Département

« Economie et Gestion »

Cours de Probabilités
Semestre 2

Professeur Tachfine Youssef

1
 Chapitre 1 : Fondements du calcul de probabilités

Dans ce chapitre, on s’intéresse à la probabilité de voir se réaliser un événement ou des

événements particuliers. Il peut d’agir par exemple de la probabilité qu’a notre produit
d’être choisi dans les rayons d’un super marché par les acheteurs, de la probabilité qu’un
client se présente devant un guichet bancaire pendant une période donnée de la journée,
etc.
La probabilité qu’on cherche à calculer est la probabilité mathématique ou d’une autre façon
les chances exactes pures de survenance de ces événements. Lorsque notre produit remplit
le rayon du magasin à raison de 50% à côté du même produit (semblable) d’autres
entreprises, on dit qu’on a 50% de chances (à priori) qu’un acheteur qui s’y présente choisit
le notre. Mais pour avoir ces chances, il faut que ce choix se fasse au hasard. Si dans cette
expérience, le client par exemple sait déjà ce qu’il cherche, il n’y a pas de hasard. Soit nos
chances sont plus que ces 50%, soit à l’inverse elles peuvent même être nulles.
Par conséquence, avant de voir la définition de la probabilité et comment on la calcule, on
s’intéresse tout d’abord à la notion de hasard et aux événements. C’est quoi un événement ?
Dans quel cadre il s’opère ? Quelles sont les caractéristiques des événements ? Ce sont les
questions auxquelles on donnera des réponses dans cette première section.

I- Vocabulaire des événements :

1- Vocabulaire de base
Une épreuve, ou expérience, est une action dont le résultat est soumis au hasard.
L’univers, ou référentiel, noté Ω, associé à une épreuve est l’ensemble des résultats
possibles. Chacun de ces résultats est appelé une éventualité.
Un événement est un sous-ensemble de l’univers Ω. Un événement qui ne contient qu’un
seul élément est appelé un événement élémentaire.
Exemple : On lance un dé équilibré (qui comporte 6 faces numérotées de 1 à 6) et note le
chiffre obtenu. Cela constitue une épreuve. Le hasard veut dire que chaque face possède les
mêmes chances que les autres d’apparaitre comme résultat du lancer. Rien ne perturbe ce
hasard. Le dé est bien équilibré, celui qui le lance n’est pas un magicien, etc.
L’univers correspondant est l’ensemble Ω = {1, 2, 3, 4, 5, 6}. Le sous-ensemble A = {1, 3, 5}
constitue un événement. On peut le définir d’une autre façon A : « Obtenir un chiffre
impair ».
L’événement B = {1} (obtenir le chiffre 1) est un événement élémentaire. Dans cette
expérience, on a 6 événements élémentaires.
Si on obtient, après le lancement, un résultat qui appartient à un événement donné, on dit
que cet événement est réalisé. Dans le cas contraire, on dit qu’il n’est pas réalisé. Par
exemple, si le résultat est 5, on dit que l’événement A est réalisé et que l’événement B ne
l’est pas.
2- Inclusion des événements 

2
Soient A et B deux événements. Si A est un sous-ensemble de B (ou une partie de B), on dit
que A est inclus dans B et on note : A ⊂B . Dans ce cas, A implique B. C’est-à-dire, lorsque A
est réalisé, B l’est aussi.
Par exemple A = {2, 4} ⊂ B = {2, 4, 6} (lancer du dé). Lorsque A est réalisé, B l’est
nécessairement aussi. Mais lorsque B est réalisé, il se peut que A ne le soit pas si le résultat
est 6.

B A
A A

3- Evénement impossible, événement certain et événement contraire

Parmi les sous-ensembles de Ω figurent l’ensemble vide Ø et Ω lui-même. Le premier est
appelé événement impossible. Il ne contient aucun élément. Par contre, le deuxième est
appelé événement certain car il contient tous les éléments ou résultats possibles. Il est
toujours réalisé.
Soit A un événement. L’événement dit contraire, noté A , est l’événement qui est réalisé si et
seulement si A ne l’est pas. A est le complémentaire de A dans l’univers Ω.
Par exemple, au lancer du dé, si A = {1, 3, 5}, on a A = {2, 4, 6}.
4- Intersection et réunion des événements
Soient A et B deux sous-ensembles de Ω (donc deux événements).
L’intersection de A et B, noté A ∩ B ,est l’ensemble des éléments de Ω appartenant à la fois à
A et à B. Par exemple, pour A = {1, 3, 5} et B = {2, 3, 6}, on a A ∩ B = {3}.
Lorsque A ∩ B est vide, on dit que A et B sont des événements incompatibles. Par exemple
lorsque A = {1, 3, 5} et B = {2, 4} (lancé du dé).
La réunion de A et B, notée A ∪B , est l’ensemble des éléments de Ω appartenant soit à A,
soit à B, soit à leur intersection A ∩ B. Pour A = {1, 3, 5} et B = {2, 3, 4}, on a A ∪B = {1, 2, 3,
4, 5}.
5- Propriétés
A ∩ B= A ∪ B et A ∪B= A ∩ B. Ces résultats peuvent être généralisés à n événements.
Pour A = {1, 3, 5} et B = {2, 3, 4}, on a A = {2, 4, 6} et B = {1, 5, 6}.
On a aussi, A ∩ B = {3} et A ∪B = {1, 2, 3, 4, 5}.
On peut observer que A ∩ B= {1 , 2 , 4 , 5 ,6 }= A ∪ B.
De même, on peut vérifier que A ∪ B= {6 }= A ∩ B.
II- Probabilités : définitions et axiomes
Intuitivement, la notion de probabilité est relative aux chances qu’on a de voir se réaliser un
événement.

3
Au 17ème siècle, les premières règles de calcul des probabilités ont été établies à partir de la
notion de fréquence observée. Si on jette un dé un grand nombre de fois (600 fois, 6000 fois,
60000, …), on constate que la fréquence d’apparition du chiffre 5 (par exemple) est voisine
de 1/6 et se stabilise autour de 1/6 lorsque le nombre de lancers devient très grand. Certains
scientifiques ont adoptée ainsi cette notion de « fréquence limite » comme probabilité
d’obtenir « 5 » lors d’in lancer de dé.
Par la suite, on a construit (Kolmogorov, 1930) une théorie mathématique des probabilités
basée sur des axiomes fondamentaux.
1- Définition théorique d’une probabilité sur un univers Ω et ses conséquences
Une probabilité est une application P permettant d’associer un réel P(A) à tout événement A
et qui vérifie les axiomes suivants :
i. Pour tout événement A, 0 ≤P(A) ≤1 ;
ii. P (Ω) = 1 ;
iii. Pour tous événements A et B incompatibles P ( A ∪B ) = P(A) + P(B)
On dit que P(A) est la probabilité de réaliser l’événement A.
P étant une probabilité définie sur Ω, on a les propriétés suivantes :
i. P(Ø) = 0
ii. P ( A ) = 1 – P(A)
iii. Si A ⊂ B , alors P(A) ≤ P(B)
iv. Pour tous événements A et B : P ( A ∪ B ) + P ( A ∩ B )= P(A) + P(B)
Application 1 : Chaîne de fabrication des boulons
A la sortie d’une chaîne de fabrication, des boulons sont susceptibles de présenter deux
défauts (dans la hauteur et le diamètre par exemple). Un très grand nombre d’observations
a permis d’établir que :
- La proportion des boulons fabriqués ayant le défaut « a » est de 5%
- La proportion des boulons fabriqués ayant le défaut « b » est de 3%
- La proportion des boulons fabriqués ayant les deux défauts « a » et « b » est de
1%
Notre expérience consiste à prendre de la production un boulon au hasard.
On note A l’événement : « le boulon prélevé présente le défaut « a » » et B l’événement :
« le boulon prélevé présente le défaut « b » ». On a donc P(A) = 0,05, P(B) = 0,03 et P ( A ∩ B )
= 0,01. Il faut remarquer par ailleurs que la probabilité est un chiffre compris entre 0 et 1 et
qu’il ne faut pas l’écrire en pourcentage.
Déterminer la probabilité que le boulon choisi :
1) présente le défaut « a » ou le défaut « b »
2) présente le défaut « a » seulement 
3) ne présente aucun défaut
Réponse
1) P ( A ∪B ) = P(A) + P(B) - P ( A ∩ B ) = 0,05 + 0,03 – 0,01= 0,07

4
L’union de A et B veut dire les éléments appartenant à A ou à B ou encore à A ∩ B . Lorsqu’on
dit « ou », mathématiquement c’est +, mais à l’intérieur de A il y a A ∩ B (regarder schéma
en bas) et aussi à l’intérieur de B. Donc, il y a deux fois A ∩ B. Ainsi, on doit soustraire une
interaction ( A ∩ B).
2) P (A’) = P(A) - P ( A ∩ B ) = 0,05 – 0,01 = 0,04.
Lorsqu’on dit que le boulon choisi présente le défaut « a » cela ne veut pas dire qu’il ne
présente pas d’autres défauts aussi. Mais, lorsqu’on dit qu’il contient le défaut « a »
seulement, là il faut soustraire toute interaction avec d’autres défauts.
3) P ( A ∪B ¿ = 1- P ( A ∪ B ) = 0,93
On peut schématiser le problème grâce au diagramme de Venn :

Ω
A A’ A∩ B B

A ∪B

2- Probabilité sur un univers fini et équiprobabilité

Toute application P définie par la donnée de n nombres positifs ou nuls P(a1), P(a2),…. P(an)
tels que P(a1) + P(a2) +…. + P(an)= 1 détermine une probabilité sur Ω.
On a équiprobabilité sur l’univers Ω = {a1, a2,….., an} lorsque tous les événements
1
élémentaires ont la même probabilité de se réaliser. On a alors : P(a1)=P(a2) =…. = P(an)= .
n
Card A
Dans ce cas, pour tout événement A : P(A) = =
Card Ω
Nombre de résultats favorables ( àl ' événement )
Nombre de résultats possibles
Exemple : Pour le lancer du dé équilibré, on a Ω = {1, 2, 3, 4, 5, 6}.
1
P définie par P(1)=P(2) =…. = P(6)= (positif ou nul) et P(1) + P(2) +…. + P(6)= 1 définie une
6
probabilité sur Ω. Les événements élémentaires sont ici équiprobables. Pour un événement
Card A 3
A : « obtenir un chiffre pair », la probabilité est P(A) = = = P(2) + P(4) + P(6)= 0,5.
Card Ω 6
3- Probabilité sur un univers infini dénombrable
Ω est dénombrable si on peut numéroter ses éléments. Notons Ω = {a1, a2,…..,an, ……}. La
+∞
donnée de n nombres positifs ou nuls P(a1), P(a2),…. P(an), ….tels que ∑ P (ai) = 1 définit une
i=1
probabilité sur Ω. On obtient la probabilité d’un événement A en ajoutant les probabilités
des éventualités dont la réunion est A.

5
 +∞ n
Remarquons que ∑ P (ai) = lim ∑ P (ai).
i=1 n →+∞ i =1

Application 2 : On lance au hasard une pièce de monnaie autant de fois jusqu’à avoir « Pile »
pour la première fois. Quelle est la probabilité d’avoir « Pile » dans le troisième essai ?
Réponse : Avant de répondre à la question, il faut vérifier d’abord qu’on a une probabilité
juste définie sur Ω. Autrement dit, il faut vérifier les 3 axiomes de probabilité (voir en haut).
Soit Ω = {1, 2,…..,n, ….} le nombre de lancers de la monnaie nécessaires jusqu’à avoir «Pile »
pour la première fois. C’est l’ensemble des résultats possibles. Dans ce cas, il faut vérifier
que P (Ω) = 1 (axiome 2). Cet ensemble n’a pas de limites puisqu’on peut lancer la pièce
énormément de fois, même infiniment de fois sans succès. C’est vrai, c’est très rare qu’on ne
parvienne pas à avoir « Pile » en multipliant les essais, mais ça reste une probabilité.
Remarquons que P(1) = ½, c’est-à-dire que la probabilité d’avoir « Pile » au premier lancer
est 0,5 car il y a deux faces et l’expérience est faite au hasard. Ensuite P(2) = ½. ½ = ¼. La
probabilité d’avoir « Pile » au deuxième essai correspond à la probabilité d’avoir « face » au
premier lancer (1/2 comme probabilité) et « Pile » au deuxième lancer (également ½ comme
probabilité). On peut dire que P(k) = (1/2)k, avec k ≥ 1 (le nombre de lancers nécessaires).
+∞
On peut vérifier aisément que 0 ≤P(k) ≤1 (axiome 1), mais il reste à vérifier que ∑ P (k) = 1.
k =1

+∞ n

∑ P (k) = nlim
→+∞
∑ P (k) = nlim
→+∞
¿(P(1) + P(2) + …...+ P(n))
k =1 k=1

= nlim
→+∞
¿(1/2 + (1/2)2+ …...+ (1/2)n)
n
1
1−( )
= nlim ¿( 1 . 2
) =nlim ¿) = 1.
→+∞ 2 1 →+∞
1−( )
2
Ainsi, la somme des probabilités est égale à 1. Même si l’ensemble Ω est infini mail il est
dénombrable. Il s’agit bien d’une probabilité juste et correctement définie.
Pour vérifier le troisième axiome, on peut écrire pour les deux événements incompatibles
« 1 » (obtenir « Pile » au premier lancer) et « 2 » (obtenir « Pile » au deuxième lancer) que
P (1 ∪2) = P(1) + P(2) = ½ + 1/4 = ¾. Ils sont incompatibles parce qu’ils ne peuvent pas se
passer en même temps.
La réponse à la question peut être maintenant donnée sans problème : P(3) = (1/2) 3= 0,125.
III- Probabilités conditionnelles
1- Définition et notion intuitive
Soient A et B deux événements (avec P(B) non nulle). On appelle probabilité conditionnelle
P (A ∩B)
de A sachant B, le nombre (compris entre 0 et 1) noté P (A/B) défini par : P (A/B) = .
P( B)
Cette formule découle d’une intuition. Pour expliquer, on va reprendre l’exemple de la
chaîne de fabrication des boulons (voir application 1). Dans ce cas, quelle est la probabilité
de réalisation de l’événement A sachant que B s’est déjà réalisé ?

6
On peut poser la question d’une autre façon : Si lorsque l’on prend un boulon de la
production au hasard et on constate qu’il présente le défaut « b », quelle est la
probabilité qu’il présente aussi le défaut « a » ? C’est-à-dire aussi : parmi les boulons qui
présentent le défaut « b », quelle est la part des boulons qui ont les deux défauts ?
D’après les données de cette application, on a parmi les 3% des boulons présentant le défaut
« b » 1% présentant aussi le défaut « a ». Donc la réponse est le tiers ou 1/3.
P (A ∩ B) 0,01 1
P (A/B) = = = = 0,333.
P(B) 0,03 3
2- Probabilité composée
La probabilité est dite composée lorsqu’elle correspond à l’intersection de deux ou plusieurs
événements. Il découle de la définition de la probabilité conditionnelle que :
P ( A ∩ B ) = P(B). P (A/B) = P(A). P (B/A).
Exemple : Pour ouvrir un coffre, on dispose d’un trousseau de 5 clefs dont une seule peut
l’ouvrir. On essaie les clefs une à une jusqu’à ouvrir le coffre en mettant de côté celles qui se
sont avérées mauvaises. Quelle est la probabilité d’ouvrir le coffre dans le deuxième essai ?
Réussir à ouvrir le coffre au deuxième essai suppose nécessairement que la première clef
n’est pas la bonne (événement A) et que la deuxième clef est la bonne (événement B).
Attention, ce qu’on cherche ce n’est pas la probabilité d’ouvrir le coffre au deuxième essai
sachant que dans le premier on a échoué. Ce qu’on cherche c’est la probabilité composée de
deux événements en même temps : ne pas ouvrir le coffre avec la première clef et l’ouvrir
avec la deuxième.
On sait que : P ( A ∩ B ) = P(B). P (A/B) = P(A). P (B/A). Mais, on va prendre seulement :
4 1
P ( A ∩ B ) = P(A). P (B/A) = . = 0,2.
5 4
3- Evénements indépendants
Deux événements A et B sont indépendants lorsque la réalisation de l’un n’a pas d’incidence
(en termes de calcul de probabilité) sur la réalisation de l’autre. Dans ce cas, P (A/B) = P(A).
P (A ∩B)
En général, nous avons : P (A/B) = . Dans le cas d’indépendance, on aura : P (A) =
P( B)
P (A ∩B)
, ce qui veut dire aussi que : P ( A ∩ B ) = P(A) x P (B).
P(B)
Donc, deux événements A et B sont indépendants si et seulement si P ( A ∩ B ) = P(A) x P (B).
Exemple : On revient à l’application de la chaîne de fabrication des boulons. Est-ce que les
événements A (avoir le défaut « a ») et B (avoir le défaut « b ») sont indépendants ?
On a P ( A ∩ B ) = 0,01 ≠ P(A) x P (B) = 0,05. 0,03 = 0,0015. Les événements A et B ne sont pas
indépendants.
Il ne faut pas confondre « incompatibles » et « indépendants ». Rappelons que pour deux
événements incompatibles, P( A ∩ B) = 0.
4- Diagramme en arbre et théorème de Bayes

7
Il est parfois commode de présenter une succession d’épreuves par un « arbre » facilitant le
calcul des probabilités. Au lieu de commencer par une présentation théorique, on partira
cette fois-ci d’un exemple pratique à travers lequel on définira les notions de probabilité
totale et de probabilité de Bayes (mathématicien britannique du 18ème siècle).
Un épicier achète les pâtes chez trois fournisseurs FA, FB et FC. La moitié de ses paquets
provient de chez FA et un cinquième de chez FB. A la livraison, l’épicier constate que 1% des
emballages des paquets de FA sont endommagés, et que cette proportion est de 4% chez FB
et de 2,5% chez FC. Cependant, il met l’ensemble des paquets dans un rayon. Un client arrive
et prend au hasard un paquet de pâte de ce rayon.
Quelle est la probabilité que ce paquet soit endommagé ?
D’abord on définit les événements suivants :
E : « Le paquet choisi (par le client) est endommagé »
A : « Le paquet choisi provient du FA »
B : « Le paquet choisi provient du FB »
C : « Le paquet choisi provient du FC »
On cherche P(E). Or, un paquet endommagé peut provenir de trois sources : FA, FB ou FC. Il y a
un lien évident entre l’endommagement et le travail de chaque fournisseur (concernant le
stockage, la qualité de l’emballage, le transport, etc.).
Ainsi, P(E) = P ¿ ∪ ( E ∩ B ) ∪ ( E ∩C ) ¿. Comme les événements( E ∩ A ) , ( E ∩ B ) et ( E ∩C ) sont
incompatibles (ne peuvent pas se réaliser en même temps), on a :
P(E) = P ( E∩ A ) + P ( E ∩B ) +¿ P ( E∩ C )
= P ¿ + P ¿+ P ¿
= (0,5 x 0,01) + (0,2 x 0,04) + (0,3 x 0,025)
= 0,0205.
P(E) s’appelle une probabilité totale parce qu’elle fait intervenir toutes les causes du
problème.
On peut schématiser le problème à l’aide d’un diagramme en arbre :

( E / A ) 0,01

A 0,5 ( E / A ) 0,99
(E /B) 0,04
Paquet prélevé B 0,2 ( E¿¿ B)¿ 0,96
( E /C ) 0,025
C 0,3
( E /C ) 0,975

8
Maintenant, on peut se donner une deuxième question : Si l’emballage du paquet choisi par
le client est endommagé, quelle est la probabilité qu’il provient du FA (et non pas des autres
fournisseurs) ?
On cherche P (A/E) :
P (A ∩ E) P ( A ) . P(E/ A) P ( A ) . P(E/ A) 0,5.0,01
P (A/E) = = = = ≈ 0,244.
P( E) P ( E ∩ A )+ P ( E ∩ B ) + P ( E ∩C ) P¿¿ 0,0205
Il y a donc presque une chance sur 4 (près de 25%) que le paquet provienne du F A sachant
qu’il a été trouvé endommagé. C’est le théorème de Bayes qui peut être généralisé à n
événements.
La probabilité P(A/E) est une probabilité conditionnelle mais elle s’appelle dans ce cas
probabilité de Bayes. Remarquons que pour la calculer, il fait d’abord avoir P(E). D’autre
part, pour calculer P ( A ∩ E ), certes on a deux choix : P(A). P(E/A) ou bien P(E). P(A/E). Mais,
on prendra généralement un seul et dans ce cas, c’est le premier.
P (B ∩ E) P (C ∩ E)
On peut aussi calculer de la même façon P(B/E) = = 0,39 et P(C/E) = =
P( E) P( E)
0,3658. Et bien sûr, on a : P (A/E) + P(B/E) + P(C/E) = 1.

Chapitre 2 : Variables aléatoires discrètes

9
 Chapitre 3 : Lois de probabilité discrètes

Dans ce chapitre, on s’intéressera à trois lois discrètes les plus couramment étudiées, à
savoir la loi binomiale, la loi hypergéométrique et la loi de Poisson. Pour chacune de ces lois,
on présentera d’abord un modèle type et les caractéristiques et on montrera ensuite son
application dans des cas économiques concrets.

I- La loi binomiale 
1- Définition
La loi binomiale est une distribution de probabilité discrète qui a de nombreuses
applications. Elle est associée à une expérience faite en plusieurs étapes, appelée expérience
binomiale.
Une expérience binomiale possède les 4 propriétés suivantes :
1) L’expérience est une série de n tirages identiques ;
2) Il existe deux événements pour chaque tirage. L’un est dit succès et l’autre échec ;
3) La probabilité de succès, notée p, ne se modifie pas d’un tirage à l’autre. La
probabilité d’échec, notée q, ne se modifie pas non plus (p+q = 1) ;
4) Les tirages sont indépendants.
2- Modèle 

10
On effectue n tirages avec remise dans une urne contenant deux types de boules, des boules
blanches en proportion p et des boules noires en proportion q (p+q = 1). Soit X le nombre de
boules blanches tirées.
3- Caractéristiques
a) Valeurs possibles : X(Ω) = {0, 1, 2, 3, ….., n}. 
b) Probabilités : ∀ k ∈ X ( Ω ) , P ( X=k )=C kn p k q n−k . On peut vérifier que la somme des
n
probabilités est égales à 1 puisque : ∑ C kn p k qn−k = (p + q)n = 1 (selon la formule du
k=0
binôme de Newton1.
c) Notation : X B ( n , p ) . Les paramètres de la loi sont n le nombre de tirages et p (la
probabilité de succès).
d) Espérance : E(X) = np
e) Variance et écart-type : V(X) = npq et σ(X) = √ npq
f) Mode : On applique la règle suivante2 : np – q <Xo< np + p ; si np – q est un nombre
entier, il y a deux modes : np – q et np + p
4- Exemple 
On réalise 5 tirages avec remise d’une boule d’une urne qui contient 4 boules jaunes et 6
boules noires. On cherche la probabilité d’obtenir 2 fois une boule jaune.
A partir des données de cette expérience, on peut définir une variable X représentant le
nombre de boules jaunes trouvées à la fin des tirages. X est une variable binomiale et X(Ω) =
{0, 1, 2, 3, 4, 5}. Notons X B (5 ; 0,4 ). Ce qu’on cherche c’est P (X= 2).
Avoir 2 boules jaunes à la fin des tirages suppose par exemple qu’on a obtenu une jaune au
premier tirage et une autre jaune au deuxième tirage, tandis que les trois derniers tirages
ont donné des boules noires. Mais ce n’est pas la seule possibilité. Il y a en tout 10
possibilités suivant la disposition des boules jaunes (voir schéma ci-dessous) :

(1) la probabilité = 0,4. 0,4. 0,6. 0,6. 0,6

(2) la probabilité = 0,4. 0,6. 0,4. 0,6. 0,6

…………………………………………

…………………………………………

(10) la probabilité = 0,6. 0,6. 0,6. 0,4. 0,4

Somme : 10. 0,42. 0,63 = C 25 p2 q5−2= 0,3456.

Soit on dit qu’il y a 10 possibilités soit il y en a C 25, c’est-à-dire 2 places parmi 5 pour les
boules jaunes (voir rappel d’analyse combinatoire dans l’encadré ci-dessous). Pour chaque
1
Les probabilités pour les différentes valeurs de k sont les éléments du binôme de Newton, d’où on a tiré le
nom de la loi.
2
Voir Grais B. (2003) : « Méthodes statistiques », Dunod, 3 ème édition, 416 pages.
11
 possibilité ou disposition, on a la probabilité 0,42. 0,63. Les probabilités ou les proportions p
ou q ne changent pas évidemment d’un tirage à l’autre puisqu’il est fait avec remise.
2 2 3 2 2 5−2
Comme P (X =2) = C 5 0,4 0,6 =C 5 p q , on peut généraliser et écrire que :
k k 5−k
P ( X=k )=C 5 0,4 q .

Sur le tableau suivant, on peut décrire toute la loi de X :

k 0 1 2 3 4 5 Total
0 0 5 1 1 4 2 2 3 3 3 2 4 4 1 5 5 0
P (X = k) C 5 0,4 0,6 C 5 0,4 0,6 C 5 0,4 0,6 C 5 0,4 0,6 C 5 0,4 0,6 C 5 0,4 0,6

0,07776 0,2592 0,3456 0,2304 0,0768 0,01024 1

Le mode est la valeur de la variable X pour laquelle on a la plus grande probabilité. Sur le
tableau, le mode c’est Xo = 2. Pour vérifier, l’application de la règle (np – q <X o< np + p) nous
donne : 2 – 0,6 <Xo< 2 + 0,4 ou bien 1,4 <Xo< 2,4. Donc Xo = 2 (nombre entier entre 1,4 et
2,4).

E (X) = np = 2 boules jaunes. A la fin des tirages, on espère en moyenne avoir deux boules
jaunes. V(X) = npq = 1,2 et σ(X) =√ 1,2 = 1,095 (boules jaunes).

Répondons maintenant à une autre question : Quelle est la probabilité d’obtenir 3 boules
noires (à la fin des tirages) ?

On a deux choix. Soit, on définit une autre variable aléatoireY B ( 5 ; 0,6 ) et calculer P (Y = 3),
soit on applique cette règle : P (Y = k) = P (X = n- k).
3 3 2
Directement, on peut écrire : P (Y =3) = C 5 0,6 0,4 = 0,3456.

P (Y = 3) = P (X = 5- 3) = P (X = 2) = C 25 0,4 2 0,6 3 = 0,3456. Avoir 3 boules noires à la fin des

tirages c’est aussi exactement avoir 2 boules jaunes.

5- Application économique

Pour sa production, une entreprise utilise une machine d’un certain modèle. La probabilité
que cette machine tombe en panne, et soit donc inutilisable, une journée donnée, est de
0,05. Lorsque la machine tombe en panne, elle est réparée le soir même. Soit X la variable
aléatoire qui, à chaque mois, associe le nombre de jours de ce mois pendant lesquels la
machine est inutilisable. On admet que le mois contient 20 jours ouvrables et que les pannes
sont indépendantes.

1. Quelle est la loi de X ? Expliquer pourquoi.

2. Quel est le mode de X ?

12
 3. Sur une très longue période, quel est, par mois, le nombre moyen de jours de
panne ?
4. Quelle est la probabilité que la machine ne tombe jamais en panne dans le mois ?
5. Calculer P(X ≥ 2).

Réponse

1. Le nombre de jours de panne pour la machine est une variable aléatoire discrète.
Une variable parce que ce nombre varie (entre 0 et 20). Aléatoire veut dire que pour
chaque valeur, il y a une probabilité donnée (et que la somme des probabilités est
1).Discrète car les valeurs que prend X sont discrètes (sans virgules).

Remarquons que : X(Ω) = {0, 1, 2, 3, ….,20}. X B (20 ; 0,05 ). En effet, les 4 propriétés de
l’expérience binomiale sont réunies ici :

 on examine la machine plusieurs fois (plusieurs jours) ;

 dans chaque jour, soit la machine est en panne (succès), soit elle est utilisable
(échec) ;
 la probabilité p = 0,05 de succès ne change pas d’un jour à l’autre (si la machine
tombe en panne elle est réparée le même jour et cela n’affecte pas le jour suivant) ;
 les pannes sont indépendantes (une panne arrivée n’affectera pas la probabilité
d’une autre panne les jours suivants).
2. On applique la règle : np – q <Xo< np + p ; ce qui nous donne : 1 – 0,95 <Xo< 1 +
0,05 ou bien 0,05 <Xo< 1,05. Donc Xo = 1.
3. E (X) = np = 1 jour de panne (en moyenne en un mois). On peut l’utiliser dans des
prévisions de la production.
4. P (X = 0) = C 020 0,050 0,9520= 0,358.
5. P(X ≥ 2) = 1 – (P(X = 0) + P(X= 1)) = 1- (0,358 +C 120 0,051 0,9519) = 0,265.

Rappel d’analyse combinatoire ou dénombrement

L’analyse combinatoire est une branche des mathématiques qui étudie comment on compte
les objets. Elle fournit les méthodes de dénombrement particulièrement utiles en théorie
des probabilités.

Pour dénombrer les cas ou les dispostions, on utilise les permutations, les arrangements ou
les combinaisons.

Permutations : Il s’agit de permuter les places et on prend l’ensemble des éléments.

Par exemple, on a 4 candidats pour passer un entretien : A, B, C et D. Combien nous avons

de façons différentes de passer cet entretien ? On a la disposition {A, B, C, D}, ensuite {A, C,
B, D}, ….Mais combien il y en a en tout ? La réponse est P4 = 4 ! = 4.3.2.1 = 24 façons. La règle
est Pn = n !

13
Lorsqu’on a une ou plusieurs répétitions, on divise par les permutations des objets
6!
identiques. Par exemple, pour la disposition A, A, A, B, B, C on aura soit 60 façons ou
3! 2! 1 !
permuatations possibles. La règle générale des permutations avec répétition est :
n!
℘= (avec n = n1 + n2 +… nk).
n 1! n 2!… .. nk !

Arrangements : Il s’agit de choisir des éléments parmi l’ensemble et de les mettre dans un
ordre donné.

Par exemple, si parmi les candidats A, B, C et D, on sait que deux sont retenus, l’un sera
employé et l’autre sera cadre. Les cas possibles sont {A, B}, {B, A}, {A, C},…En tout, il y a A24=
4! n!
= 12 possibilités. La régle générale des arrangements sans répétition est Anp =
( 4−2 ) ! ( n− p ) !
. Si nous avons à répéter les éléments, on va ajouter {A, A}, {B, B},{C, C} et {D, D}. Nous
aurons en tout 16 cas possibles. Soit A24=42=16.La régle des arrangements avec répétition
est Anp =n p .

Combinaisons : Il s’agit de choisir des éléments parmi l’ensemble et l’ordre n’est pas
important.

Si parmi les candidats A, B, C et D, on sait que deux sont retenus, mais ils auront la même
fonction (l’ordre n’est pas important), les dispositions possibles seront {A, B}, {A, C}, {B, C},
4! n!
{B, D}, ….En tout, on aura C 24= = 6 couples possibles. La régle est C np= .
2! ( 4−2 ) ! p ! ( n− p ) !

Si on peut répéter les éléments et l’ordre est toujours non important, on ajoutera {A, A},
{B, B},{C, C} et {D, D}. Soit en tout on aura 10 combinaisons avec répétition. La régle des
p ( n+ p−1)!
combinaisons avec répétition est : K np = C n+ p−1= . Dans l’exemple, K 24 =
p ! ( n−1 ) !
5!
C 24+ 2−1= = 10.
2 ! ( 4−1 ) !

II- La loi hypergéométrique

1. Définition 

La loi hypergéométrique est étroitement liée à la loi binomiale. La différence majeure entre
ces deux lois est que, lorsqu’il s’agit d’une loi hypergéométrique, les tirages ne sont pas
indépendants et les probabilités de succès changent d’un tirage à l’autre. Mais, il y a
toujours n tirages et deux possibilités en général dans chacun d’entre eux.

2. Modèle

14
On effectue n tirages sans remise dans une urne contenant deux catégories de boules, N1
boules blanches (N1 ≠ 0) et N2 boules noires (N2 ≠ 0) (N1 + N2 = N). Soit X le nombre de boules
blanches tirées.

3. Caractéristiques
a) Valeurs possibles : Toute valeur entière comprise entre max (0, n-N2) et min (n, N1).
b) Notation : X H ( N ,n , p ) . Les paramètres de la loi sont N le nombre total de boules
dans l’urne, n le nombre de tirages et p (la probabilité de succès).
k n−k
CN 1. CN 2
c) Probabilités : ∀ k ∈ X ( Ω ) , P ( X=k )= n . C’est une probabilité au sens
CN
classique du terme, c’est-à-dire qui correspond au nombre de cas favorables divisé
par le nombre de cas possibles.
N1
d) Espérance : E(X) = np ; p = (la proportion des boules blanches).
N
e) Variance et écart-type : V(X) = npq
proportion des boules blanches).
N−n
N−1
et σ(X) = √ npq
N −n
N −1 √
; q =
N2
N
(la

f) Mode : Il n’y a pas de règle. On calcule toutes les probabilités et le mode sera la
valeur de X pour laquelle on a la plus grande probabilité.
g) Approximation : La loi hypergéométrique H ( N ,n , p ) peut être approchée par la loi
N1 N2
binomiale B ( n , p ) lorsque N1 →+∞ , N2 →+∞ et et restent finis. En pratique,
N N
n
l’approximation se fait lorsque  < 0,1.
N
4. Exemple

On réalise 5 tirages sans remise d’une boule d’une urne qui contient 4 boules jaunes et 6
boules noires. On cherche la probabilité d’obtenir 2 fois une boule jaune.
Remarquons que lorsqu’on tire une boule et on ne la remet pas la composition de l’urne
change. La probabilité de tirer une boule blanche au départ est de 4/10. Mais au deuxième
tirage, cette probabilité devient 3/9 si la première boule tirée est blanche ou 4/9 si la
première boule tirée est noire. Les proportions changent d’un tirage à l’autre.
A partir des données de cette expérience, on peut définir une variable X représentant le
nombre de boules jaunes trouvées à la fin des tirages. X est une variable hypergéométrique :
X H ( 10; 5 ; 0,4 ). Ce qu’on cherche c’est P (X= 2).
Pour connaître les valeurs de X, on applique la règle3 : max (0, n-N2) ≤X≤ min (n, N1). Ce qui
donne : max (0, 5-6) ≤X≤ min (5, 4) ou bien : 0 ≤ X≤ 4. Donc : X(Ω) = {0, 1, 2, 3, 4}.
2 5−2
C4 . C6 6.20 120
P (X = 2) = = = = 0,476. Pour comprendre cette probabilité, il faut
C
5
10
252 252
remarquer que le tirage de 5 boules l’une après l’autre sans remise est identique à un seul
tirage simultané de 5 boules. Donc, si on a tiré 5 boules d’un seul coup, quelle est la

3
C’est-à-dire que X est comprise entre d’une part le plus grand nombre entre 0 et n-N2 et d’autre part le moins
grand entre n et N1.
15
probabilité d’avoir 2 boules blanches sachant que dans l’urne, il y a 4 boules blanches et 6
boules noires ? La réponse est que cette probabilité est le nombre de cas favorables sur le
5
nombre de cas possibles. Les cas possibles sont au nombre de C 10 (c’est la composition qui
2 3
compte et l’ordre n’a pas d’importance). Les cas favorables sont au nombre deC 4 . C 6, c’est-à-
dire deux boules blanches tirées parmi 4 et le reste soit 3 boules seront tirées parmi les 6 qui
sont noires.

Sur le tableau suivant, on peut décrire toute la loi de X :

k 0 1 2 3 4 Total
0 5−0 1 5−1 2 5−2 3 5−3 4 5−4
P (X = k) C4 . C6 C4 . C6 C4 . C6 C4 . C6 C4 . C6
5 5 5 5 5
C10 C10 C 10 C10 C 10
1
6 60 120 60 6
252 252 252 252 252

Le mode c’est Xo = 2. Par ailleurs, la loi est symétrique par rapport à ce mode.
E(X) = np = 5. 0,4 = 2. On espère avoir deux boules blanches en moyenne.
N−n 5
V(X) = npq = 5. 0,4. 0,6. = 0,667. Ainsi, σ(X) = √ 0,667 = 0,816 (boules blanches).
N−1 9
5. Application économique (1)
Une marchandise chargée au camion d’une entreprise comprend 10 unités dont 2 sont
supposées défectueuses. Lors de l’inspection de cette cargaison, un échantillon aléatoire
d’unités a été sélectionné et testé. Si une unité défectueuse est trouvée, toute la cargaison
sera refusée.
1- Si un échantillon de 3 unités a été sélectionné, quelle est la probabilité que la
cargaison soit refusée ?
2- Si un échantillon de 4 unités a été sélectionné, quelle est la probabilité que la
cargaison soit refusée ?
3- Si un échantillon de 5 unités a été sélectionné, quelle est la probabilité que la
cargaison soit refusée ?
4- Quelle taille de l’échantillon est suffisante pour avoir une probabilité de 0,9 de
refuser la cargaison ?

Réponse :
On a une cargaison de 10 unités. 2 sont défectueuses et par conséquent 8 ne le sont pas.
Nous avons donc deux catégories et on va sélectionner des unités pour inspection une après
l’autre et sans remise bien sûr. Soit X le nombre d’unités défectueuses trouvées dans
l’échantillon tiré de taille n. Il s’agit de la loi hypergéométrique : X H ( 10; n; 0,2 ) . N = 10 et p
= 2/10 (la proportion des unités défectueuses).

16
 1- Dans ce premier cas, l’inspecteur vérifie (sans remise) 3 unités, donc n = 3.
X H ( 10; 3 ; 0,2 ) et max (0, 3-8) ≤ X ≤ min (3, 2) ou bien : 0 ≤ X ≤ 2. Donc :
X(Ω) = {0, 1, 2}. Si on prend 3 unités, au maximum on aura 2 défectueuses.

La cargaison sera refusée si on trouve une unité défectueuse ou plus. Ce qu’on cherche donc
C12 . C 3−1
8 C22 . C 3−2
8
c’est P (X ≥ 1)= P (X = 1) + P(X = 2) = 3 + 3 ≈ 0,5333.
C 10 C 10

1 4−1 2 4−2
C2 . C 8 C2 . C 8
2- n = 4 ; P (X ≥ 1)= P (X = 1) + P(X = 2) = 4 + 4 ≈ 0,6667.
C10 C10
1 5−1 2 5−2
C2 . C 8 C2 . C 8
3- n = 5 ; P (X ≥ 1)= P (X = 1) + P(X = 2) = 5 + 5 ≈ 0,7777.
C 10 C 10
4- L’échantillon suffisant pour que la probabilité de refuser la cargaison soit égale à 0,9
est de taille n = 7 unités. Si on prend 6 unités, cette probabilité serait seulement de
0,8666.

Démonstration : X H ( 10; n; 0,2 ) et on partira de P (X≥1) = 0,9.

8!
0 n−0
C C
2. 8 n ! ( 8−n ) ! ( 10−n ) !
P (X≥1) = 0,9 = 1- P(X = 0) = 1 - =1- =1-
C 10
n
10! 90 ( 8−n ) !
n ! ( 10−n ) !

Ce qui donne : (10 – n) (9 – n)= 9, soit n² - 19n + 81 = 0. ∆ = b² - 4ac (pour l’équation ax² +
−b−√ ∆ −b+ √ ∆
bx + c = 0). ∆ = 37. Les solutions sont n1= = 6,46 et n2= = 12,54. La
2a 2a
solution retenue est n1= 6,46, donc économiquement parlant n = 7. C’est vrai, la
probabilité va être un peu plus que 0,9 (de refuser la cargaison).

6. Application économique (2)

On suppose que parmi les 100.000 pièces monétaires en circulation dans un pays donné, il y
a 20.000 qui sont fausses. Les autorités ont décidé de procéder à un contrôle en retirant
1000 pièces de la circulation. Quelle est la probabilité de trouver parmi les 1000 pièces
contrôlées 50 pièces falsifiées ?

Réponse : La probabilité qu’on cherche n’est pas 50/1000 parce que on ne peut pas dire que
pour chaque 1000 pièces contrôlées, il y aurait 50 qui sont fausses. Ce qu’on peut dire
néanmoins, c’est que pour 1000 pièces contrôlées ou tirées (sans remise bien sûr ou d’un
seul coup), il y aurait soit 0 pièce falsifiée, ou bien 1, ou bien 2,….ou au maximum 1000.
Donc, nous avons une variable aléatoire discrète X. Une variable parce que ce nombre (de
pièces fausses) varie. Aléatoire veut dire pour chaque valeur de la variable, il y a une
probabilité donnée (et que la somme des probabilités est égale à 1). Discrète veut dire que
ses valeurs sont discrètes (sans virgule).

17
Il s’agit de la loi hypergéométrique. En effet, on a une probabilité au départ pour qu’une
pièce soit falsifiée de p = 20.000/100.000 = 0,2. La première pièce contrôlée a une
probabilité 0,2 d’être falsifiée. La deuxième pièce a une probabilité de 20.000/99.999 d’être
fausse si la première ne l’est pas et une probabilité de 19.999/99.999 d’être fausse si la
première l’a été. Donc p change d’un tirage à l’autre. Au total, X H ( 100.000; 1000 ; 0,2 ) .
50 950
C20.000 . C80.000
P (X = 50) = 1000 . Mais, Le calcul d’une telle probabilité est très fastidieux
C100.000
(ennuyeux). On peut approcher la loi de X par une loi binomiale puisque les conditions le
N1
permettant sont réunies. En effet, on a N1 = 20.000 est grand, N2 = 80.000 est grand, et
N
N2 n 1000
restent finis et = < 0,1. Ainsi, P (X = 50) ≈ C 50 50
1000 0,2 0,8
950
. Cela facilite
N N 100.000
relativement le calcul.

III- La loi de Poisson

1. Modèle 

Cette loi peut modéliser les événements rares : nombre d’appels reçus par un standard
téléphonique, nombre de clients se présentant à un guichet bancaire pendant un certain
temps de la journée, nombre d’anomalies pouvant se produire dans une portion
kilométrique d’autoroute, etc.

Cette loi dépend d’un seul paramètre λ > 0, qui correspond au nombre d’occurrence moyen
du phénomène observé pendant la durée donnée (ou dans un espace donné ou pour une
quantité donnée).

Cette loi est discrète parce que ses valeurs ne prennent pas de virgule : nombre de clients,
nombre d’appels, etc.

2. Probabilité

Formellement, une variable aléatoire X suit une loi de Poisson de paramètre λ > 0, lorsque
λk
X(Ω) = {0, 1, 2, 3, ….} et pour tout k ∈ N , P (X = k) =e− λ . .
k!
k k
La somme des probabilités est bien égale à 1. En effet, ∑ P( X=k) = ∑ e .
λ λ
= e .∑
−λ −λ
k ≥0
k ≥0 k! k ≥0 k !
2 3 k
λ λ λ λ
= e− λ(1 + + + + ….+ ) = e− λ . e λ= e 0=¿ 1.
1! 2! 3! k!

3. Caractéristiques 

Soit X qui suit la loi de Poisson, on note : X P ( λ ) .

18
 k
∑ k . P( X=k)
2 3 k
λ λ λ λ
= e .∑ k .
−λ −λ
E(X) = = e [0 + ¿ + 2 + 3 + ….+ k )]
k ≥0
k ≥0 k! 2! 3! k!
3 k +1 1 2 k
λ² λ λ λ λ λ
= e− λ( λ + + + + ….+ ) = e− λ . λ(1 + + + + ….+ )= e− λ . λ . e λ = λ .
1! 2! k! 1! 2! k!

De même, V(X) = ∑ k 2 . P ( X=k ) – E²(X) = ¿) – λ 2 = λ . On peut démontrer ce résultat en

k ≥0

faisant : k²= k + k(k -1).

Au total, E(X) = V(X) = λ .

4. Propriété

Soient X1, X2,…., Xn n variables aléatoires indépendantes suivant la loi de Poisson de

paramètreλ1, λ2,…., λn . Alors, la variable aléatoire Z = X1 + X2+….+ Xn suit la loi de Poisson de
paramètre λ = λ1+ λ2+….+ λn.

5. Approximation

Si X B ( n , p ) , lorsque n est grand (n ≥ 30) et p est petite (p ≤ 0,1), alors pour tout k ≥ 0,
λk
P (X = k) ≈ e− λ . où λ=np .
k!

Dans l’application économique (2) de la loi hypergéométrique, nous avons approché cette
dernière par la loi binomiale pour faciliter le calcul. Mais, ce dernier est toujours difficile à
réaliser.

X H ( 100.000; 1000 ; 0,2 ) a été approchée par X ≃ B (1000 ; 0,2 ) . Nous avons n qui est grand
(1000≥ 30) et p est petite mais elle n’est pas inférieure à 0,1. Si p était inférieure à 0,1, on
pourrait même écrire X ≃ P ( 200 ) ( λ=np = 1000. 0,2 = 200) et dans ce cas, on aura
50
200
P (X = 50) ≃e−200 . .
50 !

6. Application économique

Supposons que des défauts majeurs apparaissent un mois après la construction d’une
autoroute à un taux moyen de 2 défauts par kilomètre. Soit « X » la variable aléatoire
correspondant au nombre de défauts dans un intervalle de longueur donnée et qui suit la loi
de Poisson.

1) Quelle est la probabilité de ne pas avoir un défaut dans une portion de cette
autoroute d’une longueur de 3 km ?

En moyen, on a 2 défauts pour 1 km d’autoroute. Donc pour 3 km, le nombre moyen de

60
défauts est 6. Dans ce cas, X P ( 6 ). P (X = 0) = e−6 . = 0,0024. Il y a une probabilité de
0!
0,0024 (très faible) de n’avoir aucun défaut dans une portion de 3 km de cette autoroute.

19
Maintenant, soit « Y » la variable aléatoire correspondant au nombre de défauts dans un
kilomètre apparus dans une autre autoroute et qui suit aussi la loi de Poisson de paramètre
3.

2) Quelle est la probabilité d’avoir 5 défauts au total (pour les deux autoroutes) dans
une portion de 1 km ?

Pour une portion de 1 km, nous avons X P ( 2 ) et Y P ( 3 ). Sachant que X et Y sont

indépendantes (il n’y a pas à priori de relation entre l’apparition de défauts dans la première
autoroute et l’apparition de défauts dans la seconde), on peut écrire que X +Y P ( 2+ 3 ). Soit
5
−5 5
Z=X +Y . Z P ( 5 ) . Ainsi, P (Z = 5) = e . ≈ 0,175.
5!

20