Cours Proba Complet - S3 - PDF - PDF Version 1

Probabilités et Statistiques
Otheman Nouisser
Ecole Nationale de Commerce et Gestion

Kénitra
20 septembre 2012
Otheman Nouisser ENCG-Kénitra

Plan
1. Chapitre I : Analyse Combinatoire. Dénombrement
1. Chapitre II : Calcul des probabilités
2. Chapitre III : Variables Aléatoires

3. Chapitre IV : Lois usuelles de Probabilités

I- Principe multiplicatif III- Arrangement (Sans répétition) IV- Combinaisons (sans répétition) Permutation avec répétition Echantillonage Notion sur la théo
Introduction
Exemple
Un sac contient 10 boules indiscernables au toucher : 4 boules
blanches, 6 boules noires. On tire simultanément du sac 3 boules.
Calculer la probabilité d’avoir : 3 boules blanches.
des boules différentes.
Les boules sont indescernables, les tirages sont équiprobables.
Pour calculer la probabilité il faut d’abord calculer :
Le nombre de tirages possibles de 3 boules parmi 10 : Cas
possibles.
Le nombre de tirages de trois 3 boules blanches parmi les 4 :
cas favorables.

Chap I : Analyse Combinatoire. Dénombrement
Définition
L’analyse combinatoire est le développement de quelques techniques
permettant de déterminer le nombre de résultat possibles d’une
experience particulière. 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.

I- Principe multiplicatif
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.
Remarque
- Si chacune des étapes d’un choix séffectue avec chacune des
autres, on applique alors la règle de multiplication.
Par contre,
- Si un choix peut peut se faire ou bien d’une façon ou bien d’une
autre, on applique la règle d’addition.

Conséquence
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.

Conséquence
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.

Exemple
Jacques arrive au restaurant. Il désire prendre un repas complet
(c’est à dire un potage, un plat de résistance, un légume, un dessert
et une boisson). On lui présente un menu à la carte offrant un choix
de 6 potages, 4 plats de résistance, 3 légumes, 5 desserts et 8
boissons.
Combien de repas complets différents jacques peut-il composer ?
Ici, la composition d’un repas complets suppose un choix de potage

avec un choix de plat de résistance avec un choix de légume avec un
choix de dessert avec enfin un choix de boisson. Pour calculer le
nombre de repas complet qu’il est ainsi possible de composer, on
utilise le principe de multiplication.

Illustration de la règle de multiplication
Souvent lorsque on a un problème qui fait appel à la règle de
multiplication, on en présente la solution à l’aide de cases adjacentes
à l’intérieure on inscrit le nombre de possibilités pour chacune des
étapes de choix. Ainsi dans notre exemple on a :
6 4 3 5 8
- on a effectué 5 choix successifs.

- Ces choix s’effectuent les uns avec les autres.
- Il existe 6 façons d’effectuer le premier de ces choix.
- 4 façons pour le deuxième,
- 3 façons pour le troisième,
- 5 façons pour le quatrième et
- 8 façons pour le cinquième ;
enfin, le nombre total de possibilités de repas correspond au produit
des nombres qu’on retrouve dans chacune de ces cases, à
savoir :6 × 4 × 3 × 5 × 8 = 2880.
Exemple
Jacques vient au restaurant pour prendre une collation ( c’est-à-dire
ou bien un potage, ou bien un sandwich, ou bien un dessert). On lui
présente un menu offrant un choix de 5 potages, 7 sandwiches et 4
desserts. Combien de collations différentes peut-il choisir ?
Dans ce cas-ci, comme jacques doit effectuer son choix de la façon

suivante :
P ou bien S ou bien D
P1 ou P2 ou · · · P5 ou S1 ou · · · S7 D1 ou · · · D4 .
On doit faire appel à la règle d’addition pour calculer qu’il a
5 + 7 + 4 = 16 possibilités de collations différentes.

II- Permutations
Définition
Une permutation de n éléments distincts est une disposition
ordonnée de ces n éléments.
Exemple
Considérons 4 personnes qui prennent places successivement sur
un bac à 4 places. Combien de dispositions ordonnées (c.à.d
permutations) existe-t-il ?

II- Permutations
- La première personne a le choix entre 4 places =⇒ 4 dispositions

possibles pour cette personne.
- La deuxième personne n’a le choix qu’entre 3 places =⇒ 4 × 3
dispositions possibles pour ces deux personnes.
- La troisième personne n’a le choix qu’entre 2 places =⇒ 4 × 3 × 2
dispositions possibles pour ces trois personnes.
- 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) est donc :
P4 = 4 × 3 × 2 × 1 = 24.

II- Permutations
Théorème
Le nombre de permuations de n éléments distincts noté Pn est donné
par :
Pn = n(n − 1)(n − 2) · · · × 3 × 2 × 1 = n!.
Preuve.
Soit n éléments a1 , a2 , · · · , an .
a1 : on peut le mettre dans n’importe qu’elle case, donc on a n
possibilités.
a2 : on peut le mettre dans n − 1 cases, donc il y a n − 1 possibilités.
..
.
an : on peut le mettre dans une case, donc une seule possibilités.
D’où il y a n(n − 1) · · · 2 = n! dispositions ordonnées.

II- Permutations
Exemple
1- Donner le nombre des permutations qu’il est possible de former
avec les éléments a, b, c.
2- Une étudiante a reçu 5 livres différents en cadeau. De combien de
façons peut-elle les disposer entre des appuis-livres ?
L’étudiante doit simplement disposer ses livres différents l’un à coté

de l’autre., c.à.d., une permutation de 5 éléments. Ainsi le nombre de
dispositions est le nombre de permutation qui égale à 5!.

II- Permutations
Exemple
1- Donner le nombre des permutations qu’il est possible de former
avec les éléments a, b, c.
2- Une étudiante a reçu 5 livres différents en cadeau. De combien de
façons peut-elle les disposer entre des appuis-livres ?
L’étudiante doit simplement disposer ses livres différents l’un à coté

de l’autre., c.à.d., une permutation de 5 éléments. Ainsi le nombre de
dispositions est le nombre de permutation qui égale à 5!.

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.
Remarque
Si p ≤ n (répétition non permise)

Si p = n : un arrangement est une permutation.

III- Arrangement (Sans répétition)
Exemple
Considérons 7 personnes qui sont condidats pour occuper 3 postes.
De conbien de façon différentes peut-on pourvoir ces 3 postes.
- Pour le 1er poste on a 7 possibilités.
- Pour le 2ème poste on a 6 possibilités.
- Pour le 3ème poste on a 5 possibilités.
Au total, il y a 7 × 6 × 5 = 210 possibilités.


D’une manière général, on a le résultat suivant
Théorème
Le nombre d’arrangements de p éléments choisis parmi n noté Apn est
donné par :
n!
Apn = n(n − 1)(n − 2) · · · (n − p + 1) = .
(n − p)!
Preuve
Pour la première place on a n possibilités.
Pour la deuxième place on a n − 1 possibilités.
de proche en proche on a :
Pour la pième place on a :n − p + 1 possibilités.
n!
Ainsi, au total il y a n × (n − 1) × · · · × (n − p + 1) = .
(n − p)!

Exemple
Combien de tiercés peut-on fomrer si une course comporte 12
cheveaux ?
C’est un arrangement de 3 parmi 12 donc le nombre de tiercés est
A312 = 12!
9! = 1320.
Remarque
Un arrangement avec répétition de p éléments parmi n est une
disposition ordonnée de p éléments avec autant de répétition que l’on
souhaite.
Le nombre d’arrangements avec répétition est de np .

IV- Combinaisons (sans répétition)
Définition
Une combinaison de p éléments parmi n est une disposition
non-ordonnée de p éléments distincts choisis parmi n éléments
distincts.
Remarque
L’ordre n’intervient pas ici. Par exemple les ensembles suivants sont
pareils : {a,b,c}={a,c,b}={b,a,c}={b,c,a}.
Exemple
Considérons l’ensemble E = {1, 2, 3}. Le nombre des combinaisons
de deux éléments choisis parmi les 3 éléments est 3 à savoir
{1, 2}; {1, 3}; {2, 3}.

D’une manière générale, on a le résultat suivant.
Théorème
Le nombre de combinaisons de p éléments choisis parmi n éléments,
noté Cnp , est donné par :
n!
Cnp = .
p!(n − p)!
Preuve
A partir d’une combinaison de p éléments on peut faire p!
arrangements, c.à.d.,
1 p
Apn = p!Cnp =⇒ Cnp = A .
p! n

Proposition
Cn0 = Cnn = 1
j
Cn+1 = Cnj−1 + Cnj
n
X
(a + b)n = Cnk ak bn−k Formule de Binôme de Newton.
k =0

Exemple
Une "main" est constituée de 13 cartes placées dans un ordre
quelconque. Calculer le nombre de "mains" distinctes susceptibles
d’être formées à partir d’un jeu de 52 cartes ?
C’est une combinaison de 13 parmi 52, donc le nombre de mains
est :
13 52!
C52 = = 635013560000.
39!13!

V- Permutation avec répétition
Théorème
Le nombre de permutation de n objets dont n1 sont semblables, n2
n!
sont semblables, · · · , nk sont semblables est : .
n1 !n2 ! · · · nk !
Exemple
Quel est le nombre d’anagrammes différents ayant un sens ou non
qu’il est possible de former avec les lettres du mot : SES.
Ce mot comporte deux fois la lettre S. On notera S1 , S2 , E, alors les
possibiltés qu’on a sont :

ES1 S2 S1 S2 E S1 ES2
ESS = , SSE = , SES =
ES2 S1 S2 S1 E S2 ES1
Le nombre d’angrammes avec les lettres indexées est P3 = 3! = 6,

mais si on élimine la répétition on a : 3!
2! = 3.

V- Permutation avec répétition
Exemple
Refait le même exemple avec les mots : TETE et CASABLANCA.

VI- Echantillonage
Définition
Soit une population de n éléments. On appelle un échantillon de taille
k, toute suite ordonnée de k éléments de cette population.
Exemple
On extrait r boules l’une après l’autre d’une urne contenant n boules.
On considère deux cas :
i) Echantillon non-exhaustifs (avec remise) : Dans ce cas avant de
tirer une nouvelle boule, on remet dans l’urne la boule qu’on vient
d’extraire, il y a n façons différentes d’extraires chaque boule, et donc
il y a n × n × n × · · · × n = nr exhantillon non-exhaustif difféfents de
taille r .
ii) Echantillons exhaustifs ( sans remise) : ici on ne remet pas la
boule tirée, c’est donc un arrangement sans répétition de r objets
parmi n, il y a donc Arn échantillon exhaustif de taille r .

VI- Echantillonage
Exemple
De combien de façon peut-on tirer l’une après l’autre, 3 cartes d’un
jeu de 52 cartes.
i) Si le tirage est non-exhautif : il y a (52)3 façons.
ii) Si le tirage est exhaustif : il y a A352 façons.

VII- Notion sur la théorie des ensembles
Définitions et propriétés
- Un ensemble est une collection d’objets appelés éléments.
- L’ensemble vide noté ∅ est l’ensemble qui ne contient aucun
élément.
- 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}, ∅}.

Soient Ω, A, B ∈ P(Ω)
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.
Complémentaire : A est l’ensemble des éléments de Ω qui
n’appartiennent pas à A appelé
complémentaire de A.
Union : A ∪ B : (x ∈ A ∪ B ⇔ x ∈ A ou x ∈ B).
Intersection : A ∩ B : (x ∈ A ∩ B ⇔ x ∈ A et x ∈ B).

Remarque
1- A ∪ A = A; A ∩ A = A; A ∪ ∅ = A; A ∩ ∅ = ∅,
2- Si A ⊂ B alors A ∪ B = B et si A ⊂ B alors A ∩ B = A.
A et B sont dits disjoints si et seuleument si A ∩ B = ∅.
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 :
A∪B =B∪A
A∩B =B∩A
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ c) = (A ∩ B) ∪ (A ∩ C)
A∩B =A∪B
A∪B =A∩B

VIII- Notion de cardinal
Si Ω a un nombre fini d’éléments, alors pour tout A ∈ P(Ω), alors A a

également un nombre fini d’éléments.
cardinal de A, noté card(A) est le nombre d’éléments de A.
Proposition
card(A) = card(Ω) − card(A)
card(A ∪ B) = card(A) + card(B) − card(A ∩ B)
card(A \ B) = card(A) − card(A ∩ B)
card(∅) = 0

Chapitre II: Théorie élémentaire de probabilités
Otheman Nouisser

Kénitra
3 octobre 2011
Otheman Nouisser ENCG-Kénitra, 2010

Plan
I. Notions générales (Vocabulaire probabiliste)
II. Notion de probabilités
III. Théorème des probabilités totales
IV. Probabilités composées et conditionnelles
V. Problèmes relatifs aux calculs des probabilités

Notions générales :(Vocabulaire probabiliste)
1- 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.

Notions générales (Vocabulaire probabiliste)
2- 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}.

3- 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 :
chiffre pair : E1 = {2, 4, 6}.
chiffre impair : E2 = {1, 3, 5}.

Remarque
- Un événement impossible noté ∅, n’est jamais réalisé.

- L’événement Ω est appelé événement certain (car il est toujours
réalisé).

Relations logiques entre les événements
1- Evénement complémentaire :
Définition
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 réalise.
⇓
A = CΩA = Ω \ A.
A est appelé aussi l’événement contraire.
Exemple
Soit l’épreuve qui consiste à lancer un dé. Désignons A l’événement
hh obtenir un nombre pair ii.
A = {2, 4, 6} ⇒ A = {1, 3, 5}.

1- Evénement complémentaire :
Définition
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 réalise.
⇓
A = CΩA = Ω \ A.
A est appelé aussi l’événement contraire.
Exemple
Soit l’épreuve qui consiste à lancer un dé. Désignons A l’événement
hh obtenir un nombre pair ii.
A = {2, 4, 6} ⇒ A = {1, 3, 5}.

2- Intersection d’événements- Evénements incompatibles :
Définition
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
On lance un dé et on note la face visible. Soient les événements
- A : hh Obtenir un nombre pair ii, i.e., A = {2, 4, 6},
- 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
Deux événements A et B d’un même univers Ω, sont dits
incompatibles (ou exhaustifs) si A ∩ B = ∅. (c.à.d., leur réalisation
simultannée est impossible).

Définition
Exemple
Définition

Définition
Exemple
Définition

3- Réunion des événements :
Définition
La réunion de deux événements A et B d’un même univers, notée
A ∪ B, est l’événement qui est réalisé si A ou B sont réalisés.
Exemple
Un dé est lancé et on note le chiffre de la face invisible.
- Soit l’événement A : obtenir un chiffre pair, i.e., A = {2, 4, 6}.
- 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}.

3- Réunion des événements :
Définition
La réunion de deux événements A et B d’un même univers, notée
A ∪ B, est l’événement qui est réalisé si A ou B sont réalisés.
Exemple
Un dé est lancé et on note le chiffre de la face invisible.
- Soit l’événement A : obtenir un chiffre pair, i.e., A = {2, 4, 6}.
- 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}.

Notion de probabilité
Définition
Un ensemble σ, non vide, d’événements de Ω est une algèbre
d’événements si :
∀A ∈ σ, A∈σ
∀A ∈ σ, ∀B ∈ σ, A∪B ∈σ
Remarque
Dans le cas où Ω est fini, P(Ω) est une algèbre d’événements.

Définition
Soit σ une algèbre d’événements de Ω. On dit que σ est une tribu si :
Pour toute suite infinie dénombrable A1 , A2 , · · · , An , · · · d’éléments de
∞
[
σ alors Ai ∈ σ.
i=1
Conséquence :
∞
\
Ai ∈ σ
i=1
On appelle espace probabilisable un couple (Ω, σ) constitué d’un

ensemble Ω et d’une tribu d’événements σ de parties de Omega.

Définition
Soit (Ω, σ) un espace probabilisable. Une probabilité P est une
application P : σ → [0, 1] telle que :
P(Ω) = 1
∀A ∈ σ, ∀B ∈ σ tels que A ∩ B = ∅ on a
P(A ∪ B) = P(A) + P(B).
Si A0 , A1 , · · · , An , · · · est une suite dénombrable d’événements

incompatibles deux à deux, alors :
∞ ∞
!
[ X
P Ai = P(Ai ).
i=1 i=0
On appelle espace probabilisé un triplet (Ω, σ, P).

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, σ, P) est un espace probabilisé,

c.à.d, P une probabilité sur Ω.

Notion de probabilités
Probabilité de l’événement contraire
Soit un événement A et son contraire A. Alors
P(A) = 1 − P(A)
Preuve.
On a A et A sont deux événements incompatibles et donc
P(A ∪ A) = P(A) + P(A).
Or
A∪A=Ω
⇓
P(A) + P(A) = 1
D’où le résultat.
Probabilité de l’événement contraire
Soit un événement A et son contraire A. Alors
P(A) = 1 − P(A)
Preuve.
On a A et A sont deux événements incompatibles et donc
P(A ∪ A) = P(A) + P(A).
Or
A∪A=Ω
⇓
P(A) + P(A) = 1
D’où le résultat.
Remarque
la probabilitée de l’événement impossible est nulle, c.à.d., P(∅) = 0.
Preuve
Soit l’événement impossible ∅, et un événement quelconque A. Alors
A et ∅ sont deux événements incompatibles puisque A ∩ ∅ = ∅.
Donc :
P(A ∪ ∅) = P(A) + P(∅)
Or
A ∪ ∅ = A =⇒ P(A ∪ ∅) = P(A) = P(A) + P(∅)
D’où
P(∅) = 0.

Remarque
la probabilitée de l’événement impossible est nulle, c.à.d., P(∅) = 0.
Preuve
Soit l’événement impossible ∅, et un événement quelconque A. Alors
A et ∅ sont deux événements incompatibles puisque A ∩ ∅ = ∅.
Donc :
P(A ∪ ∅) = P(A) + P(∅)
Or
A ∪ ∅ = A =⇒ P(A ∪ ∅) = P(A) = P(A) + P(∅)
D’où
P(∅) = 0.

Probabilité d’un événement

La probabilité d’un événement A est égale à la somme des
probabilités des événements élémentaires qui constituent cet
événement. Autrement dit : Soit A = {w1 , w2 , · · · , wp } comportant p
événements élémentaires, alors
p
X
P(A) = P(wi ).
i=1

Exemple
Un dé pipé (dé non équilibré) a été lancé un grand nombre de fois.
Les probabilités des événements suivants ont été relevées :
événement 1 2 4 5 chiffre pair
Probabilité de l’événement 0, 1 0, 1 0, 2 0, 2 0, 6
Quelle est la probabilité de l’événement A : Obtenir un chiffre pair

ou égal à 5 ?
Solution
Dans ce cas A = {2, 4, 5, 6} et donc
P(A) = P(2) + P(4) + P(5) + P(6).
Considérons l’événement B : Obtenir un chiffre pair , on a alors :
P(B) = P(2) + P(4) + P(6) = 0, 6
ce qui donne que P(6) = 0, 3 et par conséquent P(A) = 0, 8.

Exemple
Un dé pipé (dé non équilibré) a été lancé un grand nombre de fois.
Les probabilités des événements suivants ont été relevées :
événement 1 2 4 5 chiffre pair
Probabilité de l’événement 0, 1 0, 1 0, 2 0, 2 0, 6
Quelle est la probabilité de l’événement A : Obtenir un chiffre pair

ou égal à 5 ?
Solution
Dans ce cas A = {2, 4, 5, 6} et donc
P(A) = P(2) + P(4) + P(5) + P(6).
Considérons l’événement B : Obtenir un chiffre pair , on a alors :
P(B) = P(2) + P(4) + P(6) = 0, 6
ce qui donne que P(6) = 0, 3 et par conséquent P(A) = 0, 8.

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).

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).

Preuve.
Soient deux événement A et B non incompatibles. Alors A ∪ B peut
s’écrire A ∪ B = A ∪ (A ∩ B). Or A et (A ∩ B) sont incompatibles. Donc
P(A ∪ B) = P(A) + P(A ∩ B), (1)
Par ailleur, B = (A ∩ B) ∪ (A ∩ B), puisque les deux événements

(A ∩ B) et (A ∩ B) sont incompatibles on a :
P(B) = p(A ∩ B)) + P(A ∩ B),
d’où
P(A ∩ B) = P(B) − P(A ∩ B). (2)
Ainsi, en reportant l’expression de P(A ∩ B) dans l’équation (1), on
obtient le résulat.

Exemple
Considérons l’expérience de l’exemple précédent. Calculer la
probabilités de l’événement : obtenir un chiffre pair ou supérieur
ou égal à 5 .
Solution
Considérons les événements suivants :
A l’événement : obtenir un chiffre pair ou ≥ 5 .
B l’événement : obtenir un chiffre pair .
D l’événement : 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(D) = P(5) + P(6) = 0, 5 et

P(B ∩ D) = P(6) = 0, 3, ainsi on a P(A) = 0, 8.

Exemple
Considérons l’expérience de l’exemple précédent. Calculer la
probabilités de l’événement : obtenir un chiffre pair ou supérieur
ou égal à 5 .
Solution
A l’événement : obtenir un chiffre pair ou ≥ 5 .
B l’événement : obtenir un chiffre pair .
D l’événement : 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(D) = P(5) + P(6) = 0, 5 et

P(B ∩ D) = P(6) = 0, 3, ainsi on a P(A) = 0, 8.

Exemple
Soit C, l’événement obtenir un chiffre impair ou inférieur ou égal à
3 . Calculer la probabilité de C.
Solution
Soient B, l’événemnt obtenir un chiffre impair
et E, l’événement obtenir un chiffre inférieur ou égal à 3 .
Alors
P(B) = 0, 4, P(E) = P({1, 2, 3}) = 0, 1 + 0, 1 + 0, 1 = 0, 3.
P(B ∩ E) = P({1, 3}) = 0, 1 + 0, 1 = 0, 2.
P(C) = P(B ∪ E)
= P(B) + P(E) − P(B ∩ E)
= 0, 4 + 0, 3 − 0, 2 = 0, 5.

Exemple
Soit C, l’événement obtenir un chiffre impair ou inférieur ou égal à
3 . Calculer la probabilité de C.
Solution
Soient B, l’événemnt obtenir un chiffre impair
et E, l’événement obtenir un chiffre inférieur ou égal à 3 .
Alors
P(B) = 0, 4, P(E) = P({1, 2, 3}) = 0, 1 + 0, 1 + 0, 1 = 0, 3.
P(B ∩ E) = P({1, 3}) = 0, 1 + 0, 1 = 0, 2.
P(C) = P(B ∪ E)
= P(B) + P(E) − P(B ∩ E)
= 0, 4 + 0, 3 − 0, 2 = 0, 5.

Cas particulier : équiprobabilité des événements
élémentaires
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.
Les événements élémentaires sont incompatibles, donc on a :
P(Ω) = P(w1 ) + P(w2 ) + · · · + P(wn ) = nP(wi ) = 1, ∀i = 1, · · · , n.
1 1
Ainsi P(w1 ) = P(w2 ) = · · · = P(wn ) == .
n cardΩ
En conséquence on a le résultat suivant

Cas particulier : équiprobabilité des événements
élémentaires
Proposition
Soit Ω un ensemble fini et A ∈ P(Ω), où les événements élémentaires
sont équiprobables. Alors
nombre d’éléments de A
P(A) =
nombre d’éléments de Ω
cardA
=
cardΩ
nombre de cas favorables à la réalisation de A
= .
nombre de cas possibles

Cas d’équiprobabilité
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 :
cardA 1
P(A) = = ,
cardΩ 6
cardB 5
P(B) = = 1 − P(6) = ,
cardΩ 6
cardC 2
P(C) = = P(2) + P(6) = P({2, 6}) = .
cardΩ 6

Cas d’équiprobabilité
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 :
cardA 1
P(A) = = ,
cardΩ 6
cardB 5
P(B) = = 1 − P(6) = ,
cardΩ 6
cardC 2
P(C) = = P(2) + P(6) = P({2, 6}) = .
cardΩ 6

Probabilités composées et conditionnelles
Soient (Ω, σ, P) un espace probabilisé, A ∈ σ et B ∈ σ tels que

P(A) 6= 0 et P(B) 6= 0.
1- Probabilités conditionnelles :
Définition
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) = PB (A) = .
P(B)

Soient (Ω, σ, P) un espace probabilisé, A ∈ σ et B ∈ σ tels que

P(A) 6= 0 et P(B) 6= 0.
1- Probabilités conditionnelles :
Définition
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) = PB (A) = .
P(B)

Exemple
1- Une carte est tirée au hasard dans un jeu qui comporte 52 cartes.
Quelle est la probabilité que cette carte soit une dame sachant qu’il
s’agit d’un trèfle ?
Solution
Considérons les évenements D : Tirer une dame et T : tirer
un trèfle , alors
P(D ∩ T ) 1/52 1
P(D/T ) = = = .
P(T ) 13/52 13

Exemple
1- Une carte est tirée au hasard dans un jeu qui comporte 52 cartes.
Quelle est la probabilité que cette carte soit une dame sachant qu’il
s’agit d’un trèfle ?
Solution
Considérons les évenements D : Tirer une dame et T : tirer
un trèfle , alors
P(D ∩ T ) 1/52 1
P(D/T ) = = = .
P(T ) 13/52 13

Exemple
2- 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 ,
2
d’où P(A ∩ B) = P({1, 3}) = .
6

Exemple
2- 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 ,
2
d’où P(A ∩ B) = P({1, 3}) = .
6

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 vérifie :
P(A ∩ B) P({1, 3}) 2/6 2

P(A/B) = = = = .
P(B) P({1, 2, 3, 4, 6}) 5/6 5

2-Probabilités composées
Les probabilités conditionnelles permettent de calculer la probabilité

composée de deux événements.
Définition
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).

2-Probabilités composées
Les probabilités conditionnelles permettent de calculer la probabilité

composée de deux événements.
Définition
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).

Exemple
Un sac contient 10 boules indescernables au toucher : 4 boules sont
blanches, 6 boules sont noires. Une personne tire l’une après l’autre,
sans remise 3 boules.
Quelle est la probabilité d’obtenir dans l’ordre : une blanche, une
noire, une blanche ?

Solution
A, l’événement tirer une boule blanche au premier tirage .
B, l’événement tirer une boule noire au deuxième tirage .
C, l’événement Tirer une boule blanche au troisième tirage .
Le problème c’est de calculer P(A ∩ B ∩ C).
Le fait d’effectuer des tirages sans remise réduit le nombre de
possibilités de choix et rend les tirage successifs dépendants.
4
1er tirage, il y a 4 blanches parmi 10, donc P(A) = .
10
6
2ème tirage, il reste 3 blanches et 6 noires, donc P(B/A) = .
9
3ème tirage, il reste 3 blanches et 5 noires, donc
3
P(C/(A ∩ B) = .
8
Ainsi
4 63
P(A∩B ∩C) = P(A)×P(B/A)×P(C/(A∩B)) = = 0, 1 = 10%.
10 9 8
3- Indépendance de deux événements
Les probabilités conditionnelles permettent de déduire 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) = P(A/B), ou par P(B) = P(B/A)
D’autre part, on a :
P(A ∩ B) P(A ∩ B)
P(A/B) = ; P(B/A) = ,
P(B) P(A)
D’où
Proposition
Deux événements A et B sont indépendants si et seuleument si
P(A ∩ B) = P(A)P(B).

Remarque
1- Il est important de ne pas confondre incompatibilité (A ∩ B = ∅) de

deux événements et indépendance de deux événements, notion qui
se réfère à la probabilité des événements et qui permet de calculer la
probabilité de la réalisation simultanée de deux événements
indépendants, c.à.d., le calcul de P(A ∩ B).
2- Il est possible de généraliser la définition de l’indépendance. Les
événements E1 , E2 , · · · , En sont indépendants deux à deux si
P(E1 ∩ E2 ∩ · · · ∩ En ) = P(E1 ) × P(E2 ) × · · · × P(En ).

Exemple
Une carte est tirée d’un jeu de 52 cartes. Calculer
- La probabilitée de tirer un roi.
- La probabilité de tirer un roi sachant que la carte tirée est un coeur.
- La probabilitée de tirer le roi de coeur. Commenter.

Solution
Soient A l’événement tirer un roi et B l’événement tirer un
coeur . Alors on a :
4 1 13 1
P(A) = = , P(B) = , P(A ∩ B) = ,
52 13 52 52
avec A ∩ B, l’événement tirer un roi de coeur .
1 13 1
On constate que P(A ∩ B) = P(A) × P(B) = × = , ce qui
13 52 52
signifie que les événements A et B sont indépendants. On a aussi,
1
P(A ∩ B) 1
P(A/B) = = 52 = = P(A),
P(B) 13 13
52
Le fait de savoir que la carte est un coeur ne réduit pas les
possibilités. Les deux événement sont indépendants mais ils ne sont
pas incompatibles puisque A ∩ B 6= ∅.

4- Théorème de Bayes
Soient A et B deux événements de Ω tels qu’on sait calculer

P(B); P(B); P(A/B); P(A/B)
Problème inverse : Calculer P(B/A) ?
Théorème
(Formule de Bayes)
P(B)P(A/B)
P(B/A) = .
P(B)P(A/B) + P(B)P(A/B)

4- Théorème de Bayes
Soient A et B deux événements de Ω tels qu’on sait calculer

P(B); P(B); P(A/B); P(A/B)
Problème inverse : Calculer P(B/A) ?
Théorème
(Formule de Bayes)
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)
=

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).
Théorème
P(Ai ) × P(B/Ai )
P(Ai /B) = n
.
X
P(Aj )P(B/Aj )
j=1

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.
Quelle est la proportion de personnel ayant une formation
supérieure ?
Sachant qu’il a une formation supérieure, quelle est la probabilité
qu’un employé soit une femme ?

Solution
Considérons les évévenements suivants : A : Etre un employé
femme .
B : Etre un employé de formation supérieure .
Alors, on a :
P(A) = 0, 8; P(B/A) = 0, 08; P(A) = 0, 2; P(B/A) = 0, 24, et on a
aussi
P(B) = P(B ∩ (A ∪ A)) = P(B ∩ A) + P(B ∩ A),

= P(A)P(B/A) + P(A)P(B/A),
= 0, 8.0, 08 + 0, 2.0, 24 = 0, 112.
Ainsi on aura
P(A)P(B/A)
P(A/B) = .
P(A)P(B/A) + P(A)P(B/A)

Exemple
Trois machines M1 , M2 , M3 produisent respectivement 50%, 30% et

20% de la production d’un produit. 2% des produits fabriqués par M1 ,
3% des produits fabriqués par M2 et 5% des produits fabriqués par
M3 sont défectueux. Un produit est prélevé au hasard. Quelle est la
probabilité qu’il ait été fabriqué par la machine M2 , sachant qu’il est
défectueux ?

Solution
M1 : Produit fabriqué par M1 , M2 : Produit fabriqué par M2 ,
M3 : Produit fabriqué par M3 , D : Produit fabriqué est
défectueux .
Alors on a :
P(M1 ) = 0, 5; P(M2 ) = 0, 3; P(M3 ) = 0, 2,
P(D/M1 ) = 0, 02; P(D/M2 ) = 0, 03; P(D/M3 ) = 0, 05.

D’après le théorème de Bayes, on obtient :
P(M2 )P(D/M2 )
P(M2 /D) = .
P(M2 )P(D/M2 ) + P(M2 )P D/M2

suite
Or, P(M2 ) = 1 − P(M2 ) = 0, 7 et
P(M2 )P(D/M2 ) = P(D ∩ M2 ) = P(D ∩ (M1 ∪ M3 ))

= P(D ∩ M1 ) + P(D ∩ M3 )
= P(M1 )P(D/M1 ) + P(M3 )P(D/M3 )
= 0, 5 × 0, 02 + 0, 2 × 0, 05 = 0, 02.
Ainsi,
P(M2 /D) = 0, 3103.
Quelle est la probabilité qu’un produit séléctionné au hasard ait été
fabriqué par la machine M3 , sachant qu’il n’est pas défectueux ?
Ceci revient à calculer P(M3 /D).

Problèmes relatifs aux calculs des probabilités
1- Cas des épreuves exhaustives (sans remise).

Une urne contient N boules, dont a noires et b blanches. Quelle est
la probabilité de tirer au hasard et simultanément n boules dont k
noires et (n − k ) blanches (k ≤ n) ?
- Cas possibles : choisir n boules parmi N boules, donc il y a

CNn = Ca+b
n
possibilités.
- Cas favorables : k boules noires et (n − k ) boules blanches, alors il
y a Cak × Cbn−k possibilités favorables.
Ainsi, la probabilité est donnée par
cas favorables C k × C n−k

P= = a n b
cas possibles Ca+b

Problèmes relatifs aux calculs des probabilités
1- Cas des épreuves exhaustives (sans remise).

Une urne contient N boules, dont a noires et b blanches. Quelle est
la probabilité de tirer au hasard et simultanément n boules dont k
noires et (n − k ) blanches (k ≤ n) ?
- Cas possibles : choisir n boules parmi N boules, donc il y a

CNn = Ca+b
n
possibilités.
- Cas favorables : k boules noires et (n − k ) boules blanches, alors il
y a Cak × Cbn−k possibilités favorables.
Ainsi, la probabilité est donnée par
cas favorables C k × C n−k

P= = a n b
cas possibles Ca+b

Problème relatifs aux calculs des probabilités
2- Cas des épreuves non-exhaustives (avec remise)

Une urne contient N boules, dont a noires er b blanches. Quelle est
la probabilité qu’après une série de n tirages non-exhaustifs et au
hasard, on obtient k boules noires et (n − k ) blanches.
ici on travail dans le cas équiprobable, alors :
a
- La probabilité de tirer une boule noire est : p = .
N
b
- La probabilité de tirer une boule blanche est : q = 1 − p = .
N
i- Probabilité de tirer dans l’ordre k boules noires et (n − k ) boules
blanches
Dans ce cas on a la possibilité suivante :
N N N ··· N B B ··· B
et donc on a la probabilité P = pk (1 − p)n−k .

2- Cas des épreuves non-exhaustives (avec remise)

Une urne contient N boules, dont a noires er b blanches. Quelle est
la probabilité qu’après une série de n tirages non-exhaustifs et au
hasard, on obtient k boules noires et (n − k ) blanches.
ici on travail dans le cas équiprobable, alors :
a
- La probabilité de tirer une boule noire est : p = .
N
b
- La probabilité de tirer une boule blanche est : q = 1 − p = .
N
i- Probabilité de tirer dans l’ordre k boules noires et (n − k ) boules
blanches
Dans ce cas on a la possibilité suivante :
N N N ··· N B B ··· B
et donc on a la probabilité P = pk (1 − p)n−k .

ii- Probabilité de tirer dans un ordre quelconque ces même boules

Il y a Cnk manière de placer k boules noires dans n cases différentes.
Les (n − k ) cases qui restent sont évidement occupées par des
blanches. Chaque manière à pour probabilité pk (1 − p)n−k . Ainsi :
P(k ) = Cnk pk (1 − p)n−k c’est la formule de Bernoulli.

Exemple
On jette une pièce de monnaie 10 fois. Quelle est la probabilité
d’avoir 6 faces et 4 piles ?
4
P(pile) = 1/2, P(4) = C10 (1/2)6 (1/2)4 = C10
4
(1/2)10 .

Chapitre III: Variables aléatoires
Otheman Nouisser

Kénitra
14 novembre 2011

Plan
I. Variables aléatoires discrètes
I.1. Loi de probabilité et fonction de répartition
I.2. Caractéristique d’une variable aléatoire discrète
II. Variables aléatoires continues
II.1. Fonction de répartition et fonction de densité d’une

variable aléatoire continue
II.2. Caractéristique d’une variable aléatoire continue

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 qu 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 du
événements de Ω et peut prendre les valeurs {−1, 0, 2}.
X (1) = X (6) = −1; X (2) = X (3) = X (6) = 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 sont
1
équiprobables, P({i}) = , i = 1, 2, 3, 4, 5, 6.
6
On veut savoir la probabilité que le joeur A gagne 2Dh. On a
1
P(X = 2) = P[wtel queX (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
X : Ω −→ R
variable aléatoire réelle X , toute application .
wi 7−→ xi
On note :
[X = xi ] = {w ∈ Ω tel que X (w) = xi } est un événement de
l’univers Ω.
X (Ω) = {x ∈ R/∃w ∈ Ω tel que X (w) = x}. Autrement dit, X (Ω)
désigne l’ensemble des valeurs que peut prendre X .

Variable aléatoire discrète
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 (représentation graphique similaire à une variable discrète).

Exemple
Un représentant a relevé le nombre quotidien de commandes qu’il a
obtenues sur une année de 300 jours de travail.
Nbre quotidien de comandes 0 1 2 3 4 Total
Nbre 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 PTotal
P[X = xi ] 0, 1 0, 2 0, 4 0, 25 0, 05 1= i P[X = xi ]
Représentation graphique : Diagramme en bâtons

Le mode de représentation graphique que nous utiliserons pour la
fonction loi de probabilité d’une variable aléatoire discrète sera le
diagramme en bâtons. Dans ce nouveau contexte, l’axe horizontal
représentera l’ensemble R et l’axe vertical, les valeurs de PX (xi ).

Remarque
Deux variables aléatoires discrètes peuvent avoir même loi de
probabilité sans être égales.

Exemple
Considérons le lancer de deux dés, l’un bleu et l’autre rouge. Notons
X le nombre de points indiqué par le dé bleu et Y celui du rouge. Les
variables aléatoires X et Y sont définies sur le même univers
2
Ω = {1, 2, 3, 4, 5, 6} muni de l’équiprobabilité. On a
X (Ω) = Y (Ω) = {1, 2, 3, 4, 5, 6} et :
1 1
∀k ∈ {1, 2, 3, 4, 5, 6}, PX (k ) = , PY (k ) = .
6 6
Donc X et Y ont même loi : PX = PY . Pour autant, on a pas l’égalité
des variables aléatoires X et Y (X (w) = Y (w), ∀w ∈ Ω).
Par contre, on peut calculer la probabilité de l’événement {X = Y } :
6
!
[ 6 1
P[X = Y ] = P {(X , Y ) = (k , k )} = = .
36 6
k =1
On déduite que P[X 6= Y ] = 56 .

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) = F (b) − F (a).
Preuve.
[a < X ≤ b] = {w ∈ Ω tel que X (w) ≤ b et X (w) > a}
= {w ∈ Ω tel que X (w) ≤ b} ∩ {w ∈ Ω tel que X (w) > a}
= {w ∈ Ω tel que X (w) ≤ b} ∩ {w ∈ Ω tel que X (w) ≤ a}
Ainsi
“ ”
P[a < X < b] = P {w ∈ Ω tel que X (w) ≤ b} ∩ {w ∈ Ω tel que X (w) ≤ a}
= P ({w ∈ Ω tel que X (w) ≤ b}) −
P ({w ∈ Ω tel que X (w) ≤ b} ∩ {w ∈ Ω tel que X (w) ≤ a})
= F (b) − P ({w ∈ Ω tel que X (w) ≤ 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
et donc, [1, 2[ 0, 3
2 0, 3
[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 variable aléatoire discrète
Les caractéristiques ont pour objectif de synthétiser la variable

aléatoire sous la forme de valeurs significatives.
1- Espérence mathéamtique
L’espérence mathématique exprime la tendance centrale de la
variable aléatoire.
Définition
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
E(X ) = xi P[X = xi ] = xi P(xi ).
i=1 i=1

Exemple
Si on reprend l’exemple précédent, on a :
X
E(X ) = xi P(xi ) = 1, 95.
i
Ainsi, le nombre moyen de commandes par jour est 2.

Exemple
Un joueur tire au hasard une carte parmi 52. Il gagne 200 Dh si la
carte est un coeur et perd 100 Dh sinon. On note X la variable
aléatoire désignant le gain du joueur.
Définir la loi de probabilité de X et calculer son espérance.
dans ce cas X prend deux valeurs X = 200 et X = −100.
13 1 3
P(200) = = , P(−100) = .
52 4 4
l’espérence mathématique est :
1 3
E(X ) = 200 × − 100 × = −25.
4 4

2- Variance d’une variable aléatoire discrète
La variance d’une variable aléatoire discrète X , notée V (X ), exprime
la disperssion de la variable aléatoire par rapport à la tendance
centrale.
Définition
La variable aléatoire d’une variable X est donnée par :
n
X n
X
V (X ) = [xi − E(X )]2 P(xi ) = xi2 P(xi ) − (E(X ))2 .
i=1 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.

Exemple
Soit X la variable aléatoire discrète définie par
xi −2 −1 0 1 2
1 1 1 1 3
P(xi )
8 4 5 8 10
Calculer E(X ) et V (X ).

Variables aléatoires continues
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.

Variables aléatoires continues : 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 x→−∞ F (x) = 0 et lim x→+∞ F (x) = 1
2- ∀a, b ∈ R,
P(a < X ≤ b) = F (b) − F (a).
3- ∀a ∈ R,
P(a < X ) = 1 − P(X ≤ a) = 1 − F (a).
P(X < a) = P(X ≤ a) = F (a).
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 x→−∞ F (x) = 0 et lim x→+∞ F (x) = 1
2- ∀a, b ∈ R,
P(a < X ≤ b) = F (b) − F (a).
3- ∀a ∈ R,
P(a < X ) = 1 − P(X ≤ a) = 1 − F (a).
P(X < a) = P(X ≤ a) = F (a).
Exemple
Une entreprise a étudie la durée de vie de ses machines achetées.
Cette durée de vie exprimée en année, est définie par la fonction de
répartition F (x) suivante :

F (x) = 0 Si x < 0,
F (x) = 1 − e−0,42x si x ≥ 0.
1- Représenter la fonction de répartition.

2- Calculer la probabilité qu’une machine ait une duré de vie : égale à
2, 5 ans, inférieure ou égale à 2, 5 ans , inférieure strictement à 2, 5
ans, supérieure à 2, 5 ans, comprise entre 5 et 10 ans, supérieure à 8
ans.
Prenons X la variable aléatoire continue qui représente la durée
de vie en année des machines.

Variables aléatoires continues : 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
- f est une fonction positive.
Z b
- P[a ≤ X ≤ b] = f (t)dt = F (b) − F (a).
Z a a
- F (a) = f (t)dt.
−∞
Z +∞
- f (t)dt = 1 = F (+∞) − F (−∞).
−∞

Variables aléatoires continues : densité de probabilité
Exemple
Etude de la fonction de densité de l’exemple précédent. Une
entreprise a étudie la durée de vie de ses machines achetées. Cette
durée de vie exprimée en année, est définie par la fonction de
répartition F (X ) suivante :

F (x) = 0 Si x < 0,
F (x) = 1 − e−0,42x si x ≥ 0.
Représenter
R∞ graphiquement la fonction de densité et vérifie que
−∞
f (t)dt = 1.
Représenter graphiquement P(X ≤ 2, 5) et P[2 ≤ X ≤ 4] et calculer
ces probabilités.
à partir de la définition de f on a :

f (x) = 0 si x < 0,
f (x) = 0, 42e−0,42x si x ≥ 0.

Caractéristiques d’une variable aléatoire continue
Définition
1-L’espèrence mathématique d’une variable aléatoire continue X et
de densité f (x) est définie par :
Z ∞
E(X ) = xf (x)dx.
−∞
2- La variance d’une variable aléatoire continue X et de densité f (x)

est définie par :
Z ∞
V (X ) = (x − E(X ))2 f (x)dx.
−∞
En pratique, on utilise souvent la formule suivante :

Z ∞
V (X ) = x 2 f (x)dx − E(X )2 .
−∞
p
L’écart type est la racine carrée de la variance : σ(X ) = V (X ).
Exemple
Calcul de l’espérence, la variance et l’écart type de l’exemple
précédent.
Rappel de l’intégration par partie :
Z b Z b
u 0 (x)v (x)dx = [u(x)v (x)]ba − u(x)v 0 (x)dx.
a a
En utilisant la formule de l’intégration par partie, on obtient :

Z ∞ Z +∞
E(X ) = xf (x)dx = x(0, 42e−0,42x )dx
−∞ 0
Z ∞
−0,24x ∞
(−e−0,42x )dx

= −xe 0
−
0
∞
−0,24x ∞
1 −0,24x 1
= −xe 0
− e = = 2, 38ans.
0, 42 0 0, 42

Suite
de même on peut calculer la variance :
Z ∞ Z +∞
V (X ) = x 2 f (x)dx − E(X )2 = x 2 (0, 42e−0,42x )dx − (2, 38)2
−∞ 0
Z ∞
2 −0,24x ∞
= −x e 0
− (−2xe−0,42x )dx − (2, 38)2
0
∞ Z ∞
2 −0,24x ∞ 1 −0,24x 1 −0,42x
= −x e 0
− 2x e − 2 e dx −
0, 42 0 0 0, 42
2
= − (2, 38)2
0, 42 × 0, 42
= 5, 67.
L’écart type est donné par

p
σ(X ) = V (X ) = 2, 38.

Propriètés des valeurs caractéristiques
Les propriétés de l’espérence mathématique et de la variance sont

les mêmes que la variable aléatoire continue ou discrète.
Soient X , Y deux variables aléatoires et a, b deux constantes réelles.
• Indépendence de deux variables aléatoires :
Définition
On dit que X et Y sont indépendantes si pour tous couples (x, y ) :
P[X ≤ x et Y ≤ y ] = P[X ≤ x] × P[Y ≤ y ].
Dans le cas discrèt, l’indépendance s’exprime par :
P[X = x et Y = y ] = P[X = x] × P[Y = y ].

On peut démontrer facilement les propriétés suivantes.
Proposition
E(aX ) = aE(X ).
E(aX + b) = aE(X ) + b.
E(X1 + X2 + · · · + Xn ) = E(X1 ) + E(X2 ) + · · · + E(Xn ).
Si X , Y sont indépendant alors :
E(XY ) = E(X )E(Y ).
V (aX ) = a2 V (X ).
V (aX + b) = a2 V (X ).
Si X , Y sont indépendantes alors : V (X + Y ) = V (X ) + V (Y ).
Si X , Y ne sont pas indépendantes alors :
V (X + Y ) = V (X ) + V (Y ) + 2COV (X , Y ),
avec COV (X , Y ) = E(XY ) − E(X )E(Y ).

Exemple
Si on reprend l’exemple de nombre quotidien de commnades :
Calculer l’espérence mathématique et l’écart type du résultat
quotidien du représentant, sachant que chaque contrat conclu gènère
un produit de 1000 Dhs, des charges variables de 200 Dhs , et que
les charges fixes quotidiennes sont de 500 Dhs.
On note X la variable aléatoire désignant le nombre quotidien de
contract conclu. Alors
R = (1000 − 200)X − 500 = 800X − 500.
D’où,
E(R) = E(800X −500) = 800E(X )−500 = 800×1, 95−500 = 1060Dhs.
V (R) = (800)2 V (X ) = 670400.

p
σ(R) = V (R) = 818, 78.

Vecteur aléatoire
Définition
Soit Ω un univers sur lequel on a défini une probabilité P. Soit
X1 , X2 , · · · , Xd des variables aléatoires définies sur Ω. On appelle
vecteur de variables aléatoires de dimension d l’application :
−
→
X : Ω −→ Rd
→
−
w 7−→ X (w) = (X1 (w), X2 (w), · · · , Xd (w))
→
−
Les variables aléatoires Xi sont les coordonnées du vecteur X .
Un couple de vecteurs aléatoires est un vecteur aléatoire de

dimension 2.

Couple aléatoire discret
Définition
→
−
On dit qu’un vecteur aléatoire X est discret si chacune de ses
coordonnées est discrète.
Soit X et Y deux v.a. discrètes, avec X (Ω) = {x1 , x2 , · · · , xk } et
Y (Ω) = {y1 , y2 , · · · , yl }.
On définit X (Ω) × Y (Ω) = {(x, y ) : x ∈ X (Ω), y ∈ Y (Ω)}.
L’événement : {X = x} ∩ {Y = y } sera noté [X = x, Y = y ] ou
bien [(X , Y ) = (x, y )].

Couple aléatoire discret : Loi du couple
Définition
Soit (X , y ) un couple aléatoire discrèt. On appelle loi de probabilité
ou loi conjointe de (X , Y ), l’application PXY de X (Ω) × Y (Ω) dans
[0, 1] définie par ∀(x, y ) ∈ X (Ω) × Y (Ω) par
PXY (x, y ) = P[X = x, Y = y ].
La représentation de la loi conjointe de couple (X , Y ) se fait en

général à l’aide d’un tableau à double entrée.
Si on note : X (Ω) = {xi ∈ R, i ∈ I} et Y (Ω) = {yj ∈ R, j ∈ J} avec
I, J ⊂ N et pij = P[X = xi , Y = yj ] alors on a
XX XX
PXY (xi , yj ) = pij = 1.
i∈I j∈J i∈I j∈J

La fonction de répartition du couple (X , Y ) est la fonction F qui à tout

couple de réels (x, y ) associe la probabilité d’avoir simultanément les
événements (X < x) et (Y < y ). Autrement dit, F est définie par :
F : R×R −→ [0, 1]
(x, y ) 7−→ F (x, = P[(X < x) ∩ (Y < y )]
Xy )X
= PXY (xi , yj )
xi <x yj <y

Exemple
Une urne contient trois boules numérotées {1, 2, 3}. On tire
successivement et sans remise deux boules de l’urne. Soit X et Y les
numéros obtenus aux premiers et second tirages. Le résultat du
second tirage dépend du premier. Il vient donc
P[X = x, Y = y ] = P[X = x].P[Y = y /X = x].
La loi de probabilité du couple (X , Y ) est donnée dans le tableau

ci-dessous :
x \y 1 2 3
1 0 1/6 1/6
2 1/6 0 1/6
3 1/6 1/6 0

Le théorème suivant qu’on admettera, nous permet de calculer
l’espérance d’une fonction des deux variables aléatoires X et Y à
partir de la loi du couple.
Théorème
Soit (X , Y ) un couple aléatoire discrèt et f une fonction définie sur
X (Ω) × Y (Ω), à valeurs réelles. Alors l’espérance de f (X , Y ), si elle
existe, est donnée par
X
E[f (X , Y )] = f (x, y )PXY (x, y ).
(x,y )∈X (Ω)×Y (Ω)
Exemple
Reprenons l’exemple des tirages successives sans remise.
X
E(X Y ) = x y PXY (x, y ) = 4.
(x,y )∈{1,2,3}2

Couple aléatoire discret : Loi marginale
Lorsque on s’instéresse à la distribution de X (ou de Y ) seule, on

définit une loi dite marginale en X (en Y ).
Définition
Soit (X , Y ) un couple aléatoire discret. On appelle loi marginale de X ,
l’application PX : X (Ω) −→ [0, 1] définie ∀x ∈ X (Ω) par
X
PX (x) = P[X = x] = PXY (x, y ).
y ∈Y (Ω)
On définit d’une manière analogue la loi marginale de Y .

Couple aléatoire discret :Loi marginale
Exemple
Reprenons toujours l’exemple des tirages successives sans remise,
on déduit à partir de la loi de probabilité du couple (X , Y ) la loi
marginale de X :
x 1 2 3
PX (x) 1/3 1/3 1/3
de même, on trouve la loi marginale de Y :
y 1 2 3
PY (y ) 1/3 1/3 1/3

Couple aléatoire discret
Deux variables aléatoires discrètes indépendantes si et seulement si

∀(x, y ) ∈ X (Ω) × Y (Ω), on a
PXY (x, y ) = PX (x)PY (y ).
Autrement dit, la loi du couple correspond au produit des lois

marginales.
Définition
Soit (X , Y ) un couple aléatoire discrèt. Soit f et g deux fonctions
définies respectivement sur X (Ω) et Y (Ω), à valeurs réelles. Si X et
Y sont indépendantes, alors on a
E (f (X )g(Y )) = E(f (x))E(g(Y )).

Couple aléatoire discret : Lois conditionnelles
Définition
Soit (X , Y ) un couple aléatoire discrèt. On appelle loi conditionnelle
de X sachant l’événement (Y = y ), l’application PX /Y =y de X (Ω)
dans [0, 1] définie ∀x ∈ X (Ω) par
PXY (x, y )
PX /Y =y (x) = P(X = x/Y = y ) = .
PY (y )
On définit de même la probabilité conditionnelle de Y sachant X .

Exemple
Reprenons toujours, l’exemple des tirages successives. Sachant que
le chiffre 1 a été tiré au premier tirage, la loi conditionnelle de Y est
donnée dans le tableau suivant :
y 1 2 3
PY /X (y /1) 0 1/2 1/2

On peut calculer la loi du couple à partir de ses lois conditionnelles
grâce au théorème suivant.
Théorème
Soit (X , Y ) un couple aléatoire discrèt. Alors, ∀(x, y ) ∈ X (Ω) × Y (Ω),
on a la formule des probabilités composées

 PX (x)PY /X (y /x) si PX (x) 6= 0
PXY (x, y ) = PY (y )PX /Y (x/y ) si PY (y ) 6= 0
0 sinon

Corollaire
Soit (X , Y ) un couple aléatoire discrèt. Si X et Y sont indépendantes,
on a ∀(x, y ) ∈ X (Ω) × Y (Ω)

PY /X (y /x) = PY (y )
PX /Y (x/y ) = PX (x)

Couple aléatoire discret : Loi de la somme
Théorème
Soit (X , Y ) un couple aléatoire discret et soit Z = X + Y . Alors,
∀z ∈ (X + Y )(Ω), on a
X
P(Z = z) = PXY (x, y ).
x+y =z
X X
P(Z = z) = PXY (x, z − x) = PXY (y , z − y ).
x∈X (Ω) y ∈Y (Ω)
Corollaire
Soit (X , Y ) un couple aléatoire discret et soit Z = X + Y . Si X et Y
sont indépendants alors ∀z ∈ (X + Y )(Ω), on a
X X
P(Z = z) = PX (x)PY (y ) = PX (x)PY (z − x)
x+y =z x∈X (Ω)

Cas particulier
Si X et Y sont à valeurs dans N et si Z = X + Y alors ∀k ∈ N
X
P(Z = k ) = PXY (i, j).
i+j=k
De plus, si X et Y sont indépendants, alors ∀k ∈ N

k
X k
X
P(Z = k ) = PX (i)PY (k − i) = PY (i)PX (k − i).
i=0 i=0

Exemple
Soit Z la somme des chiffres obtenus lors de deux tirages :
Z (Ω) = {3, 4, 5}. Pour z ∈ Z (Ω), on a
3
X
PZ (z) = PXY (x, z − x)
x=1
La loi de Z est donnée dans le tableau suivant :

Z 3 4 5
PZ (z) 1/3 1/3 1/3

Inégalité de Bienaymé-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

Preuve
On suppose que X est une variable discrète. et considérons
X (Ω) = {xi ; i ∈ I} avec P(X = xi ) = pi où I est une partie de N ou
bien Z. On note m = E(X ).
Notons J = {i ∈ I; |xi − m| ≥ ε} et K = {i ∈ I; |xi − m| < ε}. On a
alors J ∪ K = I et K ∩ J = ∅. S
De plus : P(|X − m| ≥ ε) = P i∈J (X = xi ) . Donc
X
P(|X − m| ≥ ε) = pi .
i∈J

Suite du preuve
Par ailleurs,
X
V (X ) = (xi − m)2 pi
i∈I
X X
= (xi − m)2 pi + (xi − m)2 pi
i∈J i∈K
X
2
≥ (xi − m) pi
i∈J
∀j ∈ J, |xi − m| ≥ ε. Donc
X X
V (X ) ≥ (xi − m)2 pi ≥ ε2 pi = ε2 P(|X − m| ≥ ε)
i∈J i∈J
D’où
V (X )
P(|X − m| ≥ ε) ≤ .
ε2
Chapitre IV: Lois usuelles de probabilités
Otheman Nouisser

Kénitra
12 décembre 2011

Lois de probabilités discrètes : Schéma de Bernoulli
Définition
La variable alétaoire de Bernoulli est la variable qui ne peut prendre
que deux valeurs exclusives, souvent désignés par succès et
éhec dont les probabilités respectives sont p et q avec p + q = 1.
On note X ∼ B(p).
La valeur de la variable de Bernoulli est 1 en cas de succès et 0 en

cas d’échec.
Proposition
Considérons X une variable de Bernoulli, alors :
√
E(X ) = p, et V (X ) = pq, σ(X ) = pq.

Lois de probabilités discrètes : Schéma 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.

Définition
Une variable aléatoire X est une variable aléatoire binomiale ou bien
obéit à une loi binomiale, quand la probabilité de X = k est donnée
par :
P[X = k ] = Cnk pk (1 − p)n−k = Cnk pk q n−k ,
n : nombre des épreuves,
p : la probabilité du succès,
q : la probabilité de l’échec,
0 ≤ k ≤ n et p + q = 1.
On dit que X suit une loi binomiale de paramètre n, p et note
X ∼ B(n; p).

Remarque
On peut également définir la variable aléatoire suivant la loi binomiale
comme étant la somme des variables de Bernoulli indépendantes. A
chaque épreuve i on associe la variable aléatoire de Bernoulli Xi ,
alors
Xn
X = Xi .
i=1
Exemple
On tire au hasard une carte d’un jeu de 32 cartes, la carte tirée est
remise dans le jeu. Cette épreuve est répétée 4 fois, on cherche la
probabilité de tirer 3 coeurs .
succès : tirer un coeur avec une probabilité p = 41 .
X la v.a. qui désigne le nombre de coeurs obtenus : X ∼ B(4; 14 )
3
P[X = 3] = C43 p3 (1 − p)4−3 = .
45
Proposition
Soit X ∼ B(n; p), alors
E(X ) = np et V (X ) = npq avec q = 1 − p.
Preuve
Soient Xi , 1 ≤ i ≤ n, des variables aléatoires de Bernoulli de
paramètre p qui sont indépendantes. Alors
Xn n
X
E(X ) = E( Xi ) = E(Xi ) = np,
i=1 i=1
de même,
Xn n
X
V (X ) = V ( Xi ) = V (Xi ) = npq,
i=1 i=1
√
et parsuite σ(X ) = npq.
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)
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).

Lois de probabilités discrètes : Schéma
hypergéométrique
Exemple
En pratique lorsque on tire un échantillon de taille n parmi une
population de taille N, le bon sens veut que l’on ne prenne pas de 2
fois le même individu. Cela signifie que le tirage se fait sans remise.
Les variables aléatoires de Bernoulli associées aux différents
éléments de l’échantillon et indicatrices de la présence ou l’absence
d’un caractère donné, sont alors dépendantes. Le schéma binomiale
n’est plus adapté.
Le schéma hypergéométrique est une succession d’épreuves de

Bernoulli non indépendantes.

hypergéométrique
Définition
Si dans une population de taille N, on a 2 types de populations :
N1 individus type 1 en proportion p = NN1 et N2 individus type 2.
On fait n tirages sans remise dans la population et considérons la v.a.
X = nombre d’individus de type 1 dans l’échantillon
Alors X obéit au schéma hypergéométrique H(N; n; p)
X
X = Xi , avec Xi des v.a de Bernoulli non indépendantes.
i
X prend toute valeur entière comprise entre 0 et min{n, N1 }.
Loi de probabilités
Si X ∼ H(N; n; p), alors Pour k ∈ X (Ω),
CNk 1 CNn−k
2
P[X = k ] =
CNn

hypergéométrique
Proposition
Si X ∼ H(N; n; p) alors
N −n
E(X ) = np, V (X ) = npq avec q = 1 − p.
N −1
Remarque
Si on remplace dans la définition, les n tirages sans remise par un
tirage de n individus de type 1 simultanément, alors la variable
aléatoire X est une variable hypergéométrique H(N; n; p).

hypergéométrique
Exemple
A un guichet se présentent 2 femmes et 3 hommes. On choisit au
hasard 2 personnes différentes pour une enquête. Soit X = nb de
femmes.
1- Calculer la probabilité de choisir une femme au moins.
2- Calculer E(X ) et V (X ).
Dans ce cas on a X ∼ H(5; 2; 52 ), donc
C21 C31 C22 C30 7

P[X ≥ 1] = P[X = 1] + P[X = 2] = 2
+ 2
= .
C5 C5 10
et
2 4
E(X ) = np = 2 × =
5 5
N −n 2 3 3 9
V (X ) = npq =2× × × = = 0, 36.
N −1 5 5 4 25
Lois de probabilités discrètes : Loi de Poisson
Définition
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
E(X ) = λ.
V (X ) = λ.
√
σ(X ) = λ.

Preuve
∞ ∞
X X λk
E(X ) = kP[X = k ] = k e−λ
k!
k =0 k =0
∞
X λk
= k e−λ
k!
k =1
∞
X λk
= e−λ
(k − 1)!
k =1
∞
X λk −1 −λ
= λ e
(k − 1)!
k =1
∞
X λk
= λe−λ
k!
k =0
= λ.
De même, on a
Remarque
La loi de Poisson modélise les variables aléatoires qui étudient les
événements où le future est indépendant du passé et les
événements rares ( files d’attente, pannes, mortalité, accidents,
nombres d’appels à un standard, · · · ).
En générale, son existence est fondé sur trois conditions :
La probabilité de réalisation de l’événement considéré au cours
d’un intervalle de temps infiniment petit dt est proportionnelle à
sa durée dt.
Cette probabilité est indépendante du nombre de réalisation
antérieures de l’événement et reste constante au cours de la
période d’observation.
La probabilité que l’événement se réalise plus d’une fois dans le
même intervalle de temps est faible.

Règle
Le nombre X d’événements réalisés au cours d’un intervalle de
temps T est une variable de poisson de paramètre λ = pn avec :
T
n= : rapport de proportionnalité entreT et dt.
dt
p : nombre constant de réalisation au cours de l’intervalle
de temps dt.
Proposition
Si X suit une loi de Poisson P(λ1 ) et si Y suit une loi de Poisson
P(λ2 ), avec X et Y sont indépendantes, alors X + Y suit une loi de
Poisson P(λ1 + λ2 ).

Exemple
Les services d’urgences d’un hopital sont sollicités deux fois tous les
quarts d’heures. Calculer les probabilités que le nombre de cas
d’urgence en une heure soit 12, supérieure à 12.
Désignons par X nombre des cas d’urgence présentés en une
heure , p le nombre de cas présentés au cours de dt et T la
période d’observation :
1 T
p = 2, T = 1, dt = ,n = = 4.
4 dt
X est une variable de Poisson de paramètre λ = pn = 8. Ainsi
812
P[X = 12] = e−8 = 0, 04813
12!
Sur la table des probabilités cumulés (P[X > k ]) indique :
P[X > 12] = 0, 064.

Exemple
Le nombre moyen de taxis qui traverssent un carrefour entre 9h et
10h est de 30 véhicules et suit une loi de Poisson.
1- Calculer les probabilités pour que, sur une période de 10 minutes
entre 9h et 10h traverssent : aucun taxis, trois taxis, quatre taxis, cinq
taxis, au plus cinq taxis.
2- Calculer l’espérance mathématique, la variance et l’écart type du
nombre de taxis qui traversent la carrefour pendant 10 minutes.

Solution
Soit X : nombre de taxis qui traversent la carrefour pendant 10
minutes .
T
on a λ = p dt = 5 avec p = 30, T = 10 et dt = 60. Donc X ∼ P(5) et
50
P[X = 0] = e−5 = 0, 007.
0!
53
P[X = 3] = e−5 = 0, 14.
3!
P[X ≤ 5] = P[X = 0] + P[X = 1] + · · · + P[X = 5]
E(X ) = V (X ) = 5.

Exemple
Deux machines A et B fonctionnent indépendamment l’une de l’autre.
Le nombre de pannes un mois donné de 30 jours pour la machine A
est 25 et pour la machine B est 20.
Calculer la probabilité que, pour un jour donné, il n’y ait pas de
pannes.

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 :
- n est suffisament grand.
- p est voisin de 0 (trop petit)
- 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.

Preuve
Soit X ∼ B(n; p), alors on a
k k
Cn p (1 − p)n−k pour k ∈ {0, 1, 2, · · · , n},
P(k ) = P[X = k ] =
0 ailleurs,
et pour k ∈ {1, 2, · · · , n},
P(k ) Cnk pk (1 − p)n−k

=
P(k − 1) Cnk −1 pk −1 (1 − p)n−k +1
n! (n − (k − 1))!(k − 1)! pk (1 − p)n−k
=
(n − k )!k ! n! pk −1 (1 − p)n−k +1
(n − k + 1)(n − k )! (k − 1)! p
=
(n − k )! k (k − 1)! 1 − p
(n − k + 1) p
=
k 1−p
(k −1)
p n − (k − 1) np 1 − n
= = ×
k 1−p k 1−p
suite
1 − (k −1)
n
Quand n → +∞ et p → 0, on a → 1, ce qui donne que
1−p
lorsque n → +∞ et p → 0,
P(k ) pn pn
' ⇒ P(k ) ' P(k − 1).
P(k − 1) k k
De proche en proche, on obtient que si n → +∞ et p → 0, on a

np np np np
P(k ) ' × × × ··· × × P(0)
k k −1 k −2 1
(np)k
' P(0).
k!
n
X
Or, P(k ) = 1, alors
k =0
n n
(np)k (np)k
X X
P(0) = P(0) = 1.
k! k!
k =0 k =0
suite
n
X (np)k
Comme lim n→+∞ = enp , on trouve que
k!
k =0
P(0) = e−np .
Ainsi, lorsque n → ∞ et p → 0, l’écriture générale de P(k ) devient :


 (np)k e−np
P(k ) = P[X = k ] ' pour k ∈ N,
k!
 0 ailleurs.

En partique : Les conditions d’approximation sont les suivantes :

Si n ≥ 30
et P ≤ 0, 10
et np ≤ 15
ou
Si n ≥ 50
et P ≤ 0, 10
et 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.
1- Calculer les probabilités pour que sur, 200 jours ouvrables, il y ait :
aucune rupture, une rupture, deux ruptures, trois ruptures, quatre
rupture, 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(4) et donc,
en utilisant l’approximation on a :
P[X = 0] ' 0, 018, P[X = 1] ' 0, 073, P[X = 2] ' 0, 147,

P[X = 3] ' 0, 195, P[X = 4] ' 0, 195, P[X = 5] ' 0, 156,
P[X ≤ 5] ' 0, 785

Lois de probabilités continues : Loi normale (ou loi de
Gauss-Laplace)
Définition
Une variable aléatoire continue X obéit à une loi normale de
moyenne m et d’écart type σ, notée N(m, σ), si sa fonction de densité
f est définie par :
2
1 x −m
−
1
f (x) = √ e 2 σ , ∀x ∈ R.
σ 2π
Z +∞
avec f (x)dx = 1, et sa fonction de répartition est
−∞
2
1 t −m
Z x −
1
F (x) = P[X ≤ x] = √ e 2 σ dt.
σ 2π −∞
La courbe représentative de f est symétrique par rapport de la droite

d’équation x = m.
Lois de probabilités continues : Loi normale centrée
réduite
Définition
Si une variable aléatoire X suit une loi normale N(m, σ), alors la
variable T = X −m
σ suit la loi normale appelée loi normale centré
réduite N(0, 1).
La fonction de densité f de la variable T est :
t2
1 −
f (t) = √ e 2 .
2π
La fonction de répartition F , plus généralement notée Π, est définie
par :
Z t Z t
u2
1 −
F (t) = Π(t) = P[T ≤ t] = f (u)du = √ e 2 du.
−∞ 2π −∞

réduite
La loi de T est centrée car E(T ) = 0 et elle est réduite car V (T ) = 1.

En effet,
X −m 1 1
E(T ) = E( ) = E(X − m) = (E(X ) − m) = 0.
σ σ σ
X −m 1 1
V (T ) = V () = 2 V (X − m) = 2 V (X ) = 1.
σ σ σ
La courbe représentative de f est symétrique par rapport de la droite
d’équation x = 0.

réduite
Proposition
• f est paire : f (t) = f (−t).

• f est symétrique par rapport à l’axe t = 0.
• Π(−t) = 1 − Π(t).
• P[t1 < T < t2 ] = Π(t2 ) − Π(t1 ).
• P[−t1 < T < t1 ] = 2Π(t1 ) − 1.

réduite
Exemple
Le chiffre d’affaires quotidien, exprimé en dirhams, d’un commerce
suit une loi normale de moyenne 12000, et d’écart type 1500.
1- 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.
Solution
Désignons par X la variable aléatoire le chiffre daffaires quotidien
X − 12000
. Donc X ∼ N(12000, 1500) et T = ∼ N(0, 1).
1500
a- La variable aléatoire X est continue, donc P[X = 12000] = 0.
réduite
12000 − 12000
b-P[X < 12000] = P[T < ] = P[T ≤ 0] = Π(0) = 0, 5.
1500
(voir la table de répartition)

13000 − 12000
c- P[X < 13000] = P T < = P[T ≤ 0, 66] =
1500
Π(0, 66) = 0, 7454.
10000 − 12000
d- P[X < 10000] = P T < = P[T ≤ −1, 33] =
1500
Π(−1, 33) = 1 − Π(1, 33) = 0, 0918.
e-P[10500 < X < 13500] =
10500 − 12000 13500 − 12000
P T < = P[−1 < T < 1] =
1500 1500
Π(1) − Π(−1) = 2Π(1) − 1 = 0, 6826.
10500 − 12000
f- P[X > 10500] = P T > = P[T ≥ −1] =
1500
1 − P[T ≥ −1] = 1 − Π(−1) = Π(1) = 0, 8413.

Somme de variables aléatoires normales
Proposition
Soient X1 et X2 deux variables aléatoires indépendantes telles que
Xi ∼ N(mi , σi ), ∀i = 1, 2, alors
q
(X1 + X2 ) ∼ N(m1 + m2 , σ12 + σ22
q
(X1 − X2 ) ∼ N(m1 − m2 , σ12 + σ22
Plus généralement, on a le théorème suivant

Proposition
Soient X1 , X2 , · · · , Xn , n variables aléatoires indépendantes les unes
des autres telles que XP i ∼ N(mi , σi ), ∀i ∈ {1, 2, · · · , n}. Alors la
n
variable aléatoire Y = i=1 Xi est une variable aléatoire qui suit une
loi normale N(m, σ) avec
q
m = m1 + m2 + · · · + mn , σ = σ12 + σ22 + · · · + σn2 .
Théorème de la centrale limite
Théorème
Soient X1 , X2 , · · · , Xn , n variables aléatoires indépendantes entre
elles et identiquement distribuées : même loi de probabilité, même
espérence m et même variance σ 2 .
n
X Y − nm
Soit Y = Xi , alors la loi de √ converge vers une loi normale
i=1
nσ
centré réduite N(0, 1) quand n −→ ∞.
Autrement
√ dit, la loi de la variable Y converge vers la loi normale
N(nm, nσ).
En pratique, on applique le théorème de la centrale limite si n ≥ 30.

Approximation de la loi binomiale par une loi normale
D’après le théorème de la centrale limite la loi binomiale et la loi de

poisson convergent vers la loi normale quand n est grand. L’intérêt de
ces approximation est de simplifier les calculs.
Théorème
√
Soit X ∼ B(n, p). Si n est grand, alors X ' N(np, npq)
Preuve. Si X ∼ B(n, p) alors X = X1 + · · · + Xn avec Xi ∼ B(1; p).

D’après le théorème de la centrale limite, quand n → ∞,
√
B(n; p) → N(np, npq).
En pratique, les conditions d’approximations sont les suivantes :
Si n ≥ 30 et p et q sont proches de 0, 5 ou si np > 15 et nq > 15

ou si npq > 10 alors la loi B(n, p) peut être approchée
√
par une loi normale N(np, npq).

Approximation de la loi de Poisson par une loi normale
Théorème
√
Soit X ∼ P(λ). Si λ est grand, alors X ' N(λ, λ)
En pratique, les conditions d’approximations sont les suivantes :
Si λ > 15 alors la loi P(λ) peut être

√ approchée
par une loi normale N(λ, λ).

Correction de continuité
L’approximation d’une variable aléatoire discrète (que ce soit une

variable binomiale ou une variable de Poisson) par une variable
aléatoire continue nécessite d’effectuer une correction de continuité.
Pour une variable aléatoire continue, P(X < xi ) = P(X ≤ xi ) et
P(X > xi ) = P(X ≥ xi ) puisque P(X = xi ) = 0 ce qui n’est pas le cas
pour une variable aléatoire discrète.
Les corrections de continuité pour approcher la loi d’une variable
aléatoire discrète par une loi normale sont les suivantes :
v.a. discrète ' v.a. continue

P[X = xi ] ' P[xi − 0, 5 ≤ X ≤ X + 0, 5]
P[X ≥ xi ] ' P[X ≥ xi − 0, 5]
P[X ≤ xi ] ' P[X ≤ xi + 0, 5]
P[X > xi ] ' P[X > xi + 0, 5]
P[X < xi ] ' P[X < xi − 0, 5]

En d’autres termes - Si X ∼ B(n, p) et x ∈ {1, 2, · · · , n} :

! !
x + 0, 5 − np x − 0, 5 − np
P[X ≤ x] ' Π p et P[X < x] ' Π p
np(1 − p) np(1 − p)
! !
x + 0, 5 − np x − 0, 5 − np
P[X = x] ' Π p −Π p .
np(1 − p) np(1 − p)
- Si X ∼ P(λ) et x ∈ N :

x + 0, 5 − λ x − 0, 5 − λ
P[X ≤ x] ' Π √ et P[X < x] ' Π √
λ λ

x + 0, 5 − λ x − 0, 5 − λ
P[X = x] ' Π √ −Π √ .
λ λ

Approximation d’une loi binomiale
Une piece de monnaie est jetée 100 fois. X désigne le nombre de fois
où pile est obtenu. Déterminer la loi de probabilité suivie par X , E(X ),
V (X ), P[X > 55 et P[45 < X < 55].
X est une succession de 100 épreuve de Bernoulli, donc X suit une
loi binomiale B(n, p) avec
n = 100, p = 1/2, q = 1/2.
E(X ) = np = 50, V (X ) = npq = 25

On a n = 100 > 30 et npq = 25 > 10, les conditions d’approximation
sont vérifiées et donc on peut approcher la loi B(100, 1/2) par
N(50; 5). Notons T = X −50
5 alors si X ∼ N(50; 5) on a T ∼ N(0; 1).
Ainsi
55, 5 − 50
P[X > 55] ' P[X > 55 + 0, 5] = P[T > ]
5
' P[T > 1, 1] = 1 − Π(1, 1) = 0, 1357.
Approximation d’une loi binomiale

de même
P[45 < X < 55] ' P[45, 5 < X < 54, 5]

45, 5 − 50 54, 5 − 50
' P[ <T < ]
5 5
' P[−0, 9 < T < 0, 9] = 2Π(0, 9) − 1 = 0, 6318.

Approximation d’une loi de Poisson

La tour de contrôle d’un aeroport reçoit 4 demande d’atterissage
toutes les 10 minutes. Quelle est la probabilité que le nombre de
demandes enregistrées au terme d’une heure soit > 30?.
Désignons pas X la v.a. nombre de demandes entregistées en
une heure , p le nombre de demandes enregistrées au cours de dt
et T la période d’observation.
p = 4, dt = 10min, T = 60min.
T
Donc, n = dt = 6, et X suit une loi de Poisson de paramètre
λ = pn = 24, c.à.d X ∼ P(24).

Approximation d’une loi de Poisson

√
Le paramètre λ > 15 et donc P(24) ' N(24; 24). Désignons
T = X√−24
24
30, 5 − 24
P[X > 30] ' P[X ≥ 30, 5] = P[T ≥ √ ] = P[T ≥ 1, 33]
24
' 1 − Π(1, 33) = 1 − 0, 9082 = 0, 0918.

Cours Proba Complet - S3 - PDF - PDF Version 1

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 Proba Complet - S3 - PDF - PDF Version 1

Transféré par

Droits d'auteur :

Formats disponibles

Probabilités et Statistiques

Ecole Nationale de Commerce et Gestion

Otheman Nouisser ENCG-Kénitra

1. Chapitre I : Analyse Combinatoire. Dénombrement

1. Chapitre II : Calcul des probabilités

2. Chapitre III : Variables Aléatoires

Otheman Nouisser ENCG-Kénitra

Otheman Nouisser ENCG-Kénitra

Chap I : Analyse Combinatoire. Dénombrement

Otheman Nouisser ENCG-Kénitra

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

Otheman Nouisser ENCG-Kénitra

Otheman Nouisser ENCG-Kénitra

Otheman Nouisser ENCG-Kénitra

Ici, la composition d’un repas complets suppose un choix de potage

Otheman Nouisser ENCG-Kénitra

- on a effectué 5 choix successifs.

Dans ce cas-ci, comme jacques doit effectuer son choix de la façon

Otheman Nouisser ENCG-Kénitra

Otheman Nouisser ENCG-Kénitra

- La première personne a le choix entre 4 places =⇒ 4 dispositions

Otheman Nouisser ENCG-Kénitra

Otheman Nouisser ENCG-Kénitra

L’étudiante doit simplement disposer ses livres différents l’un à coté

Otheman Nouisser ENCG-Kénitra

L’étudiante doit simplement disposer ses livres différents l’un à coté

Otheman Nouisser ENCG-Kénitra

Arrangement (Sans répétition)

Si p ≤ n (répétition non permise)

Otheman Nouisser ENCG-Kénitra

III- Arrangement (Sans répétition)

Otheman Nouisser ENCG-Kénitra

III- Arrangement (Sans répétition)

Otheman Nouisser ENCG-Kénitra

III- Arrangement (Sans répétition)

Otheman Nouisser ENCG-Kénitra

IV- Combinaisons (sans répétition)

Otheman Nouisser ENCG-Kénitra

IV- Combinaisons (sans répétition)

D’une manière générale, on a le résultat suivant.

Otheman Nouisser ENCG-Kénitra

IV- Combinaisons (sans répétition)

Otheman Nouisser ENCG-Kénitra

IV- Combinaisons (sans répétition)

Otheman Nouisser ENCG-Kénitra

V- Permutation avec répétition

Le nombre d’angrammes avec les lettres indexées est P3 = 3! = 6,

Otheman Nouisser ENCG-Kénitra

V- Permutation avec répétition

Otheman Nouisser ENCG-Kénitra

Otheman Nouisser ENCG-Kénitra

Otheman Nouisser ENCG-Kénitra

VII- Notion sur la théorie des ensembles

Otheman Nouisser ENCG-Kénitra

VII- Notion sur la théorie des ensembles

Otheman Nouisser ENCG-Kénitra

VII- Notion sur la théorie des ensembles

Otheman Nouisser ENCG-Kénitra

VII- Notion sur la théorie des ensembles

Otheman Nouisser ENCG-Kénitra

VIII- Notion de cardinal

Si Ω a un nombre fini d’éléments, alors pour tout A ∈ P(Ω), alors A a

Otheman Nouisser ENCG-Kénitra

Quelle est la probabilité de l’événement A : Obtenir un chiffre pair

Quelle est la probabilité de l’événement A : Obtenir un chiffre pair