Pr. Aouragh Probabilités

Université Mohammed V de Rabat
Faculté des Sciences Juridiques Économiques et Sociales - Salé
Prof: S.L. Aouragh
Probabilités
Version provisoire
Filière:
Sciences Économiques et Gestion
2ème semestre,
Sections: E & F
Année universitaire : 2019/2020

Université Mohammed V, Rabat
Faculté des Sciences Juridiques, Economiques
et Sociales
Salé.
Filière:
Sciences Economiques et Gestion
Probabilités
2ème semestre, sections: E & F
Prof. S.L. Aouragh

aouragh@hotmail.com
https://www.aouragh.ma
https://www.facebook.com/groups/1476638955741044/
https://www.youtube.com/channel/UCfmH7UvbkdI58EEJy7hASnw
Année universitaire : 2019/2020
Bibliographie
Des ouvrages :
◼ A. Gagou, « Introduction au probabilités » Cours avec
exercices corrigés,
◼ R. Sandretto « Probabilités » (Chap. 2-5), Rappels de cours
et exercices corrigés,
◼ Cyrille CRAPSKY « Probabilités pour l’économie » Cours et
exercices corrigés,
◼ M. N. Boulif « Calcul des probabilités » 50 éprouves
d’examens corrigées,
Pr. L. Aouragh – Probabilités (version provisoire)
1
Plan
✓ Analyse combinatoire,
✓ Calcul des probabilités,
✓ Variables aléatoires,
✓ Lois de probabilité.
E={1, 2, 3, 4, 5,6},
A ----→ 0
A= {nombre pair}
B ----→ 1
B= {nombre impair}
Introduction
Actuellement on fait recours au calcul des probabilités dans

plusieurs domaines, notamment dans le domaine des sciences
économiques et sociales, et cela pour la simple raison, qu’on y
est confronté à des phénomènes aléatoires, c.à.d des
phénomènes dont on ne peut pas connaitre ou prévoir avec
certitude les résultats.
Ceci est dû généralement à la complexité du phénomène
étudié (et/ou) à un manque d’informations.
Exemple:
Prévoir le prix d’une action boursière,
Deviner qui va gagner une course de chevaux.
2
Introduction
L’étude de chaque phénomène commence par la collecte des

informations et se termine par sa modélisation, afin de
tirer des conclusions et prendre des décisions.
La modélisation de phénomène étudié consiste à déterminer
un modèle qui explique le mieux possibles ce phénomène, en
se basant sur les résultats de la statistique descriptive, et la
théorie des probabilités.
D’où, l’intérêt d’un cours de calcul des probabilités.
Exemple:
Prévoir les ventes d’un magasin en fonction des frais de
publicité.
Chapitre I
Analyse combinatoire
3
Définition classique de la probabilité
Pour une expérience aléatoire donnée, si on suppose que tous

les cas possibles ont la même probabilité (équiprobable) et que
leur nombre est fini, On définit la probabilité d’un événement
par le rapport du nombre de tous les cas favorables à sa
réalisation sur le nombre de tous les cas possibles,.
D’où, pour calculer les probabilités, dans une telle situation, on
a besoin de deux outils:
La théorie des ensembles et l’analyse combinatoire.
Exemple de probabilité:
Lancer un dé à six faces et calculer la probabilité d’obtenir un
nombre pair.
Théorie élémentaire des ensembles
Définitions, vocabulaire et notations:

➢ Un ensemble est un groupe d’individus, appelés éléments.
➢ Le résultat d’une expérience aléatoire s’appelle événement.
➢ On note par « e  E», l’élément e appartient à E ou e est un
élément de l’ensemble E.
➢ On note « E = e1 , e2 ,..., en  », un ensemble de n éléments
e1, e2, …, en.
➢ On note par « E= ∅ », un ensemble vide,
➢ Un ensemble A est un sous-ensemble (ou une partie) de E,
si tous les éléments de A appartiennent à E.
On note « A  E », et on dit que A est inclus dans E.
4

➢ Pour un ensemble E non vide, on note P(E) l’ensembles de
toutes les parties de E,
➢ Si A est sous ensemble de E, on écrit A  E ou (A P(E)).
Exemple:
Si E={a, b, c}, alors :
P(E) ={∅, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, E},
Exemple: A= {a, c}, On a A  E et A  P(E)

➢ L’intersection de deux sous-ensembles A et B de E est un
sous ensemble de E formé des éléments appartenant à A et à
B. On la note par A  B ou AB, A  B = x  E / x  A et x  B
➢ La réunion de deux sous-ensembles A et B de E est un sous
ensemble de E formé des éléments appartenant à A ou à B,
On la note par A  B, A  B = x  E / x  A ou x  B
Exemple:
Si E={1, 2, 3, 4, 5}, A= {1, 2} et B= {2, 3, 4}, alors:
A  B= {2} et A  B= {1, 2, 3, 4},
10
5

➢ Si A B= ∅, on dit que A et B sont disjoints.
➢ On a toujours: A B  A et A B  B
A  A B et B  A B
➢ Soit A 
P(E), on appelle complémentaire de A dans E, le
sous ensemble de E formé de tous les éléments qui
n’appartiennent pas à A et on le note pas Ac, Ac = x  E / x  A 
➢ On appelle partition de E, toute famille A1, A2, …, An de sous
ensemble de E telle que:
Ai  Aj= ∅, pour tout i≠j et A1 A2  …  An=E
11

➢ On appelle cardinal de E le nombre de ses éléments,
Par exemple pour E = e1 , e2 ,..., en  on a card(E)=n.
Opération et propriétés
Soient A, B et C trois ensembles de de E, alors on a:
A B = B  A A B = B  A A =  A = A
A E = A A E = E A A =  c
A  Ac = E
( A  B )  C = A  (B  C ) = A  B  C A  (B  C ) = ( A  B )  ( A  C )
( A  B )  C = A  (B  C ) = A  B  C A  (B  C ) = ( A  B )  ( A  C )
( A  B )c = Ac  B c ( A  B )c = Ac  B c ( Ac )c = A
12
6
Opérations sur les cardinaux:

• card(∅)=0 et card(Ac)=card(E)-card(A),
• Si A B alors card(A)≤card(B),
• card(A  B)=card(A)+ card(B)-card(A B),
• Si A  B= ∅ alors card(A  B)=card(A)+ card(B),
A B
A∩B
13
Analyse combinatoire : notions générales
◼ L’analyse combinatoire est une branche qui étudie

comment compter les objets.
◼ Elle fournit des méthodes de dénombrements utiles en
théorie des probabilités.
◼ Les probabilités dites combinatoires utilisent constamment
les formules de l’analyse combinatoire.
◼ La théorie des probabilités est une science qui a pour
but l’étude des expériences aléatoires; elle vise à construire
des modèles mathématiques pour analyser des situations
impliquant l’incertitude, et à définir des mesures exactes de
cette incertitude par l’intermédiaire de ces modèles.
14
7
En analyse combinatoire, on a deux principes fondamentaux :

Le principe de multiplication :
Si une opération A peut être effectuée de m façons, et si
après que A a été effectuée, une deuxième opération B peut
être effectuée de n façons, alors les deux opérations
successives peuvent être effectuées de m  n façons.
Le principe d’addition :
Si deux opérations A et B sont mutuellement exclusives et s’il
y a m façons de réaliser A et n façons de réaliser B, alors il y a
m + n façons de réaliser l’une ou l’autre de ces deux
opérations (chacune est une solution).
15
Analyse combinatoire : Exemples
Exemple 1
Dans une organisation, deux postes différents doivent être
comblés. Cinq personnes ont posé leur candidature.
De combien de façons différentes peut-on attribuer les deux
postes A et B ? Sachant que le même candidat ne peut pas
occuper les deux postes en même temps;
Réponse
Pour occuper le poste A, il y a cinq candidats possibles. Une
fois que le poste A est comblé, il reste 4 candidats possibles
pour combler le poste B.
Donc, il existe 5 X 4 = 20 façons différentes.
Opération A : combler le poste A = 5 façons différentes,
Opération B : combler le poste B une fois le poste A est comblé = 4 façons différentes
16
8
Exemple 2
De combien de façons peut-on distribuer deux prix différents
parmi dix enfants si les deux prix peuvent être accordés à un
même enfant ?
Réponse
Pour attribuer le prix 1, il y a 10 enfants candidats. Une fois
que le prix 1 est attribué, tous les enfants, c’est-à-dire les 10,
sont encore candidats pour le deuxième prix puisque le même
enfant peut gagner deux prix.
Donc, il existe 10 X 10 = 100 façons différentes.
Opération A : attribuer le prix 1 = 10 façons différentes
Opération B : attribuer le prix 2 une fois le prix 1 est attribué = 10 façons différentes
17
Exemple 3
Combien de plaques d’immatriculation peut-on fabriquer si les
numéros de ces plaques comprennent deux lettres parmi 26
lettres et un nombre de maximum trois chiffres ?
Opération 3 : fixer le premier chiffre
Réponse = 10 façons différentes
Opération 1 : fixer la première lettre Opération 4 : fixer le deuxième chiffre

= 26 façons différentes = 10 façons différentes
L L 1 1 1
Opération 2 : fixer la deuxième lettre Opération 5 : fixer le troisième chiffre

= 26 façons différentes = 10 façons différentes
26 x 26 x 10 x 10 x 10 = 676 000 plaques différentes

18
9
Exemple 4
Combien peut-on former de nombres de 4 chiffres différents
qui ne contiennent pas le chiffre 5 ?
Réponse
C1 C2 C3 C4
1 0 0 0
Un nombre ne peut 2 1 1 1
3 2 2 2
commencer avec 0 4 3 3 3
6 4 4 4
Un nombre ne peut 7 6 6 6
8 7 7 7
contenir le chiffre 5 9 8 8 8
9 9 9
Moins C1 Moins C1 Moins C1, C2

et C2 et C3
8 x 8 x 7 x 6 = 2 688 nombres différents

19
Exemple 5
Combien de montants d’argent peut-on former avec les pièces
de 1DH, 2DH, 5DH et 10DH si on ne peut pas utiliser plus de
deux de ces quatre pièces ?
Réponse: Pour former les montants, on peut utiliser :
• Soit une pièce (opération A) ;
• Soit deux pièces (opération B).
M1 = 1¢ M5 = 1¢ + 2¢
M2 = 2¢ M6 = 1¢ +5¢
M3 = 5¢ M7 = 1¢ + 10¢ 10 montants possibles
M4 = 10¢ M8 = 2¢ + 5¢
Opération A M9 = 2¢ + 10¢
M10 = 5¢ + 10¢
Opération B
20
10
Exemple 6
De combien de façons peut-on partager 3 volumes (V1, V2,
V3) différents entre 2 personnes (A, B) si l’on doit en attribuer
au moins un à chacune d’elles ?
Réponse
Pour partager les volumes, on peut :
• Soit donner 1 volume à la première personne A et deux à B (opération 1) ;
• Soit donner 2 volumes à la personne A et 1 seul volume à B (opération 2).
P1 = (A, V1) et (B, V2, V3) P4 = (A, V1, V2) et (B, V3)
6 partages
possibles
Opération 1 Opération 2
21
La notion factorielle : Définition

On désigne par factorielle de n et l’on note n!, le produit des n
premiers entiers positifs.
n! = n  (n-1)  (n-2) … 3  2  1
Par convention, on a 0! = 1
Exemples :
4! = 4  3  2  1 = 24
5! = 5  4  3  2  1 = 120
Règle de simplification
Calculer 10!/6! ?
Réponse :
10!/6! = (10  9  8  7  6!) / 6! = 10  9  8  7=5040
22
11
Analyse combinatoire : Arrangements
Définition:
Etant donné un ensemble E de n objets, on appelle
arrangements de p objets toutes suites ordonnées de p objets
pris parmi les n objets.
p
Le nombre d’arrangements de p objets pris parmi n est noté : An
Remarque :
Deux arrangements de p objets sont donc distincts s’ils diffèrent
par:
1- La nature des objets qui les composent
2- L’ordre des objets dans la suite.
Exemple:
Un mot de passe de 4 chiffres est un arrangement A410
23
Exemples :
1. Une séquence d’ADN est constituée d’un enchaînement de 4
nucléotides [A (Adénine), C (Cytosine), G (Guanine) et T
(Thymine)]. Il existe différents arrangements possibles de
deux nucléotides ou dinucléotides avec p=2 et n=4.
2. Le nombre de noms de 5 lettres formés avec les 26 lettres de

l’alphabet correspond au nombre d’arrangements possibles
avec p=5 et n=26.
3. Le tiercé dans l’ordre lors d’une course de 20 chevaux

constitue un des arrangements possibles avec p=3 et n=20.
24
12
➢ Dans les exemples précédents:

L’ordre des éléments dans la suite est essentiel.
➢ Dans l’exemple 2:
Le mot AIMER est différent du mot MARIE.
➢ Dans les deux premiers exemples:
Une base ou une lettre de l’alphabet peut se retrouver
plusieurs fois,
➢ Dans le troisième exemple:
Les trois chevaux à l’arrivée sont forcément différents. Il faut
donc distinguer le nombre d’arrangements avec répétition
et le nombre d’arrangements sans répétition.
25
Arrangements avec répétitions
Lorsqu'un objet peut être observé plusieurs fois dans un

arrangement, le nombre d’arrangement avec répétition de p
objets pris parmi n, est alors: Anp = n p
Voici pourquoi :
◼ Pour le premier objet tiré, il existe n possibilités .
◼ Pour le second objet tiré, il existe également n possibilités
d’arrangements car le premier objet fait de nouveau parti des n
objets. On parle de tirage avec remise.
◼ Ainsi pour les p objets tirés, il y aura: n  n  .....  n
(p fois) arrangements possibles, soit: A p = n  ...  n = np
n
26
13
Arrangements avec répétitions
Exemples:
Concernant l’exemple de la séquence d’ADN, le nombre de
dinucléotides attendus si l’on fait l’hypothèse qu’une base peut
être observée plusieurs fois dans la séquence (ce qui
correspond effectivement à la réalité) est donc : A4 = 4
2 2
16 dinucléotides possibles
Les 16 dinucléotides identifiables dans une séquence d’ADN
sont :
AA AC AG AT CA CC CG CT
GA GC GG GT TA TC TG TT
27
Arrangements sans répétition

Lorsque chaque objet ne peut être observé qu’une seule fois
dans un arrangement, le nombre d’arrangements sans répétition
de p objets pris parmi n est alors : A p = n!
Voici pourquoi : (n − p ) !
n
◼ Pour le premier objet tiré, il y a n manières de ranger l’objet parmi n

◼ Pour le second objet tiré, il n’existe plus que n-1 manières de ranger l’objet
car le premier objet ne peut plus être pris en compte. On parle de tirage sans
remise. Ainsi pour les p objets tirés parmi n, si 1 ≤ p ≤ n, il y aura:
n!
Anp = n(n − 1)(n − 2 )  ...  (n − p + 1) =
(n − p ) !
Remarque:
On a nécessairement 1 ≤ p ≤ n et n, p ∈ N*
◼ Si n < p, alors Anp = 0 (sans remise)
28
14
Arrangements sans répétition
Exemple:
Concernant l’exemple de la séquence d’ADN, le nombre de
dinucléotides attendu dans une séquence si l’on fait
l’hypothèse qu’une base n’est observée qu’une seule fois est
donc : 4!
A42 == = 12
(4 − 2 ) !
12 dinucléotides possibles
◼ Sous cette contrainte, les 12 dinucléotides possibles sont :
AA AC AG AT CA CC CG CT
GA GC GG GT TA TC TG TT
◼ Ceci correspond aux 16 arrangements possibles avec répétition auxquels
sont soustraits les 4 dinucléotides résultant de l’association d’une même
base.
29
Permutations
Permutations sans répétition:

permutations de n objets distincts toutes suites ordonnées
de n objets ou tout arrangement n à n de ces objets.
Le nombre de permutations de n objets est : Pn = n !
Remarque:
La permutation de n objets constitue un cas particulier
d’arrangement sans répétition de p objets pris parmi n
lorsque p=n, Ainsi le nombre de permutations de n objets est:
n!
Pn = Ann = = n!
(n − n ) !
30
15
Permutations
Exemples
◼ Le nombre de manières de placer 8 invités autour d’une table
est : P8 = 8! = 40 320 possibilités
◼ Soit un ensemble A = {a, b, c}, on cherche toutes les
dispositions ordonnées de ces 3 lettres.
D1 = (a ; b ; c)
D2 = (a ; c ; b) P3 = 3! = 3  2  1 = 6
D3 = (b ; a ; c) Ou
D4 = (b ; c ; a)
3! 3  2  1
D5 = (c ; a ; b) A33 = = =6
D6 = (c ; b ; a) 0! 1
31
Permutations avec répétitions
Dans le cas où il existerait k répétitions d’un même objet parmi

les n objets, le nombre de permutations possibles des n objets
doit être rapporté aux nombres de permutations des k objets
identiques.
n!
Le nombre de permutations de n objets est alors : Pn =
k!
En effet, les permutations de k objets identiques sont toutes
identiques et ne comptent que pour une seule permutation.
32
16
Permutations avec répétitions
Exemple:
Considérons le mot « CELLULE ». Le nombre de mots
possibles (avec ou sans signification) que l’on peut écrire
en permutant ces 7 lettres est :
7!
P7 = = 420 mots possibles
2 ! 3!
en considérant deux groupes de lettres identiques :

L (3 fois) et E (2 fois).
33
Combinaisons
Si l’on reprend l’exemple de la séquence d’ADN, à la

différence des arrangements où les dinucléotides AC et CA
formaient deux arrangements distincts, ces derniers ne
formeront qu’une seule combinaison.
Pour les combinaisons, on ne parle plus de suite ni de série
puisque la notion d’ordre des objets n’est plus prise en
compte. On parle alors de tirages sans remise.
AC AG AT CG CT GT
CA GA TA GC TC TG
(A,C) (A,G) (A,T) (C,G) (C,T) (G,T)
6 dinucléotides
34
17
Combinaisons sans remise
Définition:
combinaisons de p objets tout ensemble de p objets pris
parmi les n objets sans remise.
Le nombre de combinaisons de p objets pris parmi n est
noté :
n! n  n!
C np = ou   = avec 1  p  n
p ! (n − p )!  p  p ! (n − p )!
35
Combinaisons sans remise
Explication:
Pour calculer le nombre de combinaisons de p objets pris
parmi n:
◼ Il y a Anp manières de tirer p objets parmi n en les
n!
ordonnant soit avec : Anp =
(n − p )!
◼ Une fois les p objets tirés, il y a p! manières de les
Anp
ordonner, il y a donc manières de tirer p objets parmi
p! p
An n!
n sans les ordonner d’où: Cnp = =
p ! p !(n − p )!
36
18
Exemples
1. Le tirage au hasard de 5 cartes dans un jeu de 32

cartes est une combinaison avec p=5 et n=32.
2. La formation d’une délégation de 5 personnes parmi un
groupe de 50 candidats, constitue une combinaison
avec p=5 et n=50.
Pour ces deux exemples, les objets tirés sont

clairement distincts.
37
Combinaisons avec remise
Définition:
Une combinaison avec répétition est un sous-ensemble
non ordonné de p objets choisis avec remise dans un
ensemble qui contient n objets.
Dans ce cas, on n'a donc pas obligatoirement p≤n.
Exemple:
Muni de 5 «bon pour une boisson», vous allez prendre livraison à un café que peut
délivrer 8 sortes de boissons dénommées ABCDEFGH. De combien de manières cette
livraison peut-elle être réalisée?
Exemples de livraisons: ACCCG, BHHHH, ...
Les livraisons AACCC et ACACC doivent être considérés comme identiques;
Compter les «combinaisons» signifie que l'ordre des éléments n'est pas pris en compte.
38
19
Solution:
Considérons que l'on introduise des séparateurs « / » entre les 8 boissons, on aura par
exemple: 00/0//00/// veut dire la commande: AABDD
1 2 3 4 5 6 7
X1 X2 X3 X4 X5 X6 X7 X8
/ / / / / / /
Avec xi représente le nombre de 0 entre deux séparateurs et on a: x1+x2+…x8=5
On a alors 8-1=7 séparateurs. Toute combinaison revient alors à placer les 7
séparateurs et les 5 zéros dans un ordre donné.
Toute combinaison avec répétition est donc une permutation de 5+7 avec répétition
des 7 séparateurs et des 5 zéros.
Le nombre de combinaisons avec remise de p objets parmi n objets distincts est :
12 !
K 85 = = C125 = C85+5−1
5!7 !
39
Le nombre de combinaisons de p objets parmi n objets

distincts avec remise est : (n + p − 1)!
p p
K n = C n + p −1 =
Exemple: p ! (n − 1)!
Calculer le nombre de combinaisons de 3 lettres tirées avec
remise à partir d’un alphabet à 5 lettres distinctes, si on suppose
que seule la nature des objets tirés qui compte, indépendamment
de l’ordre des tirages.
Solution:
On aura 4 séparateurs et trois 0, la solution est donc une
permutation de 4+3 avec répétition des 4 séparateurs et des 3
7! 7!
zéros. P7 = = = C 37 = C 53-1 = C pn +p-1 avec n = 5 et p = 3
3!4! 3! (5 - 1)!
40
20
Exercice
Lors d’un recrutement pour quatre postes identiques se

présentent huit garçons et six filles,
1. Combien de recrutements distincts sont possibles ?
2. Combien de recrutements distincts sont possibles
sachant l’on embouche deux filles et deux garçons ?
sachant l’on embouche exactement trois filles ?
sachant l’on embouche trois garçons ?
41
Résumé
Opération
Avec Sans
répétition répétition
Arrangement Permutation Combinaison Arrangement Permutation Combinaison
Anp = n p Anp =
n!
Pn =
n! (n − p ) !
k! Pn = n !
Cnp+ p −1 =
(n + p − 1)! Cnp =
n!
p !(n − 1)! p !(n − p )!
42
21
Chapitre II
Calcul des probabilités
43
Généralités – espace probabilisable
Notions d’expérience aléatoire:

Définitions:
Une expérience aléatoire (E) est une expérience ayant
un nombre fini de résultats possibles, et dont il est
impossible de connaître l’issue à l’avance.
L’univers (Ω) est l’ensemble de toutes les issues possibles
associées à cette expérience.
Un événement est un ensemble des résultats acceptables
d’une expérience aléatoire, C’est une partie de Ω .
Un événement élémentaire est une issue possible, c’est-
à-dire un sous-ensemble de Ω à un seul élément.
44
22
Exemple:
Notre expérience aléatoire consiste à lancer un dé à 6 faces.
L’expérience aléatoire (E) lancer un dé à 6 faces,

L’univers est Ω = {1, 2, 3, 4, 5, 6},
Tous les résultats possibles de notre expérience,
Un événement est {5} ou les nombres impairs {1,3,5}
Une partie des résultats,
Un événement élémentaire est {1} ou {2} …. ou {6}
Une partie des résultats qui contient un seul élément,
45
Vocabulaire des événements:

◼ L’ensemble de toutes les parties de Ω est noté T=P(Ω), c’est
l’ensemble de tous les événements liés à Ω .
◼ Ω est l’événement certain, ∅ est l’événement impossible.
◼ Ā est l’événement contraire de A s’il vérifie:
A est réalisé ssi Ā n’est pas réalisé, Ā = {ei ∊Ω tel que ei ∉ A}
◼ A ∩ B est réalisé ssi A et B sont réalisés simultanément,
◼ Si A∩B = ∅, les événements A et B sont dites incompatibles,
◼ A ∪ B est réalisé ssi au moins l’un des événements A ou B est
réalisé,
◼ A ∁ B veut dire si A est réalisé alors B est réalisé,
46
23
Probabilités
Définitions:
1. On appelle espace probabilisable lié à une expérience
E, le couple (Ω,T) où Ω est l’ensemble de résultats
possible est T est l’ensemble des événements liées à E,
2. Soit une expérience aléatoire et Ω son univers associé
(supposé fini ou dénombrable), On appelle probabilité,
notée p, toute application de P(Ω) dans R, qui vérifie :
➢ Pour tout événement A, 0 ≤ p(A) ≤ 1
➢ P(Ω)=1,
➢ Si deux événements A et B sont incompatibles
(A∩B=∅), alors p(A ∪ B) = p(A) + p(B).
On appelle espace probabilisé associé à l’expérience E, le
triplet (Ω,T,p),
47
Probabilités
Propriétés:
1) A, B  T : A  B  p( A)  p(B )
2) p( ) = 0
3) A  T : p ( A) = 1 − p ( A)
4) A, B  T : p ( A  B ) = p ( A) + p ( B ) − p ( A  B )
Preuve:
1) A  B  B = A  ( B  A)
2)    = 
3)  = A  A
4) A, B  T A = ( A  B )  (A  B ) et B = (B  A)  (B  A)
48
24
Probabilités
Preuve:
49
Probabilité uniforme
Définition:
S’il y a n événements élémentaires équiprobables dans Ω,
alors la probabilité de chaque événement élémentaire vaut
1/n et, pour tout événement A,
nombre d’ éléments de A card ( A)
p ( A) = =
nombre d’ éléments de  card ( )
L’équiprobabilité correspond au cas où les événements ont
tous la même probabilité.
Si A = e1 , e2 ,..., en , où les ei sont des événements élémentaires,
Alors p ( A) = p (e1 ) + p (e1 ) + ... + p (en )
50
25
Exemple:
Une urne contient 5 boules noires, 4 boules blanches et 1 boule
verte. On tire simultanément et au hasard 4 boules de cette urne.
1. Combien y-a-t-il de tirages possibles ?
2. Quelle est la probabilité d’obtenir :
a. Aucune boule noire ?
b. Autant de boules vertes que de boules blanches ?
c. Au moins une boule noire ?
d. Exactement 2 boules noires et une boule verte ?
e. 4 boules d’une même couleur ?
51
Pr. L. Aouragh - Statistique descriptive
52
26
Probabilité conditionnelle
Définition:
Soit p une probabilité sur un univers Ω et A, B deux
événements tels que p(A) ≠ 0. La « probabilité que
l’événement B soit réalisé sachant que A l’est déjà » est
p( A  B )
définie par:
B p ( A) = p ( A)
()
On l’appelle probabilité conditionnelle, noté PA ( B )
Remarque:
Une autre forme de la relation (*) est: p ( A  B ) = p B ( A). p( A)
53
Exemples de probabilité conditionnelle
Exemple 1 :
On a interrogé un ensemble des étudiants sur leurs loisirs :
50% d’entre eux aiment la lecture,
75% aiment le sport,
40% des étudiants déclarent aimer la lecture et le sport.
On rencontre au hasard l’un de ces étudiants. On considère les
événements :
L : « L’étudiant aime la lecture »
S : « L’étudiant aime le sport »
1. Donner les probabilités des événements L, S et L∩S
2. Quelle est la probabilité que l’étudiant aime le sport sachant qu’il
aime la lecture ?
3. Quelle est la probabilité que l’étudiant aime la lecture sachant qu’il
aime le sport ?
54
27
Solution:
1 - Cette question est une traduction des données de l' exercice,
On a : P(L ) = 0,5; P(S ) = 0,75; P(L  S ) = 0,4.
2 - On a P(L )  0 donc PL (S ) est bien défini,
P(L  S ) 0,4
PL (S ) = = = 0,8.
P(L ) 0,5
3 - On a P(S )  0 donc PS (L ) est bien défini,
P(L  S ) 0,4
PS (L ) = =  0,53.
P (S ) 0,75
55
Exemple 2:
On considère une urne contenant 4 boules blanches et 3 boules
noires. On tire une à une et sans remise 3 boules de l'urne.
Quelle est la probabilité pour que la première boule tirée soit
blanche, la seconde blanche et la troisième noire ?
Solution:
On note Bi (resp. N i ) l' événement : " La i - ème boule tirée est blanche (resp. noire)"
On cherche à calculer P (B1  B2  N 3 ), on aura :
P (B1  B2  N 3 ) = P (B1 )P

B  N 
 2 B  P 3 B  B 
 1  1 2 
P (B1 ) = ; P  3 (il reste 6 boules dont 3 blanches)

4 B
 2B =
7  1 6
P N3  3
= ; Finalement, on obtient P (B1  B2  N 3 ) =
6
 B1  B2 
 5 35
56
28
Evénements indépendants
Définition:
Dans un espace probabilisé (Ω,T,P), deux évènements A et
B sont dits indépendants ssi:
P(A)=0 ou P(A) ≠ 0 et P(B / A)=P(B)
Autrement dit: deux événements A et B sont dits
indépendants ssi: P(A∩ B)=P(A).P(B)
Soit ( Ai )1i  n une suite d’événements d’un espace
probabilisé (Ω,T,p), on dit qu’ils sont:
1.Indépendants ssi P  A  =  P ( A )
n n
 
i i
i =1 i =1
2.Indépendants deux à deux ssi i  j : P ( A  A ) = P ( A )  P ( A )i j i j
57
Système complet d’évènements
Définition:
Une suite d’événements A1, A2,.....,An forment un système
complet d’évènements s’ils constituent une partition de
Ω c’est-à-dire:
n
i, Ai   ; i  j : Ai  Aj =  A =
i =1
i
Exemple:
Les événements A et Ā constituent un système complet
d’événements,
58
29
Système complet d’évènements
Théorème :
Si A1 , A2 ,..., An  est un système complet d ' événement,
quel que soit l ' événement B, on a :
P( B ) = P B  P( A1 ) + P B  P( A2 ) + ... + P B  P( An )

 A1   A2   An 
P( B ) =  P B  P( Ai )
n
(Formule des probabilités totales )
i =1  Ai 
Preuve:
On a: B = ( A1  B )  ( A2  B )  ...  ( An  B )
59
Exemple des probabilités totales
Exemple:
Pierre possède un jeu électronique. Une partie est un duel entre Pierre
et un monstre choisi par la machine. Soient les deux événements:
A:«Pierre combat le monstre M1» et B:«Pierre combat le monstre M2»
Supposons que A et B ont la même probabilité 1/2.
Si Pierre combat M1 alors la probabilité qu’il gagne est 1/3
Si Pierre combat M2 alors la probabilité qu’il gagne est 1/4
Pierre joue une partie.
Soit G l’événement : ”Pierre gagne la partie”.
1. Calculer la probabilité des événements A∩G et B∩G
2. En déduire la probabilité de G.
60
30
Exemple des probabilités totales
Solution:
Traduisons les données de l' énoncé :
1 1 1 1
P ( A) = ; P ( B ) = ; PA (G ) = ; PB (G ) = ,
2 2 3 4
1 1
1. P ( A  G ) = PA (G )  P ( A) = et P ( B  G ) = PB (G )  P ( B ) =
6 8
2. A et B sont deux événement incompatibles, donc A  B = 
A et B forment ce qu’ on appelle une partition de l’ univers , qui est
l’ ensemble de tous les résultats possibles, donc A  B =  donc :
P ( A  B ) = P ( A) + P ( B ) = 1 et P( A  B ) = 0
P (G ) = P (G   ) = P (G  ( A  B )) = P ((G  A)  (G  B ))
1 1 7
= P (G  A) + P (G  B ) = + =  0,29
6 8 24
61
Le théorème de Bayes
Théorème :
Si A1 , A2 ,..., An  est un système complet d ' événements,
quel que soit l ' événement B tel que P( B )  0, on a :
P B  P( Ai )
P i  =
A  Ai 
 B  P B  P( A ) + ... + P B  P( A )
 A  A 
 1
1
 n
n
P B  P( Ai )
P i  =
A  Ai  Formule de Bayes
 B
P B  P( Ai )
n

i =1  Ai 
62
31
Le théorème de Bayes
Preuve:
P ( Ai  B )
Probabilités conditionnelles P  Ai  =
 B P (B )
Probabilités composées P ( Ai  B ) = P  B  P ( Ai )
 Ai 
P (B ) =  P  B P ( Ai )
n
Probabilités totales;
i =1  Ai 
P  B  P ( Ai )
 Ai   Ai 
P = n
 B 
 P  B  P ( Ai )
i =1  Ai 
63
Application du théorème de Bayes
Exercice :
Dans une usine, 3 machines fabriquent des pièces
mécaniques avec les proportions respectives suivantes:
25%, 35% et 40%.
On sait que les taux de production de pièces défectueuses
par les trois machines sont respectivement de 10%, 5% et 1%.
On choisit au hasard une pièces dans un lot de pièces
fabriquées par l’usine et on constate qu’elle est défectueuse.
Quelle est la probabilité qu’elle soit fabriquée par la 3ème
machine
64
32
Solution:
On note les événements:
D= « la pièces est défectueuse »,
Mi=« la pièce est fabriquée par la ième machine »,
On a:
i) P(M1)=0,25; P(M2)=0,35 et P(M3)=0,4;
ii) P(D/M1)=0,1; P(D/M2)=0,05 et P(D/M3)=0,01;
Donc par le théorème de Bayes, on calcule la probabilité P(M3/D) par:
P  D  P (M )
P  3  =
M  M 3
3
=
0,004
= 0,086
 D 3
 D  P (M ) 0,0465

i =1
P
 Mi  i
65
Exercice :
Dans une région, selon un recensement général de la population et
de l'habitat, 72% de la population est urbaine. On a aussi 41,3% des
urbaines et 37,1% des ruraux de cette population sont célibataires.
On note les événements:
U : "être un urbain", R : "être un rural", et C : "être un célibataire",
1. Calculer les probabilités suivantes: P(U), P(R), P(C/U), P(C/R),
2. Calculer la probabilité pour qu'un individu interrogé soit célibataire.
3. Sachant que la personne interrogée est célibataire, quelle est la
probabilité pour qu'elle soit du milieu urbaine ?
4. Sachant que la personne interrogée n'est pas célibataire, quelle est la
probabilité pour qu'elle soit du milieu rural ?
66
33
Chapitre III
Variables aléatoires
67
Introduction:
Généralement, l’ensemble Ω d'événements élémentaires: {e1, …,
en}, associé à une expérience aléatoire, est un ensemble
«abstrait», sur le quel on ne peut pas effectuer des opérations et
faire des comparaisons.
D’où il est intéressant de passer d’un espace fondamental
quelconque à l’ensemble ℝ des nombres réels. Ce passage est
assuré par les variables aléatoires.
Exemple:
Dans une famille de deux enfants, l’espace fondamental est constitué des
évènements élémentaires suivants : Ω = {GG, GF, FG, FF}
Les valeurs possibles prises par la variable aléatoire X=«nombres de fille
dans la famille» sont : X (Ω) = {0, 1, 2}
68
34
Définition:
Pour un ensemble Ω d'événements élémentaires : {e1, …, en},
faisons correspondre un nombre X prenant l'une des valeurs :
Dx={x1, …, xn} lorsque l'événement élémentaire correspondant se
réalise. Le nombre X est appelé variable aléatoire.
Remarques:
On dit qu’une variable aléatoire X est discrète (v.a.d) si Dx est fini
ou infini dénombrable.
On dit qu’une variable aléatoire X est continue (v.a.c) si Dx est
continue.
Sur un même espace fondamental on peut définir plusieurs
variables aléatoires selon les objectifs des l’expérience aléatoire.
69
Loi de probabilité
Définition:
La correspondance (xi , p(xi)) est appelée : loi de
probabilité (ou distribution de probabilité) de la variable
aléatoire X.
Notations:
1. p(xi)=P({X=xi})= P(w∊ Ω / X(w)=xi)
2. Afin de simplifier l’écriture, nous noterons pour la suite :
P({X = xi}) équivalent à P(X=xi) ou pi
Remarque:
Les pi vérifient la relation:
p1+ ... + pi+ ... + pn= 1
70
35
Fonction de répartition
Définition:
On appelle fonction de répartition d’une variable aléatoire
X, la fonction FX telle que :
FX : R → R
t → FX (t) = P(X ≤ t)
Remarque:
La fonction de répartition correspond à la distribution des
probabilités cumulées.
La fonction de répartition au point t est la somme des
probabilités des valeurs xi de X (inférieures à t) jusqu’à t:
F(t)=P( X  t)=P(X=x1) +…+P(X=xi) tel que x1, ..xi,  t
71
Exemple:
On considère l’évènement :
ω = «lancer une pièce de monnaie 3 fois».
On introduit une variable aléatoire X définie par:
X(ω)=«nombre de piles de l’évènement ω».
La loi de probabilité de X est :
Nombre de piles xi P(X=xi) Fx(xi)
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 1
72
36
Exemple:
Dans le cas d’une variable aléatoire discrète, on utilise un
diagramme en bâtons pour visualiser la distribution de
probabilités et une fonction en escalier pour la fonction
de répartition.
73
Propriétés:
Soit FX la fonction de répartition d ' une v.a. discrete X alors :
− t   0  FX (t )  1
− FX est croissante sur 
− lim FX (t ) = 0 et lim FX (t ) = 1
t → − t → +
− Si a  b P(a  X  b ) = FX (b ) − FX (a )
Preuve:
1 et 3 résultent de la définition d ' une probabilité
2 − si a  b, alors X  a  X  b donc P ( X  a )  P ( X  b )
4 − X  b = X  a a  X  b ainsi FX (b ) = FX (a  X  b ) + FX (a )
74
37
Paramètres d’une variable aléatoire
L’espérance mathématique de X:
n
E ( X ) =  pi xi = p1 x1 + p2 x2 + .... pn xn
i =1
La variance de X :
n n
V (X ) =  2
( X ) =  pi ( xi − E ( X )) 2
=  pi x 2 − ( E ( X ))
i
2
i =1 i =1
L’écart-type de X:
 (X ) = V (X )
75
Propriétés des paramètres d’une v.a
Soient X et Y deux v.a. définis sur (Ω,P) et a et b deux réels, on a alors

les propriétés suivantes:
− E (aX ) = aE ( X );
− E ( X + b ) = E ( X ) + b;
 n ,m

− E ( X + Y ) = E ( X ) + E (Y )  E ( X + Y ) =  pij (xi + y i )
 i , j =1 
− V (X + a ) = V (X )
− V (aX ) = a 2V ( X )
Exemple: On lance un dé de six faces, et on définit:
X:« le numéro de la face donnée par le dé »,
Y:« prend 0 si la face est impaire et 1 si elle est paire »,
Si a=10 et b=100. Montrer que X et Y vérifient les propriétés si dessous
76
38
Lois de probabilités usuelles
Loi de Bernoulli:
Une expérience dont le résultat est succès ou échec,
Exemple:
Un individu qui possède ou pas une caractéristique,
Définition :
La loi de Bernoulli de paramètre p est une loi de
probabilité discrète associée à une expérience aléatoire en
faisant correspondre la valeur 1 à l’apparition d’un succès et
0 à celle d’un échec.
P(X=1) = p et P(X=0) = 1-p = q
Notation : X ~ B(p) (X suit la loi de Bernoulli p)
Caractéristiques : E(X) = p et V(X) = pq
77
Exemples
Exemple de variables qui suivent la loi de Bernoulli:

1.On lance un dé de six face, soit X la variable aléatoire qui
prend 1 si on a obtenu un nombre pair et 0 sinon,
2.Dans une enquête auprès des étudiants, on vérifie si

l’étudiant a validé la première semestre ou non,
3.Dans un hôtel on cherche si ses clients sont de nationalité

marocaine ou étrangère
4.Lors des tirs au but dans un match de foot, soit la variable

aléatoire X qui prend 1 si le joueur a marqué 0 sinon.
78
39
Loi Binomiale
On répète n fois une même expérience de Bernoulli, les
expériences sont indépendantes les unes des autres.
Exemple:
Dans une population de n individus, on compte le nombre
d’individus ayant une caractéristique.
Définition :
La loi binomiale de paramètres n et p, notée B(n; p) est
la loi de probabilité du nombre de succès dans la répétition
de n expériences de Bernoulli de paramètre p identiques et
indépendantes.
79
Loi Binomiale (suite)

La loi d’une v.a qui suit la loi de Binomiale est donnée par:
P ( X = k ) = C nk  p k  (1 − p )
n −k
pour k = 0,1,..., n
Notation : X ~ B (n, p )
Les caractéristiques :
E ( X ) = n  p et V ( X ) = n  p  (1 − p )
Exemple:
Le jeu de dé : l’expérience consiste à jeter un dé de six faces,
On répète d’expérience n fois:
La variable aléatoire X= « nombre de fois le résultat est le
chiffre 6 »
80
40
Exemples
Exemple de variables qui suivent la loi de Binomiale:

1.On lance 10 fois un dé de six faces, soit X le nombre de
fois le résultat est un nombre pair,
2.Dans une enquête auprès de 20 étudiants, soit X le

nombre des étudiants qui ont validé la première semestre,
3.Dans un hôtel contenant 30 clients, soit X le nombre des

clients de nationalité marocaine,
4.Lors des tirs au but dans un match de foot, soit X le

nombre de buts marqués par les cinq joueurs.
81
Exemple
Une machine à embouteiller peut tomber en panne.

La probabilité d’une panne à chaque emploi est de 0,01.
La machine doit être utilisée 100 fois.
Soit X=le nombre de pannes obtenues après 100 utilisations.
1. Quelle est la loi de X ?
2. Calculer P(X=0), P(X=1) et P(X>1).
0,27
82
41
Loi géométrique
On suppose que l'épreuve de Bernoulli B(p) est répétée une
indéfiniment.
Définition
Soit X la variable aléatoire qui à un schéma de Bernoulli
associe le nombre d'essais nécessaires à l'obtention du
premier succès.
La variable aléatoire X suit la loi géométrique de
paramètre p. Cette loi est notée : G(p).
1− p
P ( X = k ) = (1 − p )  p (k  N  ),
1
E( X ) = et V ( X ) = 2
k −1
p p
83
Loi Poisson:
La loi de Poisson modélise des situations où l’on s’intéresse
au nombre d’occurrences d’un événement dans un laps de
temps déterminé ou dans une région donnée.
Par exemple :
• Nombre d’appels téléphoniques qui arrivent à un
standard en x minutes,
• nombre de clients qui attendent à la caisse d’un magasin,
• nombre de défauts de peinture par m² sur la carrosserie
d’un véhicule…
84
42
Définition de la Loi Poisson:

La variable aléatoire X suit une loi de Poisson de
paramètre λ, notée P(λ) avec λ> 0 lorsque sa loi de
probabilité vérifie : k
P( X = k ) = e −  , k  N.
k!
Paramètre de la Loi de Poisson:
Soit X une v.a suivant une loi de Poisson de paramètre λ,
alors on a: E(X) = V (X) = λ.
Propriété:
Si X suit P(λ) et Y suit P(μ) alors Z=X+Y suit P(λ+μ)
85
86
43
Approximation:
Si n est grand et p assez petit, on peut approximer la loi
Binomiale B(n,p) par la loi de Poisson P(λ) de même
espérance mathématique λ=n.p.
Pratiquement:
On admet que cette approximation est satisfaisante lorsque:
n  30 et p  0,1 avec n. p  10
Remarque:
La loi de poisson est souvent utilisée quand la v.a. X désigne
le nombre d’apparitions d’un événement rare.
87
Exercice:
On sait que la probabilité pour qu'une personne soit allergique à
un certain médicament est égale à 10−3. On s'intéresse à un
échantillon de 1000 personnes. On appelle X la variable aléatoire
dont la valeur est le nombre de personnes allergiques dans
l'échantillon.
1 - Déterminer, en la justifiant, la loi de probabilité de X.
2 - En utilisant une approximation que l'on justifiera, calculer les
probabilités des évènements suivants :
a) Il y a exactement deux personnes allergiques dans
l'échantillon.
b) Il y a au moins deux personnes allergiques dans l'échantillon.
88
44
Solution:
89
Exercice:
On considère qu’il apparaît, en moyenne, chaque année 20
nouveaux cas d’un type de maladie pour 100 000 habitants.
On appelle X le nombre de nouveaux malades dans l’année, dans
une ville de 50 000 habitants.
1°/ Déterminer la loi de la variable X.
2°/ Donner une loi approximative de cette loi.
3°/ Calculer la probabilité pour qu’il apparaisse au plus 4
nouveaux malades:
a) dans une ville de 50 000 habitants.
b) dans une ville de 5 000 habitants.
90
45
Solution:
91
Rappel
Loi de Bernoulli: Expérience faisant correspondre la valeur 1 à l’apparition

d’un succès et 0 à celle d’un échec
P(X=1) = p et P(X=0) = 1-p, E(X) = p et V(X) = p(1-p)
Loi Binomiale:
Le nombre de succès dans la répétition de n expériences de Bernoulli,
P( X = k ) = Cnk  p k  (1 − p )
n−k
E ( X ) = n  p et V ( X ) = n  p  (1 − p )
Loi géométrique:
Nombre d'essais nécessaires à l'obtention du premier succès dans un
schéma de Bernoulli
1− p +
( )
1
=  (n + 1)x n
1
P( X = n ) = (1 − p )  p n  N E ( X ) = et V ( X ) = 2
n −1
p (1 − x ) n =0
2
p
Loi Poisson: +
k 1 n
P( X = k ) = e −  , E(X) = V (X) = λ e =  x
x
k  N.
k! n =0 !
n
92
46
Variables aléatoires continues
Les lois usuelles vus jusqu’à maintenant sont des lois des
variables discrètes,
Définition:
Une variable aléatoire est dite continue si elle peut prendre
toutes les valeurs dans un intervalle donné.
Exemple:
Toutes les variables qui résultent d’une mesure sont de type
continu, exemple:
◼ La taille d’une personne
◼ Taux de glucose dans le sang,
◼ Le poids d’un nouveau-né,
93
La densité de probabilité
On appelle densité de probabilité toute application

continue par morceaux: f :  → 
Qui vérifie: x → f (x )
(P1 ) x   f (x )  0
+
(P2 ) −
f ( x )dx = 1
(P3 ) t   FX (t ) = P ( X  t ) =  f ( x )dx
t
−
Propriété:
( ) ( ) ( ) a f (t )dt.
b
- a , b  , a  b : P a  X  b = FX b − FX a =
- FX est une fonction croissante, continue à droite avec une
limite à gauche en tout point.
94
47
Espérance et variance d’une v.a.c
Définition:
+
L' espérance mathématique de X : E ( X ) =  tf (t )dt
−
La va riance de X :

V ( X ) = E ( X − E ( X )) = 
2
 +
−
(t − E ( X ))2 f (t )dt
Ou V ( X ) = E ( X 2 ) − (E ( X )) =  t 2 f (t )dt − (E ( X ))
2 + 2
−
L' écart − type de X :  ( X ) = V ( X )

95
Loi normale ou de Gauss
Définition:
Une v.a.r.c X suit la loi Normale (ou de Gauss) centrée réduite, notée
N(0,1), si elle admet pour densité de probabilité
2
la fonction f définie
par: 1 −x
x   : f (x) = e 2
2
La fonction de répartition d’une v.a.r.c X qui suit la loi Normale notée 
est défini par:
x   :  ( x ) =  f (t )dt
x
−
Remarque:
Lecture de la fonction de répartition de la loi N(0,1) pour x=1.24 :
intersection de la ligne 1.2 et de la colonne 0.04, P(Z < 1,24) = 0.8925
Pour x<0, on utilise la relation Ф(x)=1-Ф(-x) (la symétrie de Ф)
96
48
Exemple:
(1,24)=P(U < 1,24) = 0.8925
(u)=0,67 implique que u= 0,44
97
0,67
0,8944
98
49
Représentation de la Loi normale
Représentation graphique de la
densité de probabilité de la loi
normale.
1- Lien entre la densité f et la
fonction de répartition F
 ( x ) = P( X  x ) =  f (t )dt
x
−
2- Lien entre la densité f et les
probabilités .
P(a  X  b ) =  f (t )dt
b
=  (b ) −  (a )
99
Loi normale ou de Gauss: cas général
Définition:
Une v.a.r.c X suit la loi Normale N(μ,σ), si elle admet pour
densité de probabilité la fonction f définie par:
−
( x −  )2
1
x   : f (x) = e 2 2
 2
Remarque:
X -μ
La v.a.r.c Z = suit la loi Normale centrée réduite
N(0,1) σ
100
50
Approximation d’une loi Binomiale
Théorème:
Soit X une v.a qui suit la loi Binomiale B(n,p),
Pour n assez grand et p pas trop voisin de 0 ou de 1, X suit à
peu près la loi Normale,
N (n. p, np (1 − p ) )
Pratiquement :
On utilise souvent cette approximation lorsque:
n  30, n. p  5, n(1 − p )  5
101
Exercices sur la loi normale
Exercice 1:
Exercice 2:
Exercice 3:
102
51
Loi uniforme
Définition:
Une v.a. suit une loi uniforme continue sur [a, b] (avec a#b)
si sa densité de probabilité est :
 1
 si x  a, b
f (x ) =
1
1a ,b  =  b − a
b−a 0 sinon
On écrit : X ∼ U(a, b).
On montre que: a+b (a − b ) 2
E (X ) = V (X ) =
2 12
103
Exercices sur la loi normale
Exercice 4:
104
52
Loi du khi 2 (  )
2
Cette loi nous sera très utile pour étudier la distribution des
variances. Elle est construite à partir de la loi normale de la
façon suivante:
Définition:
Pour X1,…Xn, n v.a. indépendantes de même loi N(0,1),
n
Soit: K = X + X + ... + X =  X i2
1
2 2
2
2
n
i =1
Alors, K suit une loi du Khi 2 à n degrés de liberté.
105
Loi de Student
La loi de Student est construite à partir de la loi normale et

de la loi du Khi 2.
Elle est utilisée souvent pour faire des tests d’hypothèses.
Définition:
Soient X une v.a. de loi N(0,1), et K une v.a. qui suit une
loi du khi 2 à n degrés de liberté. On suppose de plus que K
et X sont indépendantes, soit :
X
Tn =
X
ou Tn =
K X 12 + X 22 + ... + X n2
n n
alors Tn suit une loi de student à n degrés de liberté.
106
53
Loi de Fisher
Définition:
Soient K1 et K2 deux v.a. indépendantes de loi
respectives  n et  p alors la variable:
2 2
K1
Fn , p = n
K2
p
suit une loi de Fisher à n et p degrés de liberté.
107
Loi exponentielle
Définition:
Une v.a. suit une loi exponentielle de paramètre θ > 0 si sa
densité de probabilité est:
 e −x si x  0
f (x ) = 
0 sinon
On montre que:
La fonction de répartition est: F ( x ) = 1 − e x
Et que:
E (X ) = V (X ) =
1 1
 2
108
54
Loi gamma
Définition:
Une v.a. X suit une loi gamma de paramètre p>0 et θ>0. Si
sa densité de probabilité est:
  p p −1 −x
 x e si x  0
f ( x ) =  ( p )
0
 sinon
Où la fonction gamma définie par :
( p ) =  x p −1e − x dx
+
pour p  0
0
On montre que:
E (X ) = V (X ) =
p p
 2
109
Loi gamma
Remarques:
1. La loi exponentielle de paramètre θ est une loi Γ(1, θ),
2. Si X1, ...,Xn sont des variables aléatoires indépendantes et
suivent des lois exponentielles de paramètres θ alors
X1+...+Xn suit une loi Γ(n, θ).
3. Parmi les nombreuses propriétés de la fonction Γ, on
signale:
 1
  si p =
( p ) =  2
( p − 1)( p − 1) si p  1
110
55
Exercice
Une entreprise fabrique des boîtes en carton.

On note X la variable aléatoire qui prend pour valeur la
hauteur d’une boîte en carton.
On admet que X suit la loi normale de moyenne 2,5cm et
d’écart type 0,2cm.
1. Calculer la probabilité qu’une boîte, choisie au hasard dans
la production, ait une hauteur inférieure à 2,25cm.
2. Déterminer le réel α tel que la probabilité que X soit
inférieure à α, ait pour valeur 0,67.
111
Solution
1. X suit une loi normale avec m=2,5 et σ=0,2 soit

N(2,5;0,2).
La probabilité cherchée est P(X<2,25).
On effectue le changement de variable T=(X-m)/σ
C’est-à-dire T=(X-2,5)/0,2 d’où:
P(X<2,25)= P(T<(2,25-2,5)/0,2)
= P(T<-1,25)
= 1-P(T<1,25) par symétrie de la loi de T
~ 1-0,8944 (d’après le tableau de loi normale)
~ 0,1056
112
56
Solution (suite)
2. le problème revient à résoudre l’équation:

P(X < α) = 0,67.
A l’aide du changement de variable, ceci équivaut à :
P(T < (α – 2,5)/0,2) = 0,67
Or, d’après la table, on a P(T < t) = 0,67 pour t = 0,44.
On résout donc (α – 2,5)/0,2 = 0,44
α = 0,44*0,2 + 2,5
Ce qui donne α = 2,588.
113
57
Université Mohammed V - Rabat Sciences Économiques et Gestion
Faculté des Sciences Juridiques Economiques et Sociales - Salé Semestre: S2, sections: E et F
Année Universitaire 2017/2018 Pr. S.L. Aouragh

Probabilité Série 3
Exercice
( 1: Soit X une variable aléatoire de densité de probabilité:
2kx si 0 ≤ x ≤ 1
f (x) =
0 sinon
1. Déterminer la constante k,
2. Déterminer la fonction de répartition de X,
1 1 3 1
3. Calculer: P (X > ), P ( < X < X > ),
4 4 4 3
4. Soit Y = 3X, déterminer la fonction de répartition de Y et sa densité de probabilité.
Exercice 2: Dans une entreprise, le délai de livraison d’une commande est une
variable aléatoire normale de moyenne µ = 30 jours et d’écart type σ = 5 jours.
1. Quelle est la probabilité que le délai soit compris entre 22 jours et 38 jours ?
2. Trouver le nombre réel x tel que 95% des cas le délai soit supérieur à x jours ?
Exercice 3: Une entreprise vend de la farine dans des sacs étiquetés de 5 kg. D’après
une étude, le poids des sacs est une variable aléatoire X qui suit la loi normale de moyenne
µ = 5, 2 kg et d’écart type σ = 0, 2 kg.
1. Quelle est la probabilité qu’un sac pèse moins que le poids inscrit sur l’étiquette ?
2. Dans un stock il y a 10000 sacs. Donner le nombre de sacs qui pèsent moins de 5 kg;
3. Un sac est dit non conforme si son poids est inférieur à 4,8 kg.
• Calculer la probabilité qu’un sac soit non conforme;
• Quelle est de nombre de sacs non conformes parmi les 10000 sacs;
4. Un inspecteur visite l’entreprise afin de s’assurer que les règlements sur l’étiquetage
sont bien respectés. Il prélève au hasard dix sacs parmi les 10000 sacs et pèse chacun
à l’aide d’une balance très précise. Il suffit que l’un des sacs pèse moins de 4,8 kg pour
qu’il émette un constat de non-conformité.
Quelle est la probabilité pour que l’inspecteur émette un avis de non-conformité ?
Exercice 4: Le gain net annuel d’une entreprise en millions de Dirhams (mDh) est
−(x − 2)2
1
une variable aléatoire X de densité: f (x) = √ e 0, 08 pour tout x ∈ R.
0, 08π
1. Donner l’espérance et l’écart type du gain net annuel de l’entreprise,
2. Quelle est la probabilité que l’entreprise réalise un gain net annuel compris entre 1 600
000 Dh et 2 400 000 Dh ?
Exercice 5: Un magasin constate que 50% de ses visiteurs effectuent un achat. Étant
donné qu’un après midi, 64 personnes ont visité le magasin indépendamment les uns des
autres. On considère la variable aléatoire X définie par:
X= le nombre des visiteurs ayant efectué un achat parmi 64
1. Quelle est la loi de X ? Donner son expression, ainsi que son espérance et son écart
type,
2. Calculer la probabilité que 30 visiteurs effectuent un achat,
3. En justifiant, préciser une loi approximative continue de X, et donner sa densité de
probabilité,
4. En utilisant cette loi approximative, calculer la probabilité que:
• Le nombre de visiteurs ayant effectué un achat ne dépasse pas 40,
• Le nombre de visiteurs ayant effectué un achat soit compris entre 26 et 38.
1/1
Année Universitaire 2016/2017 Pr. L. Aouragh et H. Baddi

Exercice 1: Une usine fabrique des pièces mécaniques et constate que pour un type
de pièces, la demande mensuelle (en milliers de pièces) est une variables aléatoire continue
X de densité:
1 2
f (x) = √ e−8(x−4) pour tout x ∈ R
0, 125π
1. Quelle est la loi de X ? Déterminer d’espérance et l’écart type de X avec leur unité.
On suppose maintenant que l’espérance de X est de 4 mille pièces et son écart type
est 0,25 mille pièces.
2. Quelle est la probabilité pour que la demande ne dépasse pas 4500 pièces en un mois,
3. Le stock d’un mois est 4600 pièces Calculer la probabilité que la demande ne soit pas
satisfaite.
4. Quelle est le nombre minimal xm de pièces que doit stocker l’usine chaque mois pour
satisfaire la demande avec une probabilité de 0, 98.
Exercice 2: Soit X une variable aléatoire continue de densité de probabilité définie
par: 
a

x
 si −e ≤ x < −1
f (x) = x + 1 − a si −1 < x ≤ 0



0 sinon
Déterminer la valeur de a.
Exercice 3: Le lait produit par une usine a une teneur en matières grasses qui se
caractérise par une moyenne de 160 grammes par litre et d’un écart type de 10 grammes
par litre. Les consommateurs n’acceptent que le lait dont la teneur en matières grasses
est comprise entre 135 grammes par litre et 185 grammes par litre. Calculer la proportion
de la production du lait inacceptable par les consommateurs.
Exercice 4: Une machine fabrique des pièces cylindriques caractérisées par leurs
diamètres. Soit X la v.a.r.c associe à la mesure des diamètres en centimètre, On suppose
que X suit une loi normale générale d’espérance m et d’écart type σ
Sachant que sur 50000 pièces fabriquées, on dénombre 16500 pièces dont le diamètre est
inférieur à 1, 6 cm et 5100 dont le diamètre est supérieur à 1, 8 cm
Déterminer l’espérance m et d’écart type σ
Exercice 5: On suppose que la durée de vie des ampoules d’un certain type de
vidéo-projecteur est une variable aléatoire X de loi normale d’espérance 3000 heures et
d’écart type 100 heures.
1. Donner l’expression de la densité de probabilité de X.
2. Quelle est la probabilité qu’une ampoule fonctionne moins de 2900 heures ?
3. Déterminer la durée de vie minimale xm qu’une ampoule peut dépasser avec une prob-
abilité de 0, 99.
Exercice 6: Pour qu’une pièce fabriquée par une machine soit utilisable, elle doit
avoir une longueur comprise entre 14, 7 cm et 15, 3 cm, sinon elle est rejetée. Sachant
que la longueur des pièces est une variable qui suit la loi normale de moyenne 15 cm et
d’écart-type 0, 2 cm.
Quelle est la proportion de pièces qui peuvent être rejetées ?
1/1

Exercice 1: Dans une boite, il y a 8 boules blanches, 6 rouges et 7 noires. On en
choisit 5 au hasard.
1. De combien de manière peut-on choisir les 5 boules ?
2. Quelle est la probabilité que, parmi les 5 boules tirées, il y en a 2 blanches, 1 rouge et
2 noires ?
Exercice 2: On lance un dé équilibré de six faces, on dit qu’on a succès lorsque la
face "6" apparait, (
1 si on a la f ace 6
On définit une variable X =
0 si autres f aces
1. Déterminer la loi de probabilité de la variable X,
2. Calculer l’espérance mathématique, la variance et l’écart-type de X.
Exercice 3: Une société de location possède 500 véhicules qui ont, quotidiennement,
une probabilité de 1% de tomber en panne.
Soit X le nombre de véhicules qui tombent en panne par jour,
1. Indiquer la loi de probabilité exacte de X ?
2. Par quelle loi peut-on approcher la loi de X ?
3. Quelle est la probabilité pour que, un jour donné, il y ait:
- Zéro véhicule en panne,
- Une véhicule en panne,
- Plus d’une véhicule en panne,
Exercice 4: Lors d’une inspection de contrôle de qualité d’une usine, on a pris au
hasard 10 pièces, supposons que la probabilité qu’une pièce soit défectueuse est égale à
0, 02. Déterminer la probabilité que parmi les 10 pièces contrôlées, il y en a au moins une
défectueuse.
Exercice 5: Supposons que lors de la transmission d’un signal, il y a deux possibilités,
soit que ce signal arrive correctement au destinataire et cela se produit 99% des cas, soit
ce signal arrive déformé dans 1% des cas. Soit la variable X qui correspond au nombre
de signaux qui arrivent correctement avant l’arrivé de premier signal déformé,
1. Déterminer le loi de probabilité de X ?
2. Calculer l’espérance mathématiques, la variance et l’écart-type de X ?
Exercice 6: Un standard reçoit en moyenne 2, 5 appels par heure. Si les appels
arrivent selon un modèle de Poisson:
1. Déterminer la probabilité que ce standard reçoit 12 appels durant une heure,
2. Quels sont l’espérance et l’écart-type du nombre d’appels reçus durant une journée de
8 heures.
Exercice 7: Une banque constate que les chèques sans provision représentent 1% des
chèques émis par les clients. Un jour donné, 100 clients ont émis chacun un chèque. Soit
X la variable aléatoire associée au nombre de chèques sans provision lors de ce jour.
On suppose que les clients émettent leurs chèques indépendamment les uns des autres.
1. Quelle est la loi de probabilité de X ? Justifier votre réponse.
2. Calculer son espérances et son écart type.
3. Calculer la probabilité de n’avoir aucun chèque sans provision parmi les 100 émis.
4. Par quelle loi discrète peut-on approcher la loi de X ? Donner son espérance.
5. En utilisant la loi approximative, calculer la probabilité d’avoir au moins deux chèques
sans provision parmi les 100 émis.
1/1

Probabilités Série 2
Exercice 1: Dans une région, selon un recensement général de la population et de
l’habitat, 72% de la population est urbaine. On a aussi 41, 3% des urbaines et 37, 1% des
ruraux de cette population sont célibataires. On note les événements suivants:
U: "être un urbain", R: "être un rural", et C: "être un célibataire",
1. Calculer les probabilités suivantes: P (U ), P (R), P (C/U ), P (C/R),
2. Calculer la probabilité pour qu’un individu interrogé soit célibataire.
3. Sachant que la personne interrogée est célibataire, quelle est la probabilité pour qu’elle
soit du milieu urbaine ?
4. Sachant que la personne interrogée n’est pas célibataire, quelle est la probabilité pour
qu’elle soit du milieu rural ?
Exercice 2: Un chercheur en marketing doit évaluer l’efficacité de l’utilisation et de la
connaissance du nom d’un produit. Une étude de marché a montré que le produit occupe
10% du marché et que 95% des personnes ayant déjà achetés ce produit se rappellent
le nom du produit, alors que seulement 20% des non acheteurs le reconnaissent. Une
personne est choisie d’une manière aléatoire parmi le groupe des consommateurs.
1. Quelle est la probabilité à priori acceptable que la personne choisie soit un acheteur du
produit ?
2. Sachant que la personne reconnaît le nom du produit, quelle est la probabilité à pos-
teriori qu’elle fasse partie des acheteurs du produit ?
3. Sachant que la personne ne reconnaît pas le nom du produit, quelle est la probabilité
à posteriori qu’elle fasse partie des acheteurs du produit ?
Exercice 3: Un certain jeu dépend du nombre de points X obtenus en jetant un dé
équilibré.
1. Calculer la loi de probabilité de X. Calculer l’espérance mathématique E(X) et la
variance V (X); Donner et interpréter graphiquement la fonction de répartition de X.
2. Le gain de ce jeu est donné par la fonction linéaire suivante G = 2X + 8.
(a) Tabuler la distribution de G;
(b) Calculer le gain espéré E(G) et la variance V (G).
Exercice 4: Une service après-vente d’un magasin reçoit, entre 15h et 18h, un appel
téléphonique par 5 minutes. On suppose que le nombre d’appels X par tranches de 5
minutes, entre 15h et 18h, suit une loi de Poisson de paramètre λ = 1.
1. Calculer la probabilité de recevoir entre 17h et 17h 05min:
(i) Zéro appel, (ii) Au moins deux appels.
2. Soit Y la variable aléatoire associée au nombre d’appels téléphoniques entre 15h et 18h.
Quelle est la loi de probabilité de la variable Y. et donner sa formule.
Exercice 5: Une banque constate que les chèques sans provision représentent 1% des
chèques émis par les clients. Un jour donné, 100 clients ont émis chacun un chèque. Soit
X la variable aléatoire associée au nombre de chèques sans provision lors de ce jour.
3. Calculer la probabilité de n’avoir aucun chèque sans provision parmi les 100 émis.
5. En utilisant la loi approximative, calculer la probabilité d’avoir au moins deux chèques
sans provision parmi les 100 émis.
1/1
Année Universitaire 2015/2016 Pr. L. Aouragh

Exercice 1:
On considère deux boîtes, l’une contient une bille noire et une blanche, et l’autre deux
noires et une blanche. On désigne une boîte au hasard, de la quelle on tire une bille.
1. Quelle est la probabilité qu’elle soit noire ?
2. Si l’on sait que la bille est blanche, quelle est la probabilité que ce soit la première
boîte qui ait été désignée ?
Exercice 2:
Soient X et Y deux variables aléatoires indépendantes de lois :
X 20 40 Y 10 20 40 80
P (X = xi ) 0,25 0,75 P (Y = yi ) 0,16 0,32 0,32 0,20
1. Calculer E(X), V ar(X), E(Y ), V ar(Y ).

2. Donner la loi de probabilité conjointe de X et Y .
3. Etablir la loi de probabilité de la variable aléatoire T = X + Y et calculer E(T ) et
V ar(T ).
4. Etablir la loi de probabilité de la variable aléatoire Z = X.Y et calculer E(Z) et
V ar(Z).
5. Vérifier par le calcul que Cov(X, Y ) = 0.
Exercice 3:
Une compagnie d’assurance répartit ses clients en quatre classes 0, 1, 2 et 3: les excellents
risques, les bons risques, les risques moyens et les mauvais risques.
Les effectifs de ces quatre classes représentent 35% de la population totale pour la classe
0, 22% pour la classe 1, 31% pour la classe 2, et 12% pour la classe 3. Soit X la variable
aléatoire donnant la classe d’un client,
1. Déterminer la loi de probabilité de X, et donner sa représentation graphique,
2. Déterminer la fonction de répartition de X, et donner sa représentation graphique,
3. Calculer la moyenne et la variance de X.
Exercice 4:
Une maladie congénitale a une prévalence de 1% chez les nouveaux-nés. Soit Xn la variable
aléatoire donnant le nombre de nouveau-nés malades sur un échantillon de taille n.
1. Quelle loi suit cette variable aléatoire (justifier),
2. Donner sa moyenne ainsi que sa variance,
On enregistre dans une clinique 10 naissances durant un week-end,
3. Quelle est la probabilité pour que deux au moins de ces nouveau-nés soient atteints de
la maladie,
4. Calculer E(X40 ) et V ar(X40 ) et donner une loi que suit X40 approximativement,
5. Calculer P (X40 = 0), P (X40 = 1) et P (X40 ≥ 2)
Exercice 5:
Une étude montre que 25% d’une certaine espèce de roses blanches avaient 6 pétales. Soit
X le nombre de roses blanches à 6 pétales parmi 40 roses au hasard de cette population
de roses.
1/2
1. Donner la loi de probabilité de X et calculer E(X) et V ar(X),

2. Déterminer la loi approchée de X et calculer P (X = 0), P (X = 1) et P (X ≥ 2),
Exercice 6:
Soit X la variable aléatoire représentant le temps d’attente d’une réaction chimique (ex-
primé en minutes). On suppose qu’elle suit une loi exponentielle dont la densité de
( x
− 25
λe pour x ≥ 0
probabilité est donnée par: f (x) =
0 si x < 0
1. Déterminer la constante λ et la fonction de répartition F de X,
2. Donner la représentation graphique de f et F ,
3. Calculer les quartiles Q1 , Q2 et Q3 ,
4. Calculer la probabilité des événements suivantes:
• Le temps d’attente est supérieure à 5 minutes,

• La réaction chimique s’effectue exactement au bout de 5 minutes,
• Le temps d’attente est compris entre 2 et 5 minutes.
5. Calculer le temps d’attente moyen et V ar(X).
Exercice 7:
Soit X une variable aléatoire suivant une loi normale centré réduite. Déterminer les réels
a, b et c qui vérifient: P (−a < X < a) = 0, 95, P (|X| < b) = 0, 99 et P (|X| > c) = 0, 006
Exercice 8: 
0 si x < 0 

cx si 0 ≤ x < 2
la fonction de répartition d’une variable aléatoire est donnée par: F (x) =
1 si x ≥ 2


1. Déterminer c et la densité de probabilité f et représenter graphiquement les fonctions
f et F ,
2. Calculer P (X < 3), P (X > 1), E(X), V (X) et la médiane de X
Exercice 9:
La durée de vie en milliers d’heures d’un appareil électronique est une variable aléatoire
continue X de densité:
f (x) = √
1
0, 02π
(x−5)2
e− 0,02 ∀x ∈ R
1. Déterminer l’espérance et l’écart type de X en milliers d’heures,
2. Quelle est la probabilité que la durée de vie ne dépasse pas 5200 heures ?
3. Quelle est la probabilité que la durée de vie soit comprise entre 4850 et 5120 heures ?
4. Déterminer la durée de vie minimale dm que l’entreprise peut atteindre avec une prob-
abilité de 0,95.
Extrait de la table de la fonction de répartition Φ(u) de la loi normale centrée réduite

(Valeurs arrondies)
u 0,10 0,50 1 1,2 1,5 1,645 2 2,3 2,4 2,5

Φ(u) = P (U < u) 0,5398 0,6915 0,8413 0,8849 0,9332 0,9500 0,9772 0,9893 0,9918 0,9938
2/2

Exercice 1: On lance un dé et une pièce de monnaie. De combien de façon possibles
peut s’écrire le résultat ?
Exercice 2: Un intermédiaire financier propose à chaque client de créer son propre
portefeuille composé d’une action, une obligation et un emprunt d’État.
Combien de portefeuilles différents peut-on composer si on a le choix entre 3 actions, 2
obligations et 4 emprunts d’État ?
Exercice 3: Dans certains pays, les numéros de téléphone possèdent 9 chiffres. Les
deux premiers chiffres indiquent les 9 zones géographiques ( de 01 à 09 ), les 7 suivants
représentent le numéro locale et celui-ci ne peut pas commencer par 0.
Combien de numéros téléphone différents peut-on attribuer pour une zone géographique
donnée ?
Exercice 4: Pour fabriquer les paquets d’immatriculation on peut utiliser toutes les
lettres de l’alphabet et tous les chiffres de 0 à 9, il n’existe aucune restriction.
Combien de paquets d’immatriculation différentes peut-on réaliser en attribuant à chaque
véhicule:
1. La numérotation AAA111 (3 lettres suivies de 3 chiffres) ?
2. La numérotation AAAA11 (4 lettres suivies de 2 chiffres) ?
Exercice 5: Le code d’un coffre-fort est composé de 5 chiffres tous différents et ne
contient que les chiffres de 1 à 5.
Combien de code possible ?
Exercice 6: Les 9 premières lettres de l’alphabet sont écrites sur les 9 jetons différents.
On tire au hasard 3 jetons (sans remise) et on les place dans l’ordre de leur tirage.
Combien de mots (un mot= une suite de lettres non nécessairement significative ) peut-on
former ?
Exercice 7: Les lettres du mot QUESTION sont écrites sur 8 jetons différents
On tire au hasard 5 jetons (tirage sans remise et sans ordre)
1. Combien de tirages différents peut-on effectuer ?
2. Combien de tirages différents contiennent à la fois les lettres I et E ?
3. Combien de tirage différents contiennent deux voyelles et uniquement deux ?
4. Combien de tirage différents ne contiennent aucune voyelle ?
Exercice 7: Dans une expérience aléatoire consistant à lancer deux dés équilibrés,
quelles est la probabilité d’avoir la somme des résultats des deux dés égale à 8 sachant
que les deux dés indiquent des résultats différents.
Exercice 9: Une boîte contient trois pièces de monnaie. L’une est normale, une autre
possède deux cotés "Face" et la dernière est faussée de façon qu’elle tombe 2 fois plus sur
le côté "Face" que sur le côté "Pile". Une pièce est tirée au hasard dans cette boîte et est
lancée. Calculer la probabilité d’obtenir le côté "Face".
Exercice 10: La probabilité de réussir son examen est de 0,95 pour l’étudiant qui
travaille régulièrement, de 0,5 pour celui qui travaille plus ou moins et de 0,2 pour celui
qui ne travaille pas de tout. On estime que parmi les étudiants qui suivent le cours, 50%
travaillent régulièrement et 35% travaille plus ou moins. Si l’on considère un étudiant au
hasard suivant ce cours.
1. Calculer la probabilité qu’il réussisse l’examen,
2. L’étudiant a réussi, calculer la probabilité qu’il n’a pas travaillé du tout
1/1

Exercice 1:
Pour une expérience aléatoire, soit Ω l’univers et A et B deux événements quelconques.
Quelle est la relation entre les événements A et B dans les cas suivants:
1. Si A est réalisé alors B est réalisé,
2. A est réalisé si et seulement si B n’est pas réalisé,
3. La réalisation de "A et B" est impossible,
4. La réalisation de "A ou B" est certaine,
Exercice 2:
On considère 3 évènements A, B, et C.
1. A l’aide d’un dessin des ensembles A, B et C, trouver une formule permettant de
calculer P (A ∪ B ∪ C) si l’on connaît les probabilités de chacun de ces événements
et les probabilités des intersections de ces événements,
2. Démontrer cette formule à partir des axiomes de la théorie des probabilités.
Exercice 3:
On forme un nombre de 4 chiffres choisis de façon aléatoire parmi les 10 chiffres 0, 1,...,9.
Quelle est la probabilité d’avoir un nombre tel que :
1. Les chiffres peuvent se répéter autant de fois que possible et le nombre est divisible
par 5 ;
2. Les chiffres ne peuvent se répéter et le nombre est pair;
3. Les chiffres ne peuvent se répéter et le nombre ne contient que des chiffres impairs.
Exercice 4:
On forme un comité de 5 membres choisis au hasard parmi 8 personnes dont 3 femmes et
5 hommes.
1. Quelle est la probabilité pour que les trois femmes soient choisies ?
2. Quelle est la probabilité pour que l’une des femmes, au moins, soit choisie ?
3. Quelle est la probabilité pour qu’aucune femme ne soit choisie ?
Exercice 5:
Selon le dernier recensement 55% de la population sont analphabètes et 51% de la pop-
ulation sont de sexe féminin. Parmi les femmes, 68% sont analphabètes. On choisit une
personne au hasard,
1. calculer la probabilité qu’elle soit :
1. Une femme analphabète ;
2. Une femme non analphabète ;
3. Un homme analphabète;
4. Un homme non analphabète;
2. Si la personne choisie est analphabète, quelle est la probabilité qu’elle soit femme.
Exercice 6:
Un atelier reçoit 450 circuits intégrés. 150 en provenance de l’usine A, 250 en provenance
de l’usine B et 50 en provenance de l’usine C. 2% des circuits fabriqués par l’usine A,
7% des circuits fabriqués par l’usine B et 4% des circuits fabriqués par l’usine C sont
défectueux.
1. On choisit au hasard un circuit intégré à l’atelier. Quelle est la probabilité qu’il soit
défectueux ?
2. Sachant qu’un circuit est défectueux, quelle est la probabilité:
(a) Qu’il vienne de l’usine C ?
(b) Qu’il vienne de l’usine A ou B ?
1/1

Exercice 1:
Soit les ensembles suivants: V = {d}, W = {c, d}, X = {a, b, c}, Y = {a, b}, Z = {a, b, d},
Déterminer si les assertions suivantes sont vraies ou fausses.
(i) Y ⊂ X, (ii) W 6= Z, (iii) V ⊂ Z, (iv) V ⊂ X, (v) X = W , (vi) W ⊂ Y .
Exercice 2:
Soit: A = {1, 2, 3, 4}, B = {2, 4, 6, 8}, C = {3, 4, 5, 6}, U = {1, 2, ..., 8, 9},
Déterminer (1) {A U , (2) A ∩ C, (3) {U
A∩C
, (4) A ∪ B, (5) {CB.
Exercice 3:
On dispose de 10 lettres différentes (A, B, C, D, E, F, G, H, I, J). On veut en choisir 4
pour former un code.
Combien y a-t-il de codes possibles dans les deux cas suivants:
1. Les lettres de code sont toutes différentes ,
2. La même lettre peut être utilisée plusieurs fois dans le code,
Exercice 3:
Soit une boite contenant 20 composants électroniques dont 4 sont défectueux. On y tire
au hasard et successivement 3 composants, si le composant est normal on le remet dans
la boite, sinon on le garde.
1. Calculer la probabilité d’avoir les trois composants défectueux,
2. Calculer la probabilité d’avoir les trois composants normals,
Exercice 4:
L’épreuve orale de statistique et probabilités d’un concours est organisée en lots de 3
sujets tirés au sort parmi 80 sujets portant sur ce cours. L’étudiant doit traiter un des
sujets de son choix.
1. Combien d’épreuves différentes peut-on organiser ?
2. Un candidat se présente en n’ayant révisé que 50 sujets. Quelle est la probabilité
pour qu’il puisse traiter :
a) les 3 sujets, b) deux sujets, c) un sujet, d) aucun sujet.
3. Combien de sujets, parmi les valeurs 61, 62, 63 et 64, un étudiant doit-il réviser
pour avoir une probabilité au moins égale à 0,99 de répondre au moins à un sujet ?
Exercice 5:
Un atelier reçoit 450 circuits intégrés. 150 en provenance de l’usine A, 250 en provenance
de l’usine B et 50 en provenance de l’usine C. 2% des circuits fabriqués par l’usine A,
7% des circuits fabriqués par l’usine B et 4% des circuits fabriqués par l’usine C sont
défectueux.
1. On choisit au hasard un circuit intégré à l’atelier. Quelle est la probabilité qu’il soit
défectueux ?
2. Sachant qu’un circuit est défectueux, quelle est la probabilité:
(a) Qu’il vienne de l’usine C ?
(b) Qu’il vienne de l’usine A ou B ?
1/1
Filière: Sciences Économiques et Gestion Sections: E et F 2ème semestre: 2018/2019

Épreuve de probabilités Session de rattrapage
Durée: 1h 30min Prof : Aouragh
NB: - Toute réponse doit être justifiée, faute de quoi elle ne sera pas comptée:
la formule, l'application numérique et le résultat.
- Toute copie ne contenant pas le numéro d'examen ne sera pas corrigée.
Exercice 1
Les localités X et Y sont reliées par trois routes (a, b et c) et les localités Y et Z par deux routes (d
et e). Combien y a-t-il de trajets de X à Z en passant par Y ?
Exercice 2
Deux équipes A et B travaillent dans une usine. Pour une production de 1000 pièces, le nombre de
pièces défectueuses est de 100 s'il s'agit de l'équipe A et de 200 s'il s'agit de l'équipe B. En une
journée, les productions respectives de A et B sont 15 pièces et 10 pièces.
Soient les événements suivants:
A (resp B): "pièce produite par équipe A (resp B) " et D: "pièce défectueuse ".
1. Calculer la probabilité P( D) qu'une pièce soit défectueuse;
2. On sait qu'une pièce est défectueuse, quelle est la probabilité qu'elle soit produite par l'équipe B?
Exercice 3
Soit X une variable aléatoire discrète dont la fonction densité de probabilité est donnée par le
tableau suivant:
X 0 1 2 3 4
f(x) 0,1 0,2 0,1 0,2 k
2. Calculer l'espérance et l'écart type de cette variable,
3. Déterminer et représenter graphiquement la fonction de répartition de X.
Exercice 4
Un magasin constate que 80% de ses visiteurs effectuent un achat. On suppose que les visiteurs
arrivent au magasin indépendamment les unes des autres. On considère la variable aléatoire
définie par:
X= le numéro de premier visiteur n'ayant pas effectué un achat.
1. Déterminer la loi de la variable X
2. Calculer son espérance et son écart type,
Soit la variable aléatoire Y définie par:
Y= le nombre des visiteurs ayant effectué un achat parmi 100 visiteurs d'une journée.
1. Quelle est la loi de X ? Donner son expression, ainsi que son espérance et son écart-type,
2. Calculer la probabilité que 2 visiteurs parmi 100 effectuent un achat,
3. En justifiant, préciser une loi approximative de X, et donner sa densité de probabilité,
4. En utilisant cette loi approximative, calculer la probabilité que le nombre de visiteurs ayant
effectué un achat ne dépasse pas 92.
u 0,25 1 1,19 1,96 2,5 3 3,4

(u)=P(U<u) 0,5987 0,8413 0.8830 0.975 0,9938 0.9987 0,9997
Bon courage%

Épreuve de probabilités Session normale
Durée: 1h 30min Prof : Aouragh
NB: - Toute réponse doit être justifiée, faute de quoi elle ne sera pas comptée:
- Toute copie ne contenant pas le numéro d'examen ne sera pas corrigée.
Exercice 1
Un examen de type QCM comprenant 10 questions. Pour chaque question, on propose 4 réponses
possibles et on autorise une seule réponse.
De combien de façons peut-on répondre à cet examen ?
Exercice 2
Un docteur prévoit le sexe des enfants à naître. Il se trompe une fois sur 20 lorsqu'il s'agit d'un
garçon et une fois sur 50 lorsqu'il s'agit d'une fille. On suppose que la probabilité d'avoir une fille
ou un garçon à chaque naissance est la même. On définit les événements suivants:
F="l'enfant est une fille"; G="l'enfant est un garçon " et T="le docteur s'est trompé ".
Aujourd'hui le docteur reçoit un client qui veut savoir le sexe de son enfant à naître:
( ) ( )
1. Donner les probabilités suivantes: P( F); P(G ); P T F ; P T G ;
2. En déduire la probabilité P(T ) ;
3. On sait que le docteur s'est trompé, quelle est la probabilité qu'il soit une fille ?
Exercice 3
kx 2 si 0 ≤ x ≤1
Soit X une variable aléatoire de densité de probabilité: f (x ) =
0 ailleurs
2. Calculer l'espérance et l'écart type de cette variable,
3. Calculer la fonction de répartition de X et en déduire P(X>0,5).
Exercice 4
La probabilité qu'une boite de vitesse d'un type de voiture tombe en panne durant sa période de
garantie est égale à 0,2. Soit X la variable aléatoire associe au nombre de voiture de ce type qui
nécessitent la réparation de leur boite de vitesse avant l'expiration de la garantie, parmi 100
voitures choisies au hasard.
1. Quelle est la loi exacte de X; Donner son expression et calculer son espérance et sa variance,
2. Calculer la probabilité qu'exactement une seule voiture qui nécessite la réparation de sa boite
de vitesse avant l'expiration de la garantie.
3. Par quelle loi continue peut-on approximer la loi de X, préciser et justifier cette loi.
4. En utilisant cette loi approximative, calculer la probabilité P(X>8).
u 0,25 1 1,19 1,96 2,5 3 3,4

Φ(u)=P(U<u) 0,5987 0,8413 0.8830 0.975 0,9938 0.9987 0,9997
Bon courage%
Épreuve de Probabilité Le 23/05/2018

(Session normale) Prof: S.L. Aouragh
Durée: 1h 30 min
NB: Toute réponse doit être justifiée, faute de quoi elle ne sera pas comptée:
Exercice 0
Toute copie ne contenant pas le numéro d'examen ne sera pas corrigée.
Exercice 1
Soient deux événements A et B tels que P(A)=0,2 et P(A U B)=0,5.
1. Supposons que A et B sont incompatibles, calculer P(B);
2. Supposons que A et B sont indépendants, calculer P(B);
Exercice 2
On sait qu'à une date donnée, 3% d'une population est atteinte d'hépatite.
On dispose de test de dépistage de la maladie:
• Si la personne est malade, alors la probabilité que le test soit positif est 95%,
• Si la personne est saine, alors la probabilité que le test soit positif est 10%,
On considère les événements suivants:
M: "Personne malade", M :"Personne saine", TP: "Test positif ", TP : "Test négatif "
1. Calculer la probabilité qu'un test soit positif (TP)?
2. Quelle est la probabilité qu'une personne soit malade si son test est positif ?
3. Quelle est la probabilité qu'une personne soit saine si son test est positif ?
Exercice 3
D'après une enquête dans une région donnée, on a trouvé que le nombre moyen de personnes
qui ont fait au moins un accident par semaine est de 2 pour 100 000 habitants.
Soit X une variable aléatoire qui représente le nombre de personnes qui ont fait au moins un
accident au cours d'une semaine dans une ville de 300 000 habitants de la même région.
1. Quelle est la loi de X ? Donner son expression, ainsi que son espérance,
2. Préciser en le justifiant une loi approximative à la loi de X,
3. En utilisant cette loi approximative, calculer la probabilité d'avoir plus d'une personne qui a
fait au moins accident dans une semaine dans cette ville.
Exercice 4
On suppose que la taille en centimètres d'un humain mâle de 25 ans suit une loi normale de
paramètres μ=175 cm et σ= 5 cm.
1. Quelle est le pourcentage des hommes de 25 ans ayant une taille supérieure à 185 cm ?
2. Parmi les hommes mesurant plus 180 cm quel pourcentage mesure plus de 192 cm ?
u 0,25 1 1,19 2 2,5 3 3,4

Φ(u)=P(U<u) 0,5987 0,8413 0.8830 0.9772 0,9938 0.9987 0,9997
Bon courage%
Filière: Sciences Économiques et Gestion Sections: E et F 2ème semestre
Épreuve de Probabilité Le 02/07/2018

(Session de rattrapage) Prof: S.L. Aouragh
Durée: 1h 30 min
Exercice 1
Les lettres du mot QUESTION sont écrites sur 8 jetons différents.
On tire au hasard 5 jetons (tirage sans remise et sans ordre)
1. Combien de tirages différents peut-on effectuer ?
2. Combien de tirages différents contiennent à la fois les lettres I et E ?
Exercice 2
⎧ kx si 0≤ x≤1
Soit X une variable aléatoire de densité de probabilité: f ( x ) = ⎨
⎩0 sinon
2. Déterminer la fonction de répartition FX de X,
3. Calculer: P(X >1/4), P[((1/4< X <3/4))/(X > 1/3)],

4. Soit la variable aléatoire Y = 3X, déterminer la fonction de répartition FY de Y.
Exercice 3
Le service médical d'une usine de ciment relève les statistiques suivantes:
10% des employés ont une maladie M. Parmi ces malades 80% sont des fumeurs. Alors que
parmi les non malades il n y'a que 5% de fumeurs. On note les événements suivants:
M="l'employé a la maladie M"; F="l'employé est fumeur" et M et F leurs complémentaires.
On choisit au hasard un employé de cette usine,
( ) ( )
1. Donner les probabilités suivantes: P ( M ); P ( M ); P F M ; P F M ;
2. En déduire la probabilité P (F ) ;
3. On sait qu'un employé est fumeur, quelle est la probabilité qu'il soit malade ?
Exercice 4
Une banque constate que 2% de ses clients ne sont pas solvables.
On choisit, d'une façon indépendante, 100 clients de cette banque et on définit la variable
aléatoire: X= "Le nombre de clients non solvables parmi les 100 choisis".
1. Quelle est la loi exacte de X; Donner son expression et calculer son espérance et sa variance,
2. Préciser en le justifiant une loi approximative à la loi de X,
3. En utilisant cette loi approximative, calculer la probabilité d'avoir au plus deux clients non
solvables parmi les 100
Exercice 5
Soit X une variable aléatoire suivant une loi normale centrée réduite.
Déterminer le réel a qui vérifie: P(\ X\ < a) = 0, 95,
u 0,25 1 1,19 1,96 2,5 3 3,4

Φ(u)=P(U<u) 0,5987 0,8413 0.8830 0.975 0,9938 0.9987 0,9997
Bon courage%
Épreuve des probabilités Prof: S.L. Aouragh

Durée: 1h 30min
Exercice 1
Dans une faculté des sciences juridiques économiques et sociales, 36% des étudiants valident le
module de statistique et 22% de ceux qui valident le module de statistique valident aussi celui des
Mathématiques. De plus, 30% des étudiants valident le module des Mathématiques.
1) Quelle est la probabilité qu'un étudiant choisi au hasard, valide les deux modules,
2) Un étudiant choisi au hasard a validé le module de Mathématiques quelle est la probabilité qu'il
valide aussi le module de statistique.
Exercice 2
On suppose que le nombre X de réclamations reçues chaque jour par le service après-vente d'un
magasin, suit une loi de poisson de paramètre λ=2,
Calculer la probabilité de recevoir un jour donné, au moins deux réclamations.
Exercice 3
Dans une ville de 100 000 habitants, on a constaté que 5% des habitants ne sont pas en faveur d'un
projet municipal. On interroge 80 personnes différentes de cette ville et on désigne par:
X = "Le nombre d'habitants interrogés et qui ne sont pas en faveur d'un projet".
1) Quelle est la loi exacte de X ? Donner son expression,
2) En justifiant, donner l'expression d'une loi approximative de X,
3) En utilisant la loi approximative, calculer la probabilité d'avoir au moins deux personnes qui sont en
faveur du ce projet.
Exercice 4
Dans un moulin, les sacs de farine de 25 Kg sont remplis par une machine automatique. Une étude a
permis de constater que le poids X en Kg, des sacs remplis, n'est pas parfait, mais il est distribué selon
une loi normalement générale d'espérance m et d'écart type σ.
Sachant que sur 3000 sacs remplis, on dénombre 363 sacs dont le poids est inférieur à 24,52 Kg et
357 sacs dont le poids est supérieur à 26,4 kg
1) Donner en fonction de m et σ la densité de la variable aléatoire X associées au poids des sacs de
farines,
2) Déterminer l'espérance m et l'écart type σ de la de la variable aléatoire X,
3) Calculer la probabilité d'avoir un sac de farine dont le poids est inférieur à 24,5 Kg,
Extrait de la table de la fonction de répartition de la loi normale centrée réduite
u 0,1 0,25 0,68 1,00 1,17 1,18 1,195 2,5

Φ(u)=P(U<u) 0,5398 0,5987 0,7517 0,8413 0,8790 0,8810 0,8840 0,9938
Bon courage%
Épreuve des probabilités (Session de Rattrapage) Prof: S.L. Aouragh

Durée: 1h 30 min
Exercice 0 (-2 pts)

Pour toute copie ne contenant pas le numéro d'examen.
Exercice 1 (6 pts)
De combien de manières peut-on asseoir sur une ligne 4 garçons et 3 filles dans les cas suivants:
1) Si les garçons doivent rester ensembles et les filles aussi ?
2) Si seuls les garçons doivent rester ensemble ?
3) Si deux personnes du même sexe ne doivent jamais voisiner ?
Exercice 2 (6 pts)
Dans un groupe de 30 étudiants on a formé un club du sport et un club de théâtre. Le club du sport est
composé de 10 membres, le club du théâtre de 6 membres. Il y a 2 étudiants qui sont membres des
deux clubs à la fois. On définit les événements:
S: « l'étudiant fait partie du club de sport» et T: « l’étudiant fait partie du club théâtre»
1) On interroge un étudiant pris au hasard. Calculer les probabilités suivantes: P(S), P(T) et P(S∩T);
2) Lors d’une séance du club de sport, les 10 membres sont tous présents. Un premier étudiant est tiré
au sort. Il doit tirer un penalty à un autre membre du club qui sera lui aussi tiré au sort.
a. On appelle T1 l’événement: « Le premier étudiant appartient au club théâtre ». Calculer P(T1).
b. On appelle T2 l’événement: « Le deuxième étudiant appartient au club théâtre ». Calculer
( ) ( )
P (T2 T1 ) puis P T2 T 1 . En déduire P (T2 I T1 ) , P T2 I T 1 et P (T2 ) .
Exercice 3 (8 pts)
Une entreprise vend de la farine dans des sacs étiquetés de 5 kg. D'après une étude, le poids des sacs
est une variables aléatoire X qui suit la loi normale de moyenne m=5,2 kg et d’écart type σ=0,2 kg.
1) Quelle est la probabilité qu'un sac pèse moins que le poids inscrit sur l'étiquette ?
2) Dans un stock il y a 10000 sacs. Donner le nombre de sacs qui pèsent moins de 5 kg;
3) Un sac est dit non conforme si son poids est inferieur à 4,8 kg.
a) Calculer la probabilité qu'un sac soit non conforme;
b) Quelle est de nombre de sacs non conformes parmi les 10000 sacs;
4) Un inspecteur visite l'entreprise afin de s'assurer que les règlements sur l'étiquetage sont bien
respectés. Il prélève au hasard dix sacs parmi les 10000 sacs et pèse chacun à l'aide d'une balance
très précise. Il suffit que l'un des sacs pèse moins de 4,8 kg pour qu'il émette un constat de non-
conformité.
Quelle est la probabilité pour que l'inspecteur émette un avis de non-conformité ?
Extrait de la table de la fonction de répartition de la loi normale centrée réduite
u 0,1 0,25 0,68 1,00 1,17 1,18 1,195 2,00

Φ(u)=P(U<u) 0,5398 0,5987 0,7517 0,8413 0,8790 0,8810 0,8840 0,9772
Bon courage%
Université Mohammed V - Rabat
Faculté des Sciences Juridiques Economiques et Sociales - Salé
Sciences Économiques et Gestion Sections: E et F 2ème semestre: 2015/2016
Epreuve de Probabilité
Durée: 1h 30min
NB: Toute réponse doit être justifiée, faute de quoi elle ne sera pas comptée,
Exercice 1 (Probabilité)
Dans une région, selon un recensement général de la population et de l'habitat, 72% de la
population est urbaine. On a aussi 41,3% des urbaines et 37,1% des ruraux de cette
population sont célibataires.
On note:
U l'événement "être un urbain", R l'événement "être un rural", et C l'événement "être un célibataire",
1. Calculer les probabilités suivantes: P(U), P(R), P(C/U), P(C/R),
2. Calculer la probabilité pour qu'un individu interrogé soit célibataire.
3. Sachant que la personne interrogée est célibataire, quelle est la probabilité pour qu'elle soit
du milieu urbaine ?
4. Sachant que la personne interrogée n'est pas célibataire, quelle est la probabilité pour
qu'elle soit du milieu rural ?
Exercice 2 (Loi normale)

Une entreprise fabrique des boîtes en carton. On note X la variable aléatoire qui prend pour
valeur la hauteur d’une boîte en carton. On admet que X suit la loi normale de moyenne
m=80cm et d’écart type σ=5 cm.
1. Calculer la probabilité qu’une boîte, choisie au hasard dans la production, ait une hauteur
inférieure à 90cm,
2. Quelle est la probabilité qu'une boite de carton ait une taille compris entre 60cm et 75cm,
3. Déterminer le réel α tel que la probabilité que X soit inférieure à α, ait pour valeur 0,67.
Exercice 3 (Approximation d'une loi)

Une banque constate que les chèques sans provision représentent 1% des chèques émis par
les clients.
Un jour donné, 100 clients ont émis chacun un chèque.
Soit X la variable aléatoire associée au nombre de chèques sans provision lors de ce jour.
3. Calculer la probabilité de n'avoir aucun chèque sans provision parmi les 100 émis.
5. En utilisant la loi approximative, calculer la probabilité d'avoir au moins deux chèques sans
provision parmi les 100 émis.
Valeurs numériques utiles

e=2,718, Φ(4)=1, Φ(1)=0,8413, Φ(2)=0,9772, Φ(0,44)=0,67
Où Φ(.) est la fonction de répartition de la loi normale centrée réduite N(0;1)
Bon courage%
Université Mohammed V - Rabat
Faculté des Sciences Juridiques Economiques et Sociales - Salé
Sciences Économiques et Gestion Sections: E et F 2ème semestre: 2015/2016
Epreuve de Probabilité (Session de Rattrapage)

Durée: 1h 30min
Exercice 1
Dans un groupe de personnes, il y a 2 hommes, 3 femmes et 4 enfants.
De combien de manières différentes peut-on les placer sur une ligne si:
a. Ils peuvent se placer librement ?
b. Les enfants doivent rester groupés ?
Exercice 2
Un lot de pièces mécaniques contient 5% de pièces défectueuses. On tire au hasard 7 pièces
avec remise dans ce lot.
Calculer d'avoir 2 pièces défectueuses parmi les 7 pièces tirées.
Exercice 3
On suppose que la glycémie est distribuée normalement dans la population, avec une moyenne
de 1 g/l et un écart-type de 0,03 g/l. On mesure la glycémie chez un individu.
1. Calculer la probabilité pour que sa glycémie soit :
a. inférieure à 1,06 ;
b. supérieure à 0,9985 ;
c. comprise entre 0,94 et 1,08 ;
2- On mesure la glycémie chez 10000 individus. Donner le nombre moyen d'individus dont la
glycémie est supérieure à 0,99.
Exercice 4
Une service après-vente d'un magasin reçoit, entre 15h et 18h, un appel téléphonique par 5
minutes. On suppose que le nombre d'appels X par tranches de 5 minutes, entre 15h et 18h,
suit une loi de Poisson de paramètre λ=1.
1. Calculer la probabilité de recevoir entre 17h et 17h 05min:
a. Zéro appel.
b. Au moins deux appels.
2. Soit Y la variable aléatoire associée au nombre d'appels téléphoniques entre 15h et 18h.
Quelle est la loi de probabilité de la variable Y. et donner sa formule.
Valeurs numériques utiles

e=2,718, Φ(8/3)=0,9962, Φ(2)=0,9772, Φ(1/3)=0,3694 , Φ(0,05)=0,5199
Où Φ(.) est la fonction de répartition de la loi normale centrée réduite N(0;1)
Bon courage%

Pr. Aouragh Probabilités

Transféré par

Informations du document

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

Pr. Aouragh Probabilités

Transféré par

Droits d'auteur :

Formats disponibles

Université Mohammed V de Rabat

Faculté des Sciences Juridiques Économiques et Sociales - Salé

Prof: S.L. Aouragh

Année universitaire : 2019/2020

Prof. S.L. Aouragh

Année universitaire : 2019/2020

Pr. L. Aouragh – Probabilités (version provisoire)

Pr. L. Aouragh – Probabilités (version provisoire)

Actuellement on fait recours au calcul des probabilités dans

Pr. L. Aouragh – Probabilités (version provisoire)

L’étude de chaque phénomène commence par la collecte des

Pr. L. Aouragh – Probabilités (version provisoire)

Pr. L. Aouragh – Probabilités (version provisoire)

Pour une expérience aléatoire donnée, si on suppose que tous

Pr. L. Aouragh – Probabilités (version provisoire)

Théorie élémentaire des ensembles

Définitions, vocabulaire et notations:

Pr. L. Aouragh – Probabilités (version provisoire)

Définitions, vocabulaire et notations:

Pr. L. Aouragh – Probabilités (version provisoire)

Théorie élémentaire des ensembles

Définitions, vocabulaire et notations:

Pr. L. Aouragh – Probabilités (version provisoire)

Définitions, vocabulaire et notations:

Pr. L. Aouragh – Probabilités (version provisoire)

Théorie élémentaire des ensembles

Définitions, vocabulaire et notations:

Opérations sur les cardinaux:

Pr. L. Aouragh – Probabilités (version provisoire)

Analyse combinatoire : notions générales

◼ L’analyse combinatoire est une branche qui étudie

Pr. L. Aouragh – Probabilités (version provisoire)

En analyse combinatoire, on a deux principes fondamentaux :

Analyse combinatoire : Exemples

Pr. L. Aouragh – Probabilités (version provisoire)

Analyse combinatoire : Exemples

Opération 1 : fixer la première lettre Opération 4 : fixer le deuxième chiffre

Opération 2 : fixer la deuxième lettre Opération 5 : fixer le troisième chiffre

26 x 26 x 10 x 10 x 10 = 676 000 plaques différentes

Moins C1 Moins C1 Moins C1, C2

8 x 8 x 7 x 6 = 2 688 nombres différents

Analyse combinatoire : Exemples

Pr. L. Aouragh – Probabilités (version provisoire)

Pr. L. Aouragh – Probabilités (version provisoire)

Analyse combinatoire : notions générales

La notion factorielle : Définition

Pr. L. Aouragh – Probabilités (version provisoire)

Pr. L. Aouragh – Probabilités (version provisoire)

Analyse combinatoire : Arrangements

2. Le nombre de noms de 5 lettres formés avec les 26 lettres de

3. Le tiercé dans l’ordre lors d’une course de 20 chevaux

Pr. L. Aouragh – Probabilités (version provisoire)

➢ Dans les exemples précédents:

Pr. L. Aouragh – Probabilités (version provisoire)

Arrangements avec répétitions

Lorsqu'un objet peut être observé plusieurs fois dans un

Pr. L. Aouragh – Probabilités (version provisoire)

Pr. L. Aouragh – Probabilités (version provisoire)

Arrangements sans répétition

◼ Pour le premier objet tiré, il y a n manières de ranger l’objet parmi n

Permutations sans répétition:

Pr. L. Aouragh – Probabilités (version provisoire)

Permutations avec répétitions

Dans le cas où il existerait k répétitions d’un même objet parmi