément de Ω
nombre de cas favorables à la réalisation de A
=
nombre de cas possibles
Définition
Soit Ω = {w1 , w2 , · · · , wn } un ensemble fini. L’équiprobabilité
correspond au cas où tous les événements élémentaires de Ω
ont la même probabilité de se réaliser.
Proposition
Soit Ω un ensemble fini et A ∈ P(Ω), où les événements
élémentaires sont équiprobables. Alors
nombre d’élément de A
P(A) =
nombre d’élément de Ω
nombre de cas favorables à la réalisation de A
=
nombre de cas possibles
Exemple
On lance un dé équilibré et on note le chiffre de la face visible.
Calculer la probabilité d’obtenir le chiffre 6, un chiffre < 6, le
chiffre 2 ou 6.
Solution:
L’univers Ω = {1, 2, 3, 4, 5, 6} et les événements sont
équiprobables. Soient A l’événement : "obtenir le chiffre 6", B
l’événement : "obtenir le chiffre < 6" et C l’événement : "obtenir
le chiffre 2 ou 6". Alors on a :
nombre d’élément de A 1
P(A) = =
nombre d’élément de Ω 6
nombre d’élément de B 5
P(B) = =
nombre d’élément de C 2 1
P(C) = = P(2) + P(6) = =
nombre d’élément de Ω 6 3
Exemple
On lance un dé équilibré et on note le chiffre de la face visible.
Calculer la probabilité d’obtenir le chiffre 6, un chiffre < 6, le
chiffre 2 ou 6.
Solution:
L’univers Ω = {1, 2, 3, 4, 5, 6} et les événements sont
équiprobables. Soient A l’événement : "obtenir le chiffre 6", B
l’événement : "obtenir le chiffre < 6" et C l’événement : "obtenir
le chiffre 2 ou 6". Alors on a :
nombre d’élément de A 1
P(A) = =
nombre d’élément de B 5
P(B) = =
nombre d’élément de C 2 1
P(C) = = P(2) + P(6) = =
nombre d’élément de Ω 6 3
Arrangement
Permutation
Combinaison
Variable aléatoire
Probabilités conditionnelles
Soient un espace probabilisé Ω, A et B deux événements tels
que P(A) 6= 0 et P(B) 6= 0.
Définition: Probabilités conditionnelles

La probabilité de réalisation d’un événement A sachant qu’un
événement B est réalisé est appelée probabilité conditionnelle
de A sachant B et notée P(A/B) ou PB (A) et a pour expression:
P(A ∩ B)
P(A/B) =
P(B)
Exemple:
Une personne lance un dé équilibré sans voir le résultat. Un
témoin l’informe qu’il s’agit d’un résultat différent de 5. Quelle
est la probabilité que le résultat soit un chiffre impair ?
Soient un espace probabilisé Ω, A et B deux événements tels
que P(A) 6= 0 et P(B) 6= 0.
Définition: Probabilités conditionnelles

La probabilité de réalisation d’un événement A sachant qu’un
événement B est réalisé est appelée probabilité conditionnelle
de A sachant B et notée P(A/B) ou PB (A) et a pour expression:
P(A ∩ B)
P(A/B) =
P(B)
Exemple:
Une personne lance un dé équilibré sans voir le résultat. Un
témoin l’informe qu’il s’agit d’un résultat différent de 5. Quelle
est la probabilité que le résultat soit un chiffre impair ?
Solution:
Notons A l’événement: "Obtenir un chiffre impair" et B
l’événement: "obtenir un chiffre différent de 5". Alors,
3 1 5
P(A) = P({1, 3, 5}) = = et P(B) = P({1, 2, 3, 4, 6}) =
6 2 6
L’événement A ∩ B := "obtenir un chiffre impair différent de 5",
d’où P(A ∩ B) = P({1, 3}) = 26 = 31 .
Solution: Suite
Le fait de disposer de l’information supplémentaire relative à la
réalisation de l’événement B, réduit la possibilité aux chiffres
{1, 2, 3, 4, 6}, parmi lesquels seuls 1 et 3 sont impairs. Il y a
donc deux chances sur cinq d’avoir un chiffre impair sachant
que le résultat est différent de 5. En utilisant la formule on peut
aussi le vérifier:
P(A ∩ B) {1, 3} 2/6 2

P(A/B) = = = =
P(B) {1, 2, 3, 4, 6} 5/6 5
Probabilités composées
Définition: Probabilités composées
Les probabilités conditionnelles permettent de calculer la
probabilité composée de deux événements.
La probabilité composée est la probabilité de réaliser
simultanément deux événements A et B, et on la note
P(A ∩ B), et on a
P(A ∩ B) = P(B)P(A/B) = P(A)P(B/A).
Définition: Evénements indépendants

Les probabilités conditionnelles permettent d’expliquer mieux la
définition d’indépendance de deux événements. Intuitivement,
deux événements sont indépendants si la réalisation de l’un
n’influe pas la réalisation de l’autre, ce qui peut se traduire par
P(A∩B) = P(A)×P(B) ⇒ P(A/B) = P(A), ou par P(B/A) = P(B).

Probabilités composées
Définition: Probabilités composées
Les probabilités conditionnelles permettent de calculer la
probabilité composée de deux événements.
La probabilité composée est la probabilité de réaliser
simultanément deux événements A et B, et on la note
P(A ∩ B), et on a
P(A ∩ B) = P(B)P(A/B) = P(A)P(B/A).
Définition: Evénements indépendants

Les probabilités conditionnelles permettent d’expliquer mieux la
définition d’indépendance de deux événements. Intuitivement,
deux événements sont indépendants si la réalisation de l’un
n’influe pas la réalisation de l’autre, ce qui peut se traduire par
P(A∩B) = P(A)×P(B) ⇒ P(A/B) = P(A), ou par P(B/A) = P(B).

Probabilité Total
Théorème: Probabilité Total
Soient A et B deux événements de Ω tels qu’on sait calculer
P(B); P(B); P(A/B); P(A/B) alors on a:
P(A) = P(A ∩ B) + P(A ∩ B) = P(B)P(A/B) + P(B)P(A/B)
D’une manière général, soient B1 , B2 , · · · , Bn des événements

incompatibles deux à deux (Bi ∩ Bj = ∅ ∀i 6= j), et tel que
B1 ∪ B2 ∪ · · · ∪ Bn = Ω. Soit A un événement de probabilité non
nulle. Les informations connues sont:
• La probabilité de chacune des événements :
P(B1 ), P(B2 ), · · · , P(Bn ).
• La probabilité de réalisations de A sachant chacune des
événements Bi sont réalisés: P(A/B1 ), P(A/B2 ), · · · , P(A/Bn ).
n
X
P(A) = P(Bj )P(A/Bj )
j=1
Théorème de Bayes
Théorème: Formule de Bayes
P(B); P(B); P(A/B); P(A/B)
P(B)P(A/B)
P(B/A) =
P(B)P(A/B) + P(B)P(A/B)
Preuve:
P(A ∩ B) P(B)P(A/B)
P(B/A) = =
P(A) P(A ∩ (B ∪ B))
P(B)P(A/B)
=
P(A ∩ B) + P(A ∩ B))
P(B)P(A/B)
=
Théorème de Bayes
Théorème: Formule de Bayes
P(B); P(B); P(A/B); P(A/B)
P(B)P(A/B)
P(B/A) =
Preuve:
P(A ∩ B) P(B)P(A/B)
P(B/A) = =
P(A) P(A ∩ (B ∪ B))
P(B)P(A/B)
=
P(A ∩ B) + P(A ∩ B))
P(B)P(A/B)
=
Théorème de Bayes
Théorème: Formule de Bayes(cas général)
D’une manière général, soient A1 , A2 , · · · , An des événements
incompatibles deux à deux (Ai ∩ Aj = ∅ ∀i 6= j), et tel que
A1 ∪ A2 ∪ · · · ∪ An = Ω. Soit B un événement de probabilité non
nulle. Les informations connues sont:
• La probabilité de chacune des événements :
P(A1 ), P(A2 ), · · · , P(An ).
• La probabilité de réalisations de B sachant chacune des
événements Ai sont réalisés: P(B/A1 ), P(B/A2 ), · · · , P(B/An ).
Le théorème de Bayes permet de calculer la probabilité de
l’événement Ai sachant que l’événement B soit réalisé:
P(Ai /B).
P(Ai )P(B/Ai )
P(Ai /B) = n .
X
P(Aj )P(B/Aj )
j=1
Théorème de Bayes
Exemple:
Le personnel d’une entreprise est composée de 80% de
femmes. On sait que 8% de ces femmes ont une formation
supérieure et que 24% des hommes ont une formation
supérieure.
I Quelle est la proportion de personnel ayant une formation
supérieure ?
I Sachant qu’il a une formation supérieure, quelle est la
probabilité qu’un employé soit une femme?
Théorème de Bayes
Solution:
Considérons les évévenements suivants :
• A : "Etre un employé femme".
• B : "Etre un employé de formation supérieure".
Donc, on a :
P(A) = 0, 8; P(B/A) = 0, 08; P(A) = 0, 2; P(B/A) = 0, 24.
• Alors:
P(B) = P(B ∩ A) + P(B ∩ A) = P(A)P(B/A) + P(A)P(B/A)
• Ainsi on aura
P(A)P(B/A)
P(A/B) =
P(B)P(A/B) + P(A)P(B/A)
Arrangement
Permutation
Combinaison
Variable aléatoire
Variable aléatoire
Dans beaucoup de situations, le détail du résultat d’une

expérience aléatoire ne nous intéresse pas, mais seulement
une valeur numérique fonction de ce résultat. Par exemple, on
peut se demander quel est le nombre de pannes d’un
ordinateur sur une durée d’un an, sans être intéressé par les
dates auxquelles ont lieu ces pannes. Etudions un exemple
plus simple:
Variable aléatoire
Exemple
Soient deux joueurs A et B. L’un des deux lance un dé et on
note la face visible.
Si on obtient 1 ou 6, alors le joueur A donne 1 Dh au joueur B.
Si on obtient 2, 3 ou 5, alors le joueur B donne 2 Dh au joueur
A. Si on obtient 4, alors la partie est nulle.
Notons X le gain du joueur A.
X dépend du hasard, plus particulièrement du résultat du
lancer de dé. On dira que X est une variable aléatoire
puisqu’elle dépend du hasard.
Dans ce cas l’univers Ω = {1, 2, 3, 4, 5, 6} et X dépend des
événements de Ω et peut prendre les valeurs {−1, 0, 2}.
X (1) = X (6) = −1; X (2) = X (3) = X (5) = 2; X (4) = 0.

Variable aléatoire
Exemple
X : Ω −→ R
w 7−→ X (w)
Ainsi, X est une application numérique de Ω dans R.
Le dé étant non truqué, les événements élémentaires de Ω
1
sont équiprobables, P({i}) = , i = 1, 2, 3, 4, 5, 6.
6
On veut savoir la probabilité que le joueur A gagne 2 Dh. On a
1
P(X = 2) = P[w tel que X (w) = 2] = P[X −1 (2)] = P({2, 3, 5}) = .
2
et aussi
1 1
P(X = 1) = , P(X = 0) = .
3 6
Ainsi, à chaque valeur de X on peut associer une probabilité.
Cette correspondance s’appelle loi de probabilité de X .
Variable aléatoire
Définition
Soit Ω un univers sur lequel on a défini une probabilité P. On
appelle variable aléatoire réelle X , toute application
X : Ω −→ R
.
w 7−→ X (w)
On note :
I [X = xi ] = {w ∈ Ω tel que X (w) = xi } est un événement
de l’univers Ω.
I X (Ω) = {x ∈ R / ∃w ∈ Ω tel que X (w) = x}. Autrement
dit, X (Ω) désigne l’ensemble des valeurs que peut prendre
X.
Arrangement
Permutation
Combinaison
Variable aléatoire
Définition
Une variable aléatoire est dite discrète s’elle peut prendre un
nombre fini ou infini dénombrable de valeurs.
Exemple
Jet de deux dés, la somme S des deux dés est une variable
aléatoire discrète à valeur dans {2, 3, 4, 5, 6, · · · , 12}.
Variable aléatoire discrète: Loi de probabilité
Définition
La fonction de distribution ou loi de probabilité d’une variable
aléatoire discrète X , est l’application PX qui, à chaque valeur xi
prise par X , associe la probabilité PX (xi ) = P[X = xi ].
Pour B ⊂ R, on a
X
PX (B) = PX (xi ).
xi ∈B
Si la variable aléatoire X prend les valeurs {x1 , x2 , · · · , xn } et

notons
n
X
pi = P[X = xi ] = P(xi ), alors pi ≥ 0 et pi = 1.
i=1
La fonction de distribution peut être représentée par un

diagramme en batôns.
Exemple
Un représentant a relevé le nombre quotidien de commandes
qu’il a obtenues sur une année de 300 jours de travail.
Nbr quotidien de commamndes 0 1 2 3 4 Total
Nbr de jours 30 60 120 75 15 300
Les conditions passées étant stables, il souhaite déterminer la
loi de probabilité du nombre quotidien de commandes. La
variable aléatoire étudiée est X :"nombre quotidien de
commandes".
Les valeurs prises par X sont : {0, 1, 2, 3, 4}.
Il s’agit d’une V.A. discrète, de loi de probabilité donnée par :

Exemple
La loi de probabilité peut être représentée par un tableau ou
par un diagramme en bâtons.
V.A X:xi 0 1 2 3 4 Total
X5
P[X = xi ] 0,1 0,2 0,4 0,25 0,05 P[X = xi ] = 1
i=1
Variable aléatoire discrète: Fonction de répartition
Définition
La fonction de répartition d’une variable aléatoire discrète X est
l’application F définie par : ∀x ∈ R,
X
F (x) = P[X ≤ x] = P[X = xi ].
xi ≤x
F est une fonction monotone croissante de 0 à 1, constante par

intervalle fermé à droite et ouvert à gauche. Sa représentation
graphique est un diagramme en escalier.
Proposition
Pour tout a, b ∈ R, on a:
P(a < X ≤ b) = P(X ≤ b) − P(X ≤ a) = F (b) − F (a)
Exemple
Déterminer et représenter la fonction de répartition du nombre de
commandes du représentant, puis calculer
P(X < 0); P(X ≤ 0); P(X ≤ 2); P(X < 3); P(0 < X < 3).
Fonction de répartition :
xi P[X = xi ]
0 0,1
1 0,2
et donc
2 0,4
3 0,25
4 0,05
Proposition
Pour tout a, b ∈ R, on a:
P(a < X ≤ b) = P(X ≤ b) − P(X ≤ a) = F (b) − F (a)
Exemple
Déterminer et représenter la fonction de répartition du nombre de
commandes du représentant, puis calculer
P(X < 0); P(X ≤ 0); P(X ≤ 2); P(X < 3); P(0 < X < 3).
Fonction de répartition :
x F (x)
xi P[X = xi ] ] − ∞, 0[ 0
0 0,1 [0, 1[ 0,1
1 0,2 [1, 2[ 0,3
et donc
2 0,4 [2, 3[ 0,7
3 0,25 [3, 4[ 0,95
4 0,05 [4, +∞[ 1
Exemple
 X

 P(X < 0) = P[X = xi ] = 0;



 xi <0
 P(X ≤ 0) = 0, 1;


P[X ≤ 2] = P[X = 0] + P[X = 1] + P[X = 2] = 0, 7;
P[X < 3] = P[X ≤ 2];




P[0 X < 3] = P[0 < X ≤ 2] = P[X ≤ 2] − P[X ≤ 0]



 <
= 0, 7 − 0, 1 = 0, 6

Caractéristiques d’une V.A. discrète
Espérence mathématique
Les caractéristiques ont pour objectif de synthétiser la variable

aléatoire sous la forme de valeurs significatives.
Définition
L’espérence mathématique exprime la tendance centrale de la
variable aléatoire.
L’espérence mathématique d’une variable aléatoire discrète X
est la moyenne arithmétique des valeurs prises par X
pondérées par les probabilités associées, notée E(X ), donnée
par :
n
X n
X n
X
E(X ) = xi P[X = xi ] = xi P[xi ] = xi pi .
i=1 i=1 i=1
Caractéristiques d’une variable aléatoire discrète
Exemple
Si on reprend l’exemple précédent, on a :
n
X
E(X ) = xi P[xi ] = 1, 95.
i=1
Ainsi, le nombre moyen de commandes par jour est à peu près

égale à 2.
Caractéristiques d’une V.A. discrète
Variance d’une variable aléatoire discrète
Définition
La variance d’une variable aléatoire discrèteX, notée V (X ),
exprime la disperssion de la variable aléatoire par rapport à la
tendance centrale. Elle est donnée par :
n
X
V (X ) = E(X 2 ) − (E(X ))2 = [xi − E(X )]2 P(xi )
i=1
n
X
= xi2 P(xi ) − (E(X ))2 .
i=1
L’ecart type de X est le nombre défini par :

p
σ(X ) = V (X ).
L’écart type mesure la disperssion de la variable X par rapport
à son éspérence mathématique.
Arrangement
Permutation
Combinaison
Variable aléatoire
Définition
Une variable aléatoire X est continue quand l’ensemble des
valeurs qu’elle peut prendre est défini par toutes les valeurs
d’un intervalle réel [a, b]. Le nombre de valeurs d’un intervalle
étant infinie, la probabilité attaché à une valeur est nulle :
P(X = x) = 0
Une variable aléatoire continue est définie par sa fonction de

répartition et sa fonction de densité de probabilité.
Fonction de répartition
Définition
La fonction de répartition d’une variable aléatoire X est
l’application F , qui à tout réel x, associe la probabilité F (x) que
la variable X soit inférieur ou ègal à x, i.e.,
F (x) = P(X ≤ x).
Proposition
1. F est une fonction positive, croissante de 0 à 1.
lim F (x) = 0 et lim F (x) = 1

x→−∞ x→+∞
2. ∀a, b ∈ R P(a < X ≤ b) = F (b) − F (a).

3. ∀a ∈ R P(X > a) = 1 − P(X ≤ a) = 1 − F (a).
Fonction de répartition
Définition
La fonction de répartition d’une variable aléatoire X est
l’application F , qui à tout réel x, associe la probabilité F (x) que
la variable X soit inférieur ou ègal à x, i.e.,
F (x) = P(X ≤ x).
Proposition
1. F est une fonction positive, croissante de 0 à 1.
lim F (x) = 0 et lim F (x) = 1

x→−∞ x→+∞
2. ∀a, b ∈ R P(a < X ≤ b) = F (b) − F (a).

3. ∀a ∈ R P(X > a) = 1 − P(X ≤ a) = 1 − F (a).
Fonction de densité ou densité de probabilité
Définition
La fonction de densité d’une variable aléatoire X continue est la
fonction f définie par :
∀x ∈ R, f (x) = F 0 (x).
Proposition
I f est une fonction positive.
Z b
I P(a ≤ X ≤ b) = f (t)dt = F (b) − F (a).
a
Z a
I P(X < a) = P(X ≤ a) = F (a) = f (t)dt.
−∞
Z +∞
I f (t)dt = 1 = F (+∞) − F (−∞).
−∞
Fonction de densité ou densité de probabilité
Définition
La fonction de densité d’une variable aléatoire X continue est la
fonction f définie par :
∀x ∈ R, f (x) = F 0 (x).
Proposition
I f est une fonction positive.
Z b
I P(a ≤ X ≤ b) = f (t)dt = F (b) − F (a).
a
Z a
I P(X < a) = P(X ≤ a) = F (a) = f (t)dt.
−∞
Z +∞
I f (t)dt = 1 = F (+∞) − F (−∞).
−∞
Probabilité d’une variable aléatoire continue
Caractéristique d’une variable aléatoire continue
Définition
I L’espèrence mathématique d’une variable aléatoire
continue X et de densité f (x) est définie par :
Z +∞
E(X ) = xf (x)dx.
−∞
I La variance d’une variable aléatoire continue X et de

densité f (x) est définie par :
Z +∞
2
V (X ) = E(X ) − (E(X )) = 2 (x − E(X ))2 f (x)dx
Z +∞ −∞
= x f (x)dx − (E(X ))2 .

2
−∞
L’écart type
p est la racine carrée de la variance :
σ(X ) = V (X )
Exemple
Exemple
Soit f la fonction définie sur R par:

k (2 − x) si 0 < x < 2
f (x) =
0 sinon
1. Déterminer la valeur de k pour que f puisse être

considérée comme une fonction de densité de probabilité.
2. Calculer E(X ) et V (X )
3. Déterminer la fonction de répartition F (x).
4. Soit Y = 2X . Déterminer la fonction de répartition de Y .
Exemple
Solution Exemple
1. Pour que f soit une fonction de densité elle doit vérifier:
Z +∞ Z 2
f (x)dx = 1 ⇒ f (x)dx = 1
Z−∞ 2 Z 02 2
x2

k (2 − x)dx = k (2 − x)dx = k 2x − =k ×2=1
0 0 2 0
1
⇒k =
2
2.
1 2
Z +∞ Z
E(X ) = xf (x)dx = x(2 − x)dx
2 0
2−∞ 3 2
1 x x 2
= 2 − =
2 2 3 0 3
Z +∞ 2
2
V (X ) = E(X 2 ) − (E(X ))2 = x 2 f (x)dx −
3
2 −∞ 3 2 2
1 2 2 x4
Z
2 1 x 2
= x (2 − x)dx − = 2 − −
2 0 3 2 3 4 0 3
4 14
=2− =
9 9
Exemple
Solution Exemple
1. 
 F (x) = 0Z si x <0


 x Z x
 F (x) = f (t)dt = f (t)dt


Z x −∞ 0
x2

1 1
(2 − t) = 2x − si 0 ≤ x ≤ 2



 0 2 2 2



F (x) = 1 si 2 ≤ x
2.

 F (y ) = 0 si y < 0

  y y

  P(X < ) = Fx ( )
2 2

 


 


 

y 2

 
  

 

1 y
Fy (y ) = P(Y < y ) = P(2X < y ) = 2 − 2  si 0 ≤ y ≤ 4






 2 2 2

 

 
y2

1

 

y−
 

 
 =


 2 8
F (y ) = 1 si 4 ≤ y

Comparaison entre V.A discrète et continue
hhhh
hhh Variable aléatoire
hhhh Discrète Continue
Caractéristique hhh
Loi de probabilité P[X = xi ] Z x f (x)
X
F (x) = P(X ≤ x) P[X = xi ] f (t)dt
xi ≤x −∞
n
X Z +∞
E(X ) xi P[X = xi ] xf (x)dx
i=1 −∞
n
X Z +∞
V (X ) = E(X 2 ) − (E(X ))2 xi2 P(xi ) − (E(X ))2 x 2 f (x)dx − E((X ))2
i=1 −∞
Propriétés des valeurs carctéristiques
On peut démontrer facilement les propriétés suivantes
∀a, b ∈ R.
Proposition
I E(aX ) = aE(X ).
I E(aX + b) = aE(X ) + b.
I E(X1 + X2 + · · · + Xn ) = E(X1 ) + E(X2 ) + · · · + E(Xn ).
I Si X , Y sont indépendantes alors: E(X .Y ) = E(X ).E(Y ).
I V (aX ) = a2 V (X )
I V (aX + b) = a2 V (X )
I Si X , Y sont indépendantes alors:
V (X + Y ) = V (X ) + V (Y ).
I Si X , Y ne sont pas indépendantes alors:
V (X + Y ) = V (X ) + V (Y ) + 2COV (X , Y ),
avec COV (X , Y ) = E(X .Y ) − E(X ).E(Y ).

Inégalité de Bienyamé-Tchebychev
Théorème
Soit X une variable aléatoire d’espérance E(X ) et de variance
V (X ). Alors
V (X )
∀ε > 0, P (|X − E(X )| ≥ ε) ≤ .
ε2
Arrangement
Permutation
Combinaison
Variable aléatoire
Loi de Bernoulli
Shéma de Bernoulli
Définition
Soit une expérience dont le résultat est aléatoire et soit A un
évènement défini sur cette expérience. Soit X la variable
aléatoire prenant la valeur 1 quand A est réalisé et 0 quand Ā
est réalisé. On dit que X est une variable de Bernoulli s’il existe
p et q dans R vérifiant:
P(X = 1) = p ; P(X = 0) = 1 − p = q et p + q = 1
On dit également que X suit une loi de Bernoulli B(1, p) = B(p).
I Autre Définition : Une variable de Bernoulli traduit une

expérience aléatoire ayant deux issues possibles et
effectuée une seule fois. B(1, p) est la loi de Bernoulli de
paramètre p.
I Par convention, p (0 ≤ p ≤ 1) est la probabilité de succès
alors que q = 1 − p est la probababilité d’échec.
Loi de Bernoulli
Caractéristiques de la loi de Bernoulli
I Espérance ou Moyenne:
n
X
E(X ) = xi pi
i=1
=p×1+q×0=p
I Variance:
n
X
V (X ) = E(X 2 ) − (E(X ))2 = xi2 pi − p2
i=1
= p − p2 = p(1 − p) = pq
√
⇒ σ(X ) = pq
Loi Binomiale
Shéma Binomiale
Principe du shéma Binomiale

Soit une épreuve de Bernoulli dont la probabilité de réaliser un
succès est égale à p. Cette épreuve est reproduite n fois, les
répétitions étant indépendantes ( c’est à dire la probabilité de
succès est égale à p au cours des n épreuves). La variable
aléatoire X étudiant le nombre de succès au cours de n
épreuve de Bernoulli indépendantes est une variable aléatoire
binomiale (on dit aussi suit une loi binomiale) de paramètre n et
p. La variable aléatoire X est discrète dont les valeurs
possibles sont les entiers compris entre 0 et n.
Remarque
Soient X1 , X2 , . . . , Xn les variables indépendantes de Bernoulli
respectives des n épreuves. Alors X = X1 + X2 + . . . + Xn .
Loi Binomiale
Shéma Binomiale
Définition
Une variable aléatoire X est une variable aléatoire binomiale ou
bien obéit à une loi binomiale, quand la probabilité de
X = k (Nombre de succès possible égale à k ) est donnée par :
P(X = k ) = Cnk pk q n−k = Cnk pk (1 − p)n−k
• avec 0 ≤ k ≤ n
On dit que X suit une loi binomiale de paramètre n, p et on

note X ∼ B(n; p). On a aussi grâce à la formule du Binôme:
n
X n
X
P(X = k ) = Cnk pk q n−k = (p + q)n = 1
k =0 k =0
Loi Binomiale
Caractéristiques de la loi Binomiale
I Espérance ou Moyenne:
E(X ) = E(X1 + X2 + . . . + Xn ) = E(X1 ) + E(X2 ) + . . . + E(Xn )

= p + p + . . . + p = np
I Variance:
Puisque les V.A. X1 ; X2 ; . . . ; Xn sont indépendants donc on
a:
V (X ) = V (X1 + X2 + . . . + Xn ) = V (X1 ) + V (X2 ) + . . . + V (Xn )
= pq + pq + . . . + pq = npq
√
⇒ σ(X ) = npq
Loi Binomiale
Somme de deux V.A. suivant la loi Binomiale
Proposition
Si X suit une loi binomiale B(n1 ; p) et si Y suit une loi binomiale
B(n2 ; p), avec X et Y sont indépendantes mais de même
probabilité p, alors X + Y suit une loi binomiale B(n1 + n2 ; p).
Preuve
Ici puisque X est la somme de n1 variables de Bernoulli
indépendantes de paramètre p et Y est la somme de n2
variables de Bernoulli de paramètre p et X et Y sont
indépendantes, alors X + Y est la somme de n1 + n2 variables
de Bernoulli indépendantes de paramètres p. Donc
X + Y ∼ B(n1 + n2 ; p).
Loi de Poisson
Shéma de Poisson
Définition
Le shéma de la loi de Poisson et le même que celui de la loi
Binomiale. La seule différence qui existe entre les deux est que
le nombre de répétition pour le shéma de Poisson est infinie.
Soit une variable aléatoire X et λ > 0. On dit que que X suit
une loi de poisson de paramètre λ et on note X ∼ P(λ) si
λk
P(X = k ) = e−λ , ∀k ∈ N
k!
Proposition
I E(X ) = λ
I V (X ) = λ
√
I σ(X ) = λ
Loi de Poisson
Shéma de Poisson
Preuve
∞ ∞
X X λk
E(X ) = kP(X = k ) = k e−λ
k!
k =0 k =0
∞ ∞
X
−λ λ
k X λk −1
= ke = e−λ λ
k! (k − 1)!
k =1 k =1
∞ ∞
−λ
X λk −1 X λk
= λe = λe−λ
(k − 1)! k!
k =1 k =0
−λ λ
= λe e = λe−λ+λ
= λ.
∞
X λk
car eλ = .
k!
k =0
Approximation de la loi Binomiale par la loi de Poisson
Une variable aléatoire suivant une loi binomiale B(n, p) peut
être approché par une loi de Poisson P(λ) si on a les trois
conditions :
I n est suffisament grand.
I p est voisin de 0 (trop petit).
I np n’est pas grand.
Théorème
Soit X une variable aléatoire avec X ∼ B(n, p). Alors
B(n, p) −→ P(np) lorsque n −→ +∞ et p −→ 0.
En pratique : Les conditions d’approximation sont les suivantes

I n ≥ 50
I p ≤ 0, 10
I np ≤ 5
Alors B(n, p) peut être approchée par P(λ) avec λ = np.
Exemple
Un supermarché s’interesse aux ventes quotidiennes d’un
produit frais P dont le stock est reconstitué chaque matin. Pour
chaque jour ouvrable, la probabilité de rupture de stock est de
0, 02 et les ruptures sont supposées indépendantes.
•Calculer les probabilités pour que sur, 200 jours ouvrables, il y
ait : aucune rupture, deux ruptures, cinq rupture, au plus cinq
rupture du produit frais P.
Solution
Soit X la variable aléatoire: "nombre de ruptures du stocks du
produit frais P sur 200 jours".
Donc X est la somme de 200 variables indépendants de
Bernoulli ce qui implique que X ∼ B(200; 0, 02). Regardons les
conditions d’approximation :
n = 200 ≥ 50, p = 0, 02 ≤ 0, 1, np = 4 ≤ 5
Ainsi, la loi B(200; 0, 02) peut être approchée par la loi

P(λ = 4) et donc, en utilisant l’approximation on a :
P(X = 0) = 0, 0183, P(X = 2) = 0, 1465

P(X = 5) = 0, 1563,
P(X ≤ 5) = 0, 7851 = P(X = 0) + P(X = 1) + P(X = 2)+
P(X = 3) + P(X = 4) + P(X = 5)
Loi Hypergéométrique
Principe du shéma Hypergéométrique
En pratique, les n épreuves de Bernoulli successives ne sont

pas indépendantes.
Exemple
Une entreprise commercialise un lot de 30 bouteilles d’eau
minérale et affirme que seulement 15% de ces bouteilles ne
verifient pas les normes de qualité. Pour contrôler la qualité
annoncée, on prélève un échantillon de 10 bouteilles du lot
(n ≤ N) et on analyse leur composition. Bien sûr une bouteille
analysée est ouverte. Elle ne peut donc pas être remise dans
le lot. En d’autre terme, pour chaque bouteille controlée la
probabilité qu’elle ne soit pas dans les normes de qualité
change.
shéma Hypergéométrique
Définition
On considère une population de taille N dont N1 individus
exactement présentent un certain caractère A. On prélève sans
remise un échantillon de n individus. Les n épreuves de
Bernoulli successives ne sont pas indépendantes. Soit X la v.a.
du nombre d’individus présentant le caractère A dans
l’échantillon. On dit que X suit la loi hypergéométrique de
paramètres N, n et p = NN1 : X ∼ H(N, n, p = NN1 )
Caractéristique de la loi Hypergéométrique
Propriété:
I Si X ∼ H(N, n, NN1 ), la loi de probabilité de X est donnée
par :
n−k
CNk 1 CN−N 1
P(X = k ) =
CNn
avec max(0; n − (N − N1 )) ≤ k ≤ min(n, N1 ).
I E(X ) = np avec p = N1
N .
I V (X ) = np(1 − p) N−n
N−1
Exemple
D’après l’exemple précédent quelle est la probabilité d’avoir au
moins 2 bouteilles hors normes de qualité?
P(X ≥ 2) = 1 − P(X < 2) = 1 − P(X ≤ 1)

C 0 C 10 C 1 C 9
= 1 − P(X = 0) − P(X = 1) = 1 − 10 1020 − 101020
C30 C30
= 1 − 0, 0061 − 0, 0559 = 0, 938
Arrangement
Permutation
Combinaison
Variable aléatoire
Loi Uniforme
Définition
On choisit au hasard un nombre x d’un intervalle [a; b] ⊂ R
avec a < b . On modélise ce choix par la loi de probabilité dont
la densité de probabilité f définie sur [a; b] par:

 1
si a ≤ x ≤ b
f (x) = b−a
 0 sinon
Cette loi s’appelle la loi uniforme sur [a; b]. Soit X v.a. suivant la
loi uniforme sur [a; b] nous pouvons démontrer facilement que:
a+b
E(X ) =
2
(b − a)2
V (X ) =
12
Loi Exponentielle
Définition
On appelle loi exponentielle de paramètre λ (λ > 0) la loi de
probabilité continue dont la densité est la fonction f définie par:
λ exp(−λx) = λe−λx si x ≥ 0

f (x) =
0 si x < 0
Cette loi s’appelle la loi exponentielle sur R+ . Soit X v.a.

suivant la loi exponentielle, nous pouvons démontrer facilement
que:
1 1
E(X ) = ; V (X ) = 2
λ λ
Loi Normale (ou Loi de Gauss-Laplace)
Définition
Une variable aléatoire continue X obéit à une loi normale de
moyenne µ et d’écart type σ, notée N (µ, σ), si sa fonction de
densité f est définie par :
2
1 x −µ
−
1
f (x) = √ e 2 σ , ∀x ∈ R
σ 2π
Z +∞
avec f (x) = 1, et sa fonction de répartition est:
−∞
2
1 t −µ
Z x −
1
F (x) = P(X ≤ x) = √ e 2 σ dt, ∀x ∈ R
σ 2π −∞
De plus
E(X ) = µ ; V (X ) = σ 2
Loi Normale (ou Loi de Gauss-Laplace)
La courbe représentative de f est symétrique par rapport de la

droite d’équation x = µ.
Loi Normale Centrée Réduite
Définition
Si une variable aléatoire X suit une loi normale N (µ, σ), alors
la variable T = X −µ
σ suit la loi normale appelée loi normale
centré réduite N (0, 1). La fonction de densité f de la variable T
s’écrit :
t2
1 −
f (t) = √ e 2 , ∀t ∈ R
2π
La fonction de répartition F , plus généralement notée Π, est
définie par :
Z t Z t
x2
1 −
F (t) = Π(t) = P(T ≤ t) = f (x)dx = √ e 2 dx, ∀t ∈ R
−∞ 2π −∞
La loi de T est centrée car E(T ) = 0 et elle est réduite car

V (T ) = 1. En effet,

X −µ 1
E(T ) = E = (E(X ) − µ) = 0
σ σ
X −µ 1 1
V (T ) = V = 2 V (X − µ) = 2 V (X ) = 1
σ σ σ
I La courbe représentative de f est symétrique par rapport à
la droite d’équation t = 0.
I la fonction de répartition F de la loi normale centrée
réduite s’écrit comme suit:
Z x
u2
1 −
F (x) = P(T ≤ x) = √ e 2 du, ∀x ∈ R
2π −∞
Proposition
I f est paire: f (t) = f (−t).
I f est symétrique par rapport à l’axe t = 0 d’où
P(T > t) = P(T < −t).
I P(T > t) = 1 − P(T ≤ t) ⇔ Π(−t) = 1 − Π(t).
I P(t1 < T < t2 ) = P(T < t2 ) − P(T < t1 ) = Π(t2 ) − Π(t1 ).
I P(−t < T < t) = 2P(T < t) − 1 = 2Π(t) − 1.
Exemple
Le chiffre d’affaires quotidien, exprimé en dirhams, d’un
commerce suit une loi normale de moyenne 12000, et d’écart
type 1500.
Calculer la probabilité que le chiffre d’affaires quotidien soit :
a- Egale à 12000.
b- Inférieur à 12000.
c- Inférieur à 13000.
d- Inférieur à 10000.
e- comprise entre 10500 et 13500.
f- supérieur à 10500.

Cours Probabilite PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Probabilite PDF

Transféré par

Droits d'auteur :

Formats disponibles

Probabilité

Université Moulay Ismail

Soit une expérience qui comporte 2 étapes : la 1ère qui a p

Pour chaque chiffre du code en question il y’a 10 numéros

L’univers des éventualités

A est appelé aussi l’événement contraire.

Exemple: Complémentaire d’événement

Définition: Intersection d’événement

Définition: Evénements incompatibles

Définition: Evénements incompatibles

Définition: Réunion des événements

Dans la suite on suppose que (Ω, P) est un espace probabilisé,

Probabilité de l’événement contraire

P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Définition: Probabilités conditionnelles

Définition: Probabilités conditionnelles

P(A ∩ B) {1, 3} 2/6 2

P(A ∩ B) = P(B)P(A/B) = P(A)P(B/A).

Définition: Evénements indépendants

P(A∩B) = P(A)×P(B) ⇒ P(A/B) = P(A), ou par P(B/A) = P(B).

P(A ∩ B) = P(B)P(A/B) = P(A)P(B/A).

Définition: Evénements indépendants

P(A∩B) = P(A)×P(B) ⇒ P(A/B) = P(A), ou par P(B/A) = P(B).

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

D’une manière général, soient B1 , B2 , · · · , Bn des événements

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

Dans beaucoup de situations, le détail du résultat d’une

X (1) = X (6) = −1; X (2) = X (3) = X (5) = 2; X (4) = 0.

Si la variable aléatoire X prend les valeurs {x1 , x2 , · · · , xn } et

La fonction de distribution peut être représentée par un

Il s’agit d’une V.A. discrète, de loi de probabilité donnée par :

F est une fonction monotone croissante de 0 à 1, constante par

P(a < X ≤ b) = P(X ≤ b) − P(X ≤ a) = F (b) − F (a)

P(a < X ≤ b) = P(X ≤ b) − P(X ≤ a) = F (b) − F (a)

Les caractéristiques ont pour objectif de synthétiser la variable

Ainsi, le nombre moyen de commandes par jour est à peu près

L’ecart type de X est le nombre défini par :

Une variable aléatoire continue est définie par sa fonction de

F (x) = P(X ≤ x).

lim F (x) = 0 et lim F (x) = 1

2. ∀a, b ∈ R P(a < X ≤ b) = F (b) − F (a).

F (x) = P(X ≤ x).

lim F (x) = 0 et lim F (x) = 1

2. ∀a, b ∈ R P(a < X ≤ b) = F (b) − F (a).

I La variance d’une variable aléatoire continue X et de

= x f (x)dx − (E(X ))2 .

1. Déterminer la valeur de k pour que f puisse être

avec COV (X , Y ) = E(X .Y ) − E(X ).E(Y ).

On dit également que X suit une loi de Bernoulli B(1, p) = B(p).

I Autre Définition : Une variable de Bernoulli traduit une

Principe du shéma Binomiale

P(X = k ) = Cnk pk q n−k = Cnk pk (1 − p)n−k

On dit que X suit une loi binomiale de paramètre n, p et on

E(X ) = E(X1 + X2 + . . . + Xn ) = E(X1 ) + E(X2 ) + . . . + E(Xn )

B(n, p) −→ P(np) lorsque n −→ +∞ et p −→ 0.

En pratique : Les conditions d’approximation sont les suivantes

Ainsi, la loi B(200; 0, 02) peut être approchée par la loi

P(X = 0) = 0, 0183, P(X = 2) = 0, 1465

En pratique, les n épreuves de Bernoulli successives ne sont

P(X ≥ 2) = 1 − P(X < 2) = 1 − P(X ≤ 1)

Cette loi s’appelle la loi exponentielle sur R+ . Soit X v.a.

La courbe représentative de f est symétrique par rapport de la

La loi de T est centrée car E(T ) = 0 et elle est réduite car