Probabilite1 Prepa

Université d'Abomey-Calavi
INSTITUT de MATHÉMATQUES et de
SCIENCES PHYSIQUES
(IMSP)
Année Académique : 2013-2014
Classes Préparatoire (Première Année)
COURS DE PROBABILITES I
Par : Carlos OGOUYANDJOU

Enseignant à l'IMSP et à la FAST (UAC)
Email : ogouyandjou@imsp-uac.org
10 mai 2014
Table des matières
1 Dénombrement 4
1.1 Rappels et compléments sur la théorie des ensembles . . . . . . . . . . . 4
1.1.1 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Image directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Image réciproque . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.4 Ensemble ni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.5 Propriétés des cardinaux . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 p-listes d'un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 p-listes quelconque d'un ensemble . . . . . . . . . . . . . . . . . . 8
1.2.2 p-listes d'éléments distincts d'un ensemble . . . . . . . . . . . . . 9
1.2.3 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Parties d'un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Coecients binomiaux . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Introduction à la théorie probabiliste 13

2.1 Mesure de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Notion d'expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Évènements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Notion de probabilité : espace probabilisé ni . . . . . . . . . . . . . . . 15
2.4.1 Comment dénir une probabilité . . . . . . . . . . . . . . . . . . 16
2.5 La probabilité uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6.1 Théorème-Dénition . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.7 Notion d'indépendance en probabilité . . . . . . . . . . . . . . . . . . . . 17
2.7.1 Indépendance de n évènements . . . . . . . . . . . . . . . . . . . 18
2.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 Variable aléatoire réelle nie 22

3.1 Tribu des boréliens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.1 Ouverts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.2 Fermés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

TABLE DES MATIÈRES 2
3.1.3 Tribu engendrée par une famille de parties de R . . . . . . . . . . 22

3.2 Notion de variable aléatoire réelle . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Evènement associé à une variable aléatoire . . . . . . . . . . . . . 23
3.2.2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.3 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1 Loi de probabilité d'une v.a.r. discrète nie . . . . . . . . . . . . . 24
3.3.2 Fonction de répartition d'une v.a.r. discrète nie . . . . . . . . . . 24
3.3.3 Indépendance de deux v.a.r. . . . . . . . . . . . . . . . . . . . . . 25
3.4 Moments d'une v.a.r. discrète nie . . . . . . . . . . . . . . . . . . . . . 25
3.4.1 Moments d'ordre k avec k∈ N∗ . . . . . . . . . . . . . . . . . . . 25
3.4.2 Espérance mathématique . . . . . . . . . . . . . . . . . . . . . . . 26
3.4.3 Variance d'une v.a.r. . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5 Inégalités intéressantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.1 Inégalité de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.2 Inégalité de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . 27
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.6.1 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.6.2 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.6.3 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.4 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.5 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Lois discrètes classiques usuelles 30

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Loi de Bernouilli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2.1 Distribution de Bernouilli . . . . . . . . . . . . . . . . . . . . . . 30
4.3 Loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4 Loi hypergéométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.5 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5.1 Approximation d'une loi hypergéométrique par une loi binomiale . 32
4.6 Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.7 Loi binomiale négative ou loi de Pascal . . . . . . . . . . . . . . . . . . . 33
4.8 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.8.1 Approximation d'une loi binomiale par une loi de Poisson . . . . . 34
4.9 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.9.1 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.9.2 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.9.3 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.9.4 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.9.5 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.9.6 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.9.7 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.9.8 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.9.9 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Introduction
Dans de nombreuses expériences, le résultat n'est pas connu à l'avance. Par exemple,
imaginons une expérience très simple : le jet d'un dé. Sans avoir la moindre connaissance
en probabilité, on sait bien que, à moins d'avoir à faire à un dé pipé, qu'il est impossible
de prédire avec certitude le résultat que l'on obteindra. Une telle expérience est appelée
expérience aléatoire ; le résultat parait dépendre du hasard. Toutefois, ce résultat n'est
pas quelconque. Avant même de jeter le dé, on sait que le dé ne peut acher qu'un
résultat parmi les nombres 1, 2, 3, 4, 5, ou 6, et un seul de ces résultats à la fois.....
Dans de nombreuses expériences, on a cependant une idée à priori du caractère plus
ou moins vraisemblable des diérents poossibles. on peut alors convenir d'exprimer
cette vraisemblance en aectant aux diérents résultats des grandeurs numériques, cen-
sées représenter des mesures de leur vraisemblance. la manipulation de ces grandeurs
numériques pourra alors fournir de nouvelles informations sur l'expérience. la théorie
des probabilités vise à formaliser ces idées intuitives.
Il est à noter que le fait d'associer un modèle probabiliste à une expérience n'indique pas
si le choix de ce modèle est pertinent, c'est-à-dire si les vraisemblances que l'on associe
aux résultats sont réellement représentatives de cette expérience. Ce dernier point con-
stitue plutôt un aspect de la théorie des statistiques que nous étudierons en deuxième
année.

Chapitre Premier
Dénombrement
1.1 Rappels et compléments sur la théorie des ensem-

bles
Soit un ensemble E. On appelle ensemble des parties de E, noté P(E), l'ensem-
ble dont les éléments sont des parties de E ; (on dit aussi des sous ensembles de E ).
Naturellement, ∅ et E sont des éléments de P(E).
1.1.1 Opérations
Soient A et B deux éléments de P(E).
Réunion : A ∪ B = {x ∈ E, x ∈ A ou x ∈ B} .
Intersection : A ∩ B = {x ∈ E, x ∈ A et x ∈ B} .
Complémentaire : Ā = {x ∈ E, x ∈ / A} .
On dit qu'une famille nie de n parties (Ei )i∈J1;nK de E est une partition de E si :
E = ∪ni=1 Ei et Ei ∩ Ej = ∅ pour tous i 6= j.

Dans ce qui suit, A, B et C sont trois éléments quelconques de P(E).
Proposition 1.1. On a les proprités suivantes :
A ∪ B = B ∪ A.(La commutativité de la réunion) ;
(A ∪ B) ∪ C = A ∪ (B ∪ C) .(L'associativité de la réunion) ;
A ∩ B = B ∩ A.(La commutativité de l'intersection) ;
(A ∩ B) ∩ C = A ∩ (B ∩ C) .(L'associativité de l'intersection) ;
(A ∪ B) ∩ C = (A ∩ C) ∪ (B ∩ C) .(La distributivité de la réunion par rapport à
l'intersection) ;
(A ∩ B) ∪ C = (A ∪ C) ∩ (B ∪ C) .(La distributivité de l'intersection par rapport
à la réunion) ;

Ā = A;
(A ∪ B) = Ā ∩ B̄;
(A ∩ B) = Ā ∪ B̄;
Si A ⊂ B , alors, on a :
B̄ ⊂ Ā, A ∪ B = B, A ∩ B = A.
Les résultats précédents s'étendent à des réunions et des intersections nies.

Rappels et compléments sur la théorie des ensembles 5
1.1.2 Image directe

Dénition 1.1. Soient deux ensembles E et F , f une application dénie de E dans
F. A chaque élément x de E on associe donc un élément y de F ; on note y = f (x).
L'application f permet de dénir une application notée toujours f dénie de P(E) dans
P(F ) de la manière suivante : pour tout A ∈ P(E),
f (A) = ∪x∈A f (x).
Proposition 1.2. Soient A et B deux éléments quelconques de P(E). On a :

f (A) = ∅ ⇐⇒ A = ∅;
A ⊂ B =⇒ f (A) ⊂ f (B);
f (A ∪ B) = f (A) ∪ f (B);
f (A ∩ B) ⊂ f (A) ∩ f (B);
f (Ā) ⊂ f (A).
Les résultats précédents s'étendent à des réunions et des intersections nies.
1.1.3 Image réciproque

Dénition 1.2. Soient deux ensembles E et F , f une application dénie de E dans F.
Pour chaque V ⊂ F , on appelle image réciproque de V par f , l'ensemble noté f −1 (V )
déni par : f −1 (V ) = {x ∈ E, f (x) ∈ V } .
Proposition 1.3. Soient f une application de E dans F, A une partie de E , V et W
deux parties de F. On a :
V ⊂ W =⇒ f −1 (V ) ⊂ f −1 (W );
f −1 (V ∪ W ) = f −1 (V ) ∪ f −1 (W );
f −1 (V ∩ W ) = f −1 (V ) ∩ f −1 (W );
f −1 (V̄ ) = f −1 (V );
A ⊂ f −1 (f (A)) ;
f (f −1 (V )) ⊂ V.
1.1.4 Ensemble ni

Dénition 1.3. 1. Un ensemble E est dit ni s'il est vide, ou s'il existe un entier
naturel non nul n et une bijection de J1; nK sur E .
2. Si E 6= ∅, l'entier naturel n est appelé cardinal de E. On note card E = n. Par
convention, card ∅ = 0.
Dénition 1.4. On dira que deux ensembles non vides E et F ont le même cardinal si
et seulement si il existe une bijection entre E et F .
Nous avons supposé les ensembles non vides pour éviter de nous retrouver dans des
situations de logiques un peu délicates.
Proposition 1.4. Si deux ensembles nis non vides E et F ont le même cardinal, alors
il existe une bijection entre E et F .

Preuve de la Proposition 1.4. Si E et F ont le même cardinal, alors il existe une bijection
ϕ de J1; nK sur E et une bijection ϕ de J1; nK sur F . Alors ψ ◦ ϕ est une bijection de E
sur F .
Dénombrer un ensemble ni non vide E, c'est déterminer le card E, c'est-à-dire le

nombre de ses éléments.
Trois conditions doivent être remplies pour que le dénombrement de E soit correct :
1. il ne faut compter que des éléments de E;

2. il ne faut pas en oublier ;
3. il ne faut pas compter certains éléments de E plusieurs fois.
Néanmoins, si par une méthode chaque élément de E est compté k fois, card E est
le quotient par k du nombre obtenu par cette méthode.
1.1.5 Propriétés des cardinaux

Théorème 1.1 (Théorème de dénombrement ). Soient E un ensemble ni. Si F est un
ensemble tel qu'il existe une bijection de E sur F , alors F est un ensemble ni et
card E = card F.
Preuve du Théorème 1.1. Désignons par ϕ la bijection E sur F . Si n est le cardinal de
l'ensemble ni E , il existe donc une bijection de E sur ϕ de J1; nK. L'application ϕ ◦ ψ
est une bijection de J1; nK sur F .
Ainsi, pour déterminer le cardinal d'un ensemble ni E, il sut de le décrire en

établissant une bijection entre l'ensemble E et un ensemble bien connu.
Théorème 1.2 (Principe d'addition ) . Soient E et F deux ensembles nis disjoints.

Alors, E ∪ F est un ensemble ni et
card (E ∪ F ) = card E + card F.
Preuve du Théorème 1.2. Posons n = card E et m = card F . Soient ϕ une bijection
J1; nK sur E et ψ une bijection de J1; mK sur F .
Dénissons l'application γ entre J1; n + mK et E ∪ F par :
γ : J1; n + mK −→ E∪F
ϕ(k) si 1 ≤ k ≤ n
k 7−→ γ(k) =
ψ(k − m) si m + 1 ≤ k ≤ n + m
L'application γ est surjective, puisque
γ (J1; nK) = E et γ (Jm + 1; n + mK) = F.

Donc
E ∪ F = γ (J1; nK) ∪ γ (J1 + m; n + mK) ⊂ γ (J1; n + mK) .
0 0
De plus, elle est injective. En eet, si deux entiers k et k vérient γ(k) = γ(k ), alors ou
−1 −1 0 0
bien γ(k) ∈ E , auquel cas ϕ (γ(k)) = ϕ (γ(k )) implique k = k ; ou bien γ(k) ∈ F
0 −1
et on trouve aussi k = k en appliquant ψ .

Le résultat suivant se généralise par récurrence à l'union disjointe de plusieurs en-

sembles nis.
Corollaire 1.1. Soient E1 , E2 , · · · , Ep p ensembles nis nis disjoints deux à deux, où

p est un entier naturel au moins égal à 2. Alors E1 ∪ E2 ∪ · · · ∪ Ep est un ensemble ni
et p
X
card (E1 , E2 , · · · , Ep ) = card (Ek ).
k=1
En particulier, si A1 , A2 , · · · , Ap est une partition d'un ensemble E , on a :
p
X
card (E) = card (Ak ).
k=1
Le principe d'addition permet de démontrer plusieurs propriétés utiles du cardinal.
Théorème 1.3. Soient E un ensemble ni. Toute partie A de E est nie et

card A ≤ card E.
Preuve du Théorème 1.3. Faisons un raisonnement par récurrence sur n =card E ;
1. Si n = 0 alors A est vide et son cardinal est 0 ; si n = 1 c'est-à-dire que E = {x},
alors soit A = ∅ ou bien A = {x}. Le théorème est donc vrai dans ces deux cas.
2. Au rang n ≥ 1, supposons que le théorème s'applique aux ensembles de cardinal

n. Démontrons qu'il s'applique également pour un ensemble E de cardinal n + 1.
Soit à présent A un sous-ensemble de E et x un élément de E . Posons :
A1 = A ∩ {x} et A2 = A \ {x}.
Il est clair que A1 et A2 sont deux ensembles disjoints et que A = A1 ∪ A2 .
L'ensemble A1 est un sous-ensemble de {x} ; donc card A1 ≤ card {x} = 1.
D'autre part, A2 ⊂ E \ {x} qui est de cardinal au n. Donc A2 est ni et son
cardinal est au plus n par hypothèse de récurrence. Par suite A est un ensemble
ni et son cardinal est au plus n + 1.
Proposition 1.5. Si A et B sont deux parties d'un ensemble ni E , on a :

1. Si A et B sont disjoints, on a Card (A ∪ B) = Card A + Card B.
2. Card (A − B) = Card A − Card (A ∩ B).
3. Card (Ā) = Card E − Card A.
4. Card (A ∪ B) = Card A + Card B − Card (A ∩ B).
Preuve de la proposition 1.5. Il sut de remarquer que :
A = (A \ B) ∪ (A ∩ B) avec (A \ B) et (A ∩ B) disjoints ,
E =A∪A avec A et A disjoints et
A ∪ B = A ∪ (B \ A) avec A et (B \ A) disjoints .

p-listes d'un ensemble 8
Dénition 1.5. Soient E et F deux ensembles non vides. Le produit cartésien de E par
F est l'ensemble de tous les couples (x, y) tels que x ∈ E et y ∈ F .
E × F = {(x, y), x ∈ E, y ∈ F }.
On a le théorème suivant :
Théorème 1.4 (Principe de la mutiplication ) . Si E et F sont deux ensembles nis,

alors E × F est un ensemble ni et
card (E × F ) = (card E) · (card F ) .
La généralisation à plusieurs ensembles est directe ; on a la propriété suivante :
Corollaire 1.2. Soit (Ei )i=1,···,n est une famille d'ensembles nis, alors Ei est un
Qn
i=1
ensemble ni et !
n
Y n
Y
card Ei = (card Ei ) .
i=1 i=1
En particulier, si E est un ensemble ni,
card E k = (card E)k

pour tout entier naturel non nul k.
1.2 p-listes d'un ensemble

1.2.1 p-listes quelconque d'un ensemble
Dénition 1.6. On appelle p-liste d'un ensemble E à n éléments, tout éléments de E p ,
c'est-à-dire toute suite de p éléments de E.
Remarque 1.1. L'ordre des éléments de la p-liste est important ; c'est-à-dire :

deux p-listes contenant les mêmes éléments dans des ordres diérents sont dif-
férentes.
Une p-liste peut contenir plusieurs fois le même élément.
Une p-liste est aussi appelée p-uplet.
Exemple 1.1. Soit E = {a, b, c, d, e} .

(a, b, b) et (e, c, d) sont des 3-listes d'éléments de E.
(e, c, d) et (c, e, d) sont des 3-listes diérentes.
Proposition 1.6. Soit E un ensemble ni de cardinal n. Alors le nombre de p-listes de

l'ensemble E est n . p

Parties d'un ensemble 9
1.2.2 p-listes d'éléments distincts d'un ensemble

Dénition 1.7. Une p-liste d'éléments distincts d'un ensemble E est aussi appelée
arrangement de p éléments de E. Si Card E = n, une n-liste d'éléments distincts de E
est une permutation de E .
Proposition 1.7. Soit E un ensemble ni de cardinal n. On note Apn le nombre de

p-listes d'éléments distincts de E . On a :
n!
Apn = n(n − 1)(n − 2) · · · (n − p + 1) =
(n − p)!
où n! est le produit de tous les entiers naturels non nuls au plus égaux à n. On a
n
Y
n! = k.
k=1
Proposition 1.8. Il y a n! permutations d'un ensemble à n éléments.

A0n = 1
A1n = n
Apn est aussi le nombre d'applications injectives d'un ensemble à p éléments dans
un ensemble à n éléments.
np est le nombre d'applications d'un ensemble à p éléments dans un ensemble à n
éléments.
1.2.3 Application
On veut garer trois voitures dans cinq garages. de combien peut-on procéder dans
chacun des cas suivants :
1. Un garage peut contenir les trois voitures.
2. Un garage ne peut contenir qu'une seule voiture.
3. Un garage peut contenir deux voitures.
1.3 Parties d'un ensemble

1.3.1 Coecients binomiaux
Dénition 1.8. Soient E un ensemble ni de cardinal n, p un entier naturel inférieur
ou égal à n. On appelle combinaison de p éléments de E , toute partie à p éléments de
E.
Exemple 1.2. Soit E = {a, b, c, d, e} .

{a, b, c} et (e, c, d) sont des combinaisons de 3 éléments de E.
{e, c, d} = {c, e, d} .

Exercices 10
Théorème 1.5. Soient E un ensemble ni de cardinal n > 0 et k ∈ Z. On dénit

le coecient binomial {n ou bien p comme étant le nombre de sous-ensembles de E
p n

contenant p éléments de E. ce coecient est égal à :

. 0 si p > n ;
. 0 psi k est négatif ;
. Ap!n = p!(n−p)!
n!
si 0 ≤ k ≤ n.
Proposition 1.9. Soient n ∈ N et p ∈ Z. On a :

. {pn = {n−p
n .
. {n = {nn = 1.
0
. {1n = {n−1
n = n.
. p+1
{n+1 = {n + {pn .
p+1
. (Formule de Pascal) : {pn = np {p−1

n−1 .
Preuve de la proposition 1.9. Exercice.
Théorème 1.6 (Binôme de Newton ) . Soient (a, b) ∈ C2 et n ∈ N, on a :

n
X n
X
n
(a + b) = {pn ap bn−p = {pn an−p bp .
p=0 p=0
Preuve du Théorème 1.6. Exercice.
On en déduit que :
Si Card E = n, alors Card (P(E)) = 2n .
Proposition 1.10 (Formule de Vandermonde ). Soient a et b deux entiers naturels et

n un entier naturel compris entre 0 et a + b. On a :
n
X
{pa {n−p
b = {na+b .
p=0
Preuve de la Proposition 1.10. Partons d'un ensemble E à a + b éléments et choisissons

un sous-ensemble A de E de cardinal a. Son complémentaire A contient donc b éléments.
n
On sait que le nombre de combinaisons de E d'ordre n d'éléments de E est {a+b . Util-
isons le principe d'addition pour dénombrer le nombre de combinaisons de E d'ordre n
d'éléments de E en observant l'intersection entre un sous-ensemble de E et l'ensemble
A. Cela constitue un sous-ensemble de A à k éléments, k pris entre 0 et n. les n − k
éléments qu'il reste sont à choisir dans A.
1.4 Exercices
Exercice 1.1. Soit (Ei )i∈J1;nK une partition d'un ensemble E . Montrer que, pour tout
sous-ensemble A de E , la famille des sous-ensembles (Ai )i∈J1;nK où Ai = A ∩ Ei est une
partition de A.

Exercices 11
Exercice 1.2. Pour deux sous-ensembles non vides E et F d'un ensemble E,on dénit
la somme booléenne ou diérence symétrique par :

E∆F = E ∩ F̄ ∪ Ē ∩ F ;
où Ē et F̄ désignent respectivement les complémentaires de E et F dans E.

Soient A, B et C trois évènements quelconques liés par une même épreuve aléatoire.
1. Décomposer les évènements X = (A ∪ B) ∆C et Y = A ∪ (B∆C) en réunions
d'évènements incompatibles deux à deux indécomposables.
2. Dans quel cas les évènements X et Y sont-ils confondus ?
Exercice 1.3. 1. Combien y a-t-il d'anagrammes du mot ANGELOT ?
2. Combien y a-t-il d'anagrammes du mot INSTITUT ?
Exercice 1.4. 1. Démontrer que, pour tout (n, p) ∈ N2 ,
n
X
{pk = {k+1
n+1 .
k=p
2. Retrouver cette égalité par un dénombrement : compter les sous-ensembles à p + 1

éléments de J1; n + 1K d'après leur plus grand élément.
3. Retrouver que
n
X n(n + 1)
k= ( on pourra considérer le cas p = 1).
k=1
2
4. Calculer
n
X n
X
k(k − 1) et retrouver k2
k=1 k=1
.
Exercice 1.5. On veut distribuer 7 prospectus dans 10 boîtes aux lettres nominatives.
De combien de façons peut-on le faire si :
1. on met au plus un prospectus par boîte et les prospectus sont identiques ?
2. on met au plus un prospectus par boîte et les prospectus sont tous diérents ?
3. on met un nombre quelconque de prospectus par boîte et les prospectus sont tous
diérents ?
4. on met un nombre quelconque de prospectus par boîte et les prospectus sont iden-
tiques ?
Exercice 1.6. Soient (n, p) ∈ N2 , n et p non nuls. Soit Sp,n le nombre de surjections
d'un ensemble à p éléments sur un ensemble à n éléments, c'est-à-dire le nombre de
surjections de J1; pK sur J1; nK.
1. Combien y a-t-il d'applications de J1; pK dans J1; nK ?

Exercices 12
2. Calculer Sp,n dans le cas où p < n puis p = n et enn n = 2.

3. Montrer que Sp,n = n(Sp−1,n−1 + Sp−1,n ). On choisira une image pour p et on
distinguera selon que p ait la même qu'un autre élément de 1; p ou non.
4. Montrer que
Xn
np = {kn Sp,k .
k=0
Exercice 1.7. 1. De combien de façons diérentes peut-on choisir p entiers (x1 , x2 , · · · , xp )

dans J1; nK de façon à ce que x1 < x2 < · · · < xp ?
2. De combien de façons diérentes peut-on choisir p entiers (x1 , x2 , · · · , xp ) dans
J1; nK de façon à ce que x1 ≤ x2 ≤ · · · ≤ xp ?
Exercice 1.8. 1. De combien de façons diérentes peut-on choisir n entiers (x1 , x2 , · · · , xn )
dans J1; pK de façon à ce que x1 + x2 + · · · + xp = p ?
2. En déduire l'égalité
n+p−1
X p
{k = {pn+p .
k=n−1
3. De combien de façons diérentes peut-on choisir n entiers (x1 , x2 , · · · , xn ) dans

J1; pK de façon à ce que x1 + x2 + · · · + xp ≤ p ?
4. Reprendre les deux questions précédentes en prenant les xi dans J1; nK.
Exercice 1.9. Soient p et q deux entiers naturels non nuls. Dénombrer les mots écrits
avec des 0 et des 1 :
1. comportant p + q occurences de 0 ou de 1 ;
2. comportant p occurences de 0 et q occurences de 1 ; comportant p occurences de 0
et q occurences de 1, sans que deux 0 ne soient consécutifs.
Exercice 1.10. On appelle partie lacunaire de J1; nK toute partie non vide de J1; nK qui
ne contient pas deux entiers consécutifs. Par exemple {1, 5, 7} est une partie lacunaire
de J1; 12K.
1. On note un le nombre de parties lacunaires de J1; nK.
(a) Quelles sont les valeurs de u1 et de u2 ?
(b) En considérant les parties lacunaires de J1; n + 2K qui ne contiennent ou non
n + 2 établir que
un+2 = un+1 + un .
(c) En déduire un en fonction de n.
2. On cherche à déterminer vn,p le nombre de parties lacunaires de J1; nK à p éléments.
Démontrer que vn,p est égal au nombre de mots de n lettres écrits avec n − p lettres
0 et p lettres 1 et ne contenant pas deux 1 consécutifs. En déduire que
vn,p = {pn+1−p .
(On pourra utiliser l'exercice 1.9)

Chapitre Deux
Introduction à la théorie
probabiliste
2.1 Mesure de probabilité

2.1.1 Tribu
Dénition 2.1. Soit Ω un ensemble non vide. On appelle tribu sur Ω, une famille F de
parties de Ω vériant :
∅ ∈ F.
∀A ∈ Ω, AC ∈ F.
∀n ∈ N∗ , An ∈ F =⇒ ∪n∈N∗ An ∈ F.
Exemple 2.1. F0 = {∅, Ω} .
F1 = P(Ω).
Pour toute partie non vide A de Ω, F = ∅, A, AC , Ω .

Proposition 2.1. Soit F une tribu sur un ensemble Ω. On a :

F est stable par réunion nie.
F est stable par intersection dénombrable ou nie.
si A et B sont des éléments de F, AB et A4B sont aussi des éléments de F.
Dénition 2.2. On appelle espace probabilisable, un couple (Ω, F), où Ω est un ensemble
non vide et F une tribu de parties de Ω.
Le plus souvent, on prend pour espace probabilisable (Ω, P(Ω)).
2.2 Notion d'expérience aléatoire

On appelle expérience aléatoire, toute épreuve dont l'issue est dûe au hasard mais
dont on connait tous les résultats possibles.
Exemple 2.2. Une pièce de monnaie comporte deux faces tête que l'on notera T et
franc F. On sait que l'ensemble de tous les résultats possibles au terme d'un lancer de
cette pièce est Ω = {T, F }. Mais avant l'opération de lancer de la pièce, on ne peut pas
dire avec certitude une issue. On a donc une expérience aléatoire.

Évènements 14
Exemple 2.3. On considère un dé cubique dont les faces sont numérotées de 1 à 6.

On jette ce dé et on observe après immobilisation le chire apparu à sa face supérieure.
L'ensemble de tous les résultats possibles au terme d'un lancer de ce dé est Ω = J1; 6K.
Mais avant l'opération de lancer de la pièce, on ne peut pas dire avec certitude une issue.
On a donc une expérience aléatoire.
2.3 Évènements
Dénition 2.3. Soit une expérience aléatoire représentée par un univers Ω. Les évène-
ments de aléatoires sont des sous-ensembles de Ω. L'ensemble des évènements est une
tribu de parties de Ω.
Les opérations ensemblistes correspondant à des propriétés logiques, les termes du

langage probabiliste (le langage "courant") se retrouvent en langage ensembliste (langage
"formel").
Langage probabiliste Langage ensembliste

Un résultat de l'expérience ω, Ω
élément de
Évènement élémentaire singleton {ω}, avec ω ∈ Ω
Évènement A partie de Ω
Évènement certain Ω
Évènement impossible ∅
Évènement contraire àA A
Évènement A ou B A∪B
Évènement A et B A∩B
A et B sont incompatibles A∩B =∅
L'équivalent probabiliste d'une partition de l'univers est u système complet d'évène-
ments.
Dénition 2.4 (Système complet d'évènements). Soit Ω l'univers d'une expérience aléa-
toire. On appelle système complet d'évènements, la donnée de n évènements A1 , A2 , · · · , An
avec n ∈ N∗ tels que :
. pour tout J1; nK, Ai 6= ∅ ;
. pour tous (i, j) ∈ J1; nK2 , Ai ∩ Aj = ∅ ;
. ni=1 Ai = Ω.
S
La première condition est parfois omise. On précise dans ce cas, selon les circon-
stances, "système complet d'évènements non vides". dans tout ce cours, ce sera toujours
le cas.
Utiliser un système complet d'évènements revient à raisonner par disjonctiondes cas.
On découpe l'univers en plusieurs 'évènements, un et un seul d'entrte eux étant réalisé
à chaque expérience. Le plus simple des système complet d'évènements est A et A avec
A un évènement distinct de Ω et du ∅. C'est le raisonnement binaire ; "la boule est
blanche" ou "la boule n'est pas blanche".

Notion de probabilité : espace probabilisé ni 15
2.4 Notion de probabilité : espace probabilisé ni

Dénition 2.5 (Axiomes des probabilités nies). On appelle probabilité dénie sur un
espace probabilisable (Ω, F, toute application p dénie de F dans [0, 1] qui vérie les
propriétés suivantes :
1. p(Ω) = 1.
2. Si A et B deux évènements incompatibles c'est-à-dire A ∩ B = ∅, on a :
p(A ∪ B) = p(A) + p(B).
Le triplet (Ω, F, p) est appelé espace probabilisé. Pour tout évènement A, le réel p(A)
est appelé probabilité de l'évènemnt A.
Proposition 2.2 (Propriétés d'une probabilité nie). Soit (Ω, F, p) un espace probabilisé
ni, A et B deux évènements de Ω. On a :
1. p(A) = 1 − p(A).
2. p(∅) = 0.
3. p(A − B) = p(A) − p(A ∩ B).
4. Si A ⊂ B , alors on a : p(A) ≤ p(B).
5. p(A ∪ B = p(A) + p(B) − p(A ∩ B).
Preuve de la Propriété 2.2. 1. Remarquer que Ω=A∪A et A ∩ A = ∅.
2. Remarquer que ∅ est le complémentaire de Ω.
3. Remarquer que A = (A \ B) ∩ (A ∩ B).
4. Remarquer que B = B \ A ∩ A.
5. Remarquer que A ∪ B = A ∪ (B \ A).
Proposition 2.3. Si A1 , A2 , · · · , An sont n évènements deux à deux disjoints d'un es-

pace probabilisé (Ω, F, p), alors :
n
! n
[ X
p Ak = p(Ak ).
k=1 k=1
Preuve de la Propriété 2.3. Il sut de mener un raisonnement par récurrence par rap-
port à n.
Corollaire 2.1. Si A1 , A2 , · · · , An un système complet d'évèments d'un espace proba-

bilisé (Ω, F, p), alors :
Xn
p(Ak ) = 1.
k=1
Preuve du Corollaire 2.1. Il sut de remarquer que les Ak sont disjoints deux à deux
et leur réunion est Ω.

Notion de probabilité : espace probabilisé ni 16
2.4.1 Comment dénir une probabilité

On a le théorème suivant qui permet de dénir une probabilité sur un espace prob-
abilisable (Ω, F) avec Ω ni.
Théorème 2.1 (Germe de probabilité-cas ni). Une probabilité sur un ensemble ni
est entièrement caractérisée par sa valeur sur les évènements élémentaires. Plus précise-
ment, soit Ω un ensemble ni. On note Ω = {ωI }1≤i≤n . Soit (pi )1≤i≤n une suite de réels
positifs de somme 1. Alors, il existe une unique probabilité sur Ω telle que
∀i ∈ J1; nK, p (ωi ) = pi .
Preuve du Théorème 2.1. Soit A un évènement quelconque. Si A est vide, alors p(A) =
0. Si A n'est pas vide, on peut alors l'écrire sous la forme
A = {ωi1 , ωi2 , · · · , ωir }
où i1 , i2 , · · · , ir sont des indices compris entre 1 et n. Comme A est l'union disjointe des
singletons ωik , l'additivité nie de la probabilité p entraîne que
r
X r
X
p(A) = p({ωik }) = p ik .
k=1 k=1
D'où l'unicité de p si elle existe.

Montrons à présent que p ainsi dénie est une probabilité.
1.
n
X n
X
p(Ω) = p({ωi }) = pi = 1.
i=1 i=1
2. Soient A et B deux évènements disjoints, notés
A = {ωi1 , ωi2 , · · · , ωir et B = {ωj1 , ωj2 , · · · , ωjs }.
Il est clair que

A ∪ B = {ωi1 , ωi2 , · · · , ωir , ωj1 , ωj2 , · · · , ωjs .
Donc
r
X s
X
p(A ∪ B) = p({ωik }) + p({ωjk }).
k=1 k=1
Ainsi, p est bien que probabilité.
Exemple 2.4 (Loi binomiale) . Considérons Ω = J1; nK, p ∈]0, 1[ et posons pour tout
k∈ J1; nK, pk = {kn pk (1 − p)n−k .
1. Montrer que les pk dénissent une probabilité sur Ω, P(Ω).
2. Calculer la probabilité de l'ensemble des nombres impairs I = {1, 3, · · · }.

Notion d'indépendance en probabilité 17
2.5 La probabilité uniforme

Dénition 2.6. On dit qu'il y a équiprobabilité, lorsque les probabilités de tous les
évènement élkémentaires sont égales. On dit que la probabilité est uniforme sur l'espace
probabilisable (Ω, P(Ω)).
Proposition 2.4. S'il y a équiprobabilité, pour tout évènement A, on a :
card A nombre de cas favorables
p(A) = = .
card Ω nombre de cas possibles
Exemple 2.5. On jette un dé cubique dont les faces sont numérotées de 1 à 6 et on lit
après immobilisation le chire apparu à sa face supérieure.
1. Sachant que le dé est parfaitement équilibré, quelle est la probabilité d'obtenir un
chire pair ?
2. Sachant que le dé est truqué de sorte que chaque face ait une probabilité d'apparu-
tion proportionnelle au numéro qu'elle porte, quelle est la probabilité d'obtenir un
numéro pair ?
Exemple 2.6. Une urne contient 9 boules numérotées de 1 à 9. On tire simultanément
deux boules de cette urne ; sachant que les boules sont indiscernables au toucher, quelle
est la probabilité d'obtenir deux boules portant des numéros de même parité ?
2.6 Probabilités conditionnelles

2.6.1 Théorème-Dénition
Soient (Ω, P(Ω), p) un espace probabilisé ni, A un évènement de probabilité non
nulle. Pour tout évènement B, posons :
p(A ∩ B)
pA (B) = .
p(A)
pA est une probabilité sur l'espace probabilisable (Ω, P(Ω)), appelée probabilité contion-
nelle relative à A oubien probabilité sachant A. pA (B) se note égalemnt p(B/A).
Exemple 2.7. Une urne contient 2 boules rouges et 3 vertes indiscernables au toucher.
On tire successivement et sans remise 2 boules de l'urne.
Quelle est la probabilité d'obtenir au second tirage une boule verte sachant que la
première boule tirée est rouge ?
2.7 Notion d'indépendance en probabilité

Dénition 2.7. Soient A et B deux évènements d'un même espace probabilisé (Ω, P(Ω), p).
A et B sont indépendants pour la probabilité p si :
p(A ∩ B) = p(A) × p(B).

Notion d'indépendance en probabilité 18
Proposition 2.5. 1. Si p(A) 6= 0, on a : A et B indépendants pour la probabilité p

si et seulement si
pA (B) = p(B).
2. Si p(B) 6= 0, on a : A et B indépendants pour la probabilité p si et seulement si
pB (A) = p(A).
Ce qui traduit le fait que la réalisation de l'évènement A n'a aucune inuence sur
celle de B à priori et réciproquement.
Exemple 2.8. Soit Ω = J1; 6K, p1 et p2 deux probabilités dénies sur (Ω, P(Ω)) par :
k 1 2 3 4 5 6
1 1 1 1 1 1
p1 ({k}) 6 6 3 9 9 9
1 1 1 1 1 1
p2 ({k}) 6 6 6 6 6 6
Considérons les évènements : A = {1, 2} et B = {2, 3}.

1. Les évènements A et B sont ils indépendants pour la probabilité p1 ?
2. Les évènements A et B sont ils indépendants pour la probabilité p2 ?
2.7.1 Indépendance de n évènements

Dénition 2.8. n évènements A1 , A2 , · · ·, An d'un espace probabilisé (Ω, P(Ω))
sont deux à deux indépendants si pour tous i et j distincts dans J1; nK, on a :
p(Ai ∩ Aj ) = p(Ai ) × p(Aj ).
n évènements A1 , A2 , ···, An d'un espace probabilisé (Ω, P(Ω)) sont mutuellement

indépendants si pour tout ensemble I d'indices choisis dans J1; nK, on a :
\ Y
p( Ai ) = p(Ai ).
i∈I i∈I
Remarque 2.1. n évènements mutuellement indépendants sont deux à deux indépen-

dants. Mais n évènements peuvent être deux à deux indépendans sans être mutuellement
indépendants.
Exemple 2.9. On lance deux fois un dé cubique parfaitement équilibré. On considère

les évènements suivants :
A1 : le premier nombre obtenu est pair.
A2 : le deuxième nombre obtenu est impair.
A3 : la somme des deux nombres obtenus est pair.
1. Les évènements A1 , A2 , A3 sont ils deux à deux indépendants ?
2. Les évènements A1 , A2 , A3 sont ils mutuellement indépendants ?

Exercices 19
2.8 Exercices
Exercice 2.1. On considère une urne contenant 5 boules blanches et 5 boules noires.
Les boules blanches sont numérotées de 1 à 5 et les boules noires également.
1. Décrire l'univers associé à chacune des expériences suivantes :
(a) on tire une à une trois boules de l'urne, en remettant la boule tirée à chaque
fois ;
(b) on tire une à une trois boules de l'urne, sans remettre la boule tirée à chaque
fois ;
(c) on tire une à une les boules de l'urne, sans les remettre après chaque tirage,
jusqu'à ce qu'il n'y ait plus de boules dans l'urne ;
(d) on tire une à une les boules de l'urne. Si la boule tirée est blanche on la remet,
sinon on ne la remet pas.
2. On considère l'expérience : "on tire simultanément deux boules de l'urne".
(a) Décrire l'univers des possibles pour cette expérience.
(b) Décrire les évènements A "il y a plus de boules blanches que de boules noires"
et B "les boules blanches tirées ont toutes un numéro pair". Décrire ensuite
l'évènement A ∩ B .
Exercice 2.2. Expliquer pourquoi lorsqu'on jette trois dés, on obtient plus souvent la
somme 10 que la somme 9 alors que ces deux sommes sont obtenues de six façons
diérentes chacune.
Exercice 2.3. Une urne contient des boules numérotées de 1 à n.

1. On en tire k simultanément. Quelle est la probabilité de tirer la boule numéro i
(avec k et i éléments de J1; nK) ?
2. On tire k boules successivement et sans remise.
(a) Quelle est la probabilité de tirer la boule i à un rang r donné (avec 1 ≤ r ≤ k ) ?
(b) Quelle est la probabilité de tirer la boule numéro i (avec 1 ≤ i ≤ n) ?
Exercice 2.4. Dans un studio de cinéma, un casteur doit trouver rapidement le meilleur
candidat pour un rôle. Il y a n candidats possibles qui se présentent dans un ordre
quelconque.
1. Quelle est la probabilité que le meilleur candidat se présente à la k -ième position
(k ∈ J1; nK) ?
2. Pour éviter de faire passer tous les candidats, le casteur utilise la stratégie suivante.
Il choisit un entier m entre 1 et n − 1, puis
* il fait passer d'abord m candidats qu'il refuse systématiquement ;
* il auditionne ensuite les autres candidats et prend le premier des candidats
qui est meilleur que les m premiers. S'il n'en trouve aucun, il prend le dernier
des candidats.

Exercices 20
(a) Quelle est la probabilité que le casteur choisisse le meilleur des candidats et
que celui-ci se présente en k -ième place (pour k ∈ Jm + 1; nK) ?
(b) En déduire la probabilité pn (m) (sous forme d'une somme) que le casteur
choisisse le meilleur candidat.
(c) Démontrer que
1 1
∀k ∈ N∗ ≤ ln(k + 1) − ln(k) ≤
k+1 k
puis
1
∀k ∈ J2; +∞J ln(k + 1) − ln(k) ≤ ≤ ln(k) − ln(k − 1).
k
En déduire un encadrement de pn (m).
(d) On fait tendre n vers +∞ en gardant m
n
constant. Démontrer que pn (m)
admet une limite.
Exercice 2.5. Soit l'univers Ω = J1; 2nK. Peut-on trouver deux réels a et b tels que
∀k ∈ Ω p({k}) = ak + b
dénisse une probabilité et que p (J1; nK) = 14 ?
Exercice 2.6. les fonctions suivantes, dénies sur les singletons, se prolongent-elles en
une probabilité sur (ΩP(Ω)) ?
1. Ω = J1; nK, p({k}) = {kn (−1)k 2n−k ;
2. Ω = J1; 2nK, p({k}) = n1 |1 − nk |.
Exercice 2.7. 1. Un étang contient des poissons rouges et gris. Un tiers des poissons
sont d'origine chinoise. parmi les poissons d'origine chinoise, 30 % sont rouges.
Au total, 20 % des poissons sont rouges. Un promeneur voit un poisson rouge dans
l'étang. Quelle est la probabilité qu'il soit d'origine chinoise ?
2. Dans une université, 10% des étudiants sont d'origine chinoise. parmi ceux-là,
90% ont moins de 30 ans. Il y a 5% d'étudiants chinois ayant moins de 30 ans et
eectuant un doctorat. vous rencontrez par hasrd un étudiant qui dit être chinois
et avoir moins de 30 ans. Quelle est votre chance de gagner en qu'il eectue un
doctorat ?
Exercice 2.8. Soit donné un dé pour lequel les nombres pairs sont deux fois plus prob-
ables que les nombres impairs.
1. Donnez l'espace de probabilité si on lance le dé une fois.
2. Donnez l'espace de probabilité si on lance le dé deux fois. Quelle est la probabilité
que les deux résultats obtenus, x1 , x2 , diérent de un, cest-à-dire |x1 − x2 | = 1 ?

Exercices 21
Exercice 2.9. Une usine possède trois machines A, B, C pour produire deux composants
électroniques diérents. Ces machines fournissent respectivement 45%, 30% et 25% de
la production de ces deux composants.
La machine A est uniquement utilisée pour la production du composant de type 1 ; le
composant produit est de bonne qualité dans 97% des cas. La machine B produit les deux
composants avec un taux déchec de 5%. La machine C produit les deux composants en
égale proportion ; pour le composant de type 2 elle est optimisée, ayant une probabilité
de réussite de 100% ; pour le composant de type 1, 2 pièces sur 25 sont de mauvaise
qualité.
1. Quel pourcentage de la production est de mauvaise qualité ?
2. Si une pièce (de n'importe quel type) est de mauvaise qualité, quelle est la proba-
bilité quelle ait été produite par la machine A ?
Exercice 2.10. Amanda, Deborah et Rebecca travaillent dans une entreprise en tant
qu'opératrices ; leur tâche est de diriger les appels externes arrivant à la centrale vers les
diérents services de l'entreprise. Parfois distraites, elles commettent des erreurs avec
une probabilité valant respectivement 0, 02; 0, 03 et 0, 05. Amanda s'occupe de 50% des
connections, Deborah de 30% et Rebecca de 20%.
1. Quelle est la proportion de mauvais services fournis par Amanda ?
2. Quelle est la proportion totale de bons services ?
3. Deborah fait souvent la fête tard dans la nuit avec des amis ; par conséquent, elle se
trouve par hasard subitement malade le lendemain. Ces absences festives ont une
probabilité doccurence de 10%. Lors des absences de Deborah, Amanda soccupe de
65% des connections et Rebecca de 35%, mais, à cause du stress, leurs probabilités
d'erreur augmentent à 0, 04 pour Amanda et à 0, 06 pour Rebecca.
4. Si un client est dirigé vers une fausse ligne, quelle est la probabilité que Deborah
ait trop dansé durant la nuit précédente ?
Exercice 2.11. Dans une ville ravagée par un terrible tremblement de terre, certains
promoteurs immobiliers n'ont pas respectés les normes de construction, soit en ayant
omis de placer une dalle de fondation spéciale et trés coûteuse, soit en ayant sous-
dimensionné cette dalle. Sur base d'un modèle théorique, on a estimé que pour le trem-
blement de terre ayant eu lieu, les risques d'eondrement d'un immeuble sont de 85 %
si la dalle n'est pas présente, de 25 % si elle est sous-dimensionnée et de 1 % si elle est
correctement dimensionnée. Des contrôles antérieures à l'accident ont montré que pour
5 % des constructions, il y avait une fraude ; la dalle était sous-dimensionnée dans 80 %
des cas et absente dans 20 % des cas.
1. Pour un immeuble eondré pris au hasard, quelle est la probabilité qu'il ne soit
pas muni d'une dalle ?
2. Pour un immeuble non eondré pris au hasard, quelle est la probabilité que la dalle
soit correctement dimensionnée ?

Chapitre Trois
Variable aléatoire réelle finie
3.1 Tribu des boréliens

Soit x0 un élément de R. On dit qu'un sous-ensemble de R est un voisinage de x0 s'il
existe un intervalle ouvert contenant x0 et contenu dans le sous-ensemble.
3.1.1 Ouverts
Dénition 3.1. Un sous-ensemble de R est dit ouvert, s'il est vide, ou bien s'il est
voisinage de chacun de ses points. Un ouvert de R est donc une réunion d'intervalles
ouverts éventuellement vides.
Proposition 3.1. 1. Une réunion quelconque d'ouverts est un ouvert ;
2. Une intersection nie d'ouverts est un ouvert ;
3. R et ∅ sont des ouverts.
3.1.2 Fermés
Dénition 3.2. Un sous-ensemble de R est dit fermé si son complémentaire est ouvert.
Proposition 3.2. 1. Une intersection quelconque de fermés est un fermé ;
2. Une réunion nie de fermés est un fermé ;
3. R et ∅ sont des fermés.
3.1.3 Tribu engendrée par une famille de parties de R

On désigne par P(R) l'ensemble des parties de R. C'est évidemment une tribu de
parties de R. Soit E ⊂ P(R). L'ensemble des tribus de parties contenant E n'est pas vide
(il contient P(R)). L'intersection des tribus de cet ensemble est une tribu de parties de
R. C'est la plus petite tribu de parties de R contenant E. On l'appelle la tribu de parties
de R engendrée par E.
Dénition 3.3. Soit F la famille des fermées de R. La tribu de parties de R engendrée

par F et notée B, est appelée la tribu des boréliens et chaque élément de B est appelé
ensemble boréline ou tout simplement borélien.

Notion de variable aléatoire réelle 23
Théorème 3.1. La tribu des boréliens est aussi engendrée par l'une quelconque des cinq
familles de parties de R suivantes :
1. la famille des ouverts ;
2. la famille des intervalles ]a, b] ;
3. la famille des intervalles [a, b[ ;
4. la famille des intervalles non bornés ]−∞, a[ ;
5. la famille des intervalles non bornés ]−∞, a].
3.2 Notion de variable aléatoire réelle

Dénition 3.4. Soit (Ω, F) un espace probabilisable ; on appelle variable aléatoire réelle
(v.a.r.) dénie sur (Ω, F) toute application :
X : Ω −→ R
telle que X −1 (B) ⊂ F. C'est-à -dire que X −1 (B) ∈ B pour tout B ∈ F. L'ensemble
H = X(Ω) est appelé ensemble fondamental de la variable aléatoire réelle X .
Remarque 3.1. Lorsque F = P(Ω), alors toute application X dénie de Ω dans R est
une variable aléatoire réelle.
3.2.1 Evènement associé à une variable aléatoire

On note :
Pour tout intervalleI, X ∈ I l'ensemble {ω ∈ Ω / X(ω) ∈ I} .
(a < X ≤ b) pour X ∈ ]a, b] = {ω ∈ Ω / X(ω) ∈ ]a, b]} .
(X ≤ x) pour X ∈ ]−∞, x] = {ω ∈ Ω / X(ω) ∈ ]−∞, x]} .
(X = x) pour X ∈ {x} = {ω ∈ Ω / X(ω) ∈ {x}} .
3.2.2 Opérations
Soient X, Y deux variables aléatoires réelles d'un espace probabilisable (Ω, P(Ω)), λ ∈
R. Alors, X + Y, λX, XY, sup(X, Y ), inf(X, Y ) sont des v.a.r. sur (Ω, P(Ω)).
Exemple 3.1. On lance un dé cubique dont les faces sont numérotées de 1 à 6. On
appelle X le numéro obtenu et Y son complémentaire à 6. Dé&terminer les v.a.r. X +
Y, 2X + 4Y, inf(X, Y ).
3.2.3 Fonction de répartition

Dénition 3.5. Soit X une v.a.r. dénie sur un espace probabilisé (Ω, F, p). L'applica-
tion F dénie sur R, à valeurs dans [0, 1], par :
F : R −→ [0, 1]
x 7−→ F (x) := p(X < x)
est appelée la fonction de répartition de X .

Variables aléatoires discrètes 24
Remarque 3.2. On a :
lim F (x) = 0 et lim F (x) = 1.

x→−∞ x→+∞
Théorème 3.2. La fonction de répartition d'une v.a.r. X est croissante et continue à

gauche en chacun de ses points de discontinuité. En chaque pÃint x0 de discontinuité,
le saut de la fonction de répartition F , c'est-à-dire F (x0 + 0) − F (x0 ) est la probabilité
que X prenne la valeur x0 . On a alors :
F (x0 + 0) − F (x0 ) = p(X = x0 ) = PX (x0 ).
Théorème 3.3. Soit F une fonction dénie sur R à valeurs dans [0, 1] vériant les
propriétés suivantes :
1. F est croissante ;
2. limx→−∞ F (x) = 0 et limx→+∞ F (x) = 1;
3. F est continue à gauche en chacun de ses points de continuité. Alors F est la
fonction de répartition d'une variable aléatoire réelle.
3.3 Variables aléatoires discrètes

Dénition 3.6. Une v.a.r. est dite discrète si son ensemble fondamental H = X(Ω)
est un sous ensemble dénombrable de R. Dans ce cas, on notera xn , n ∈ N∗ les éléments
de H rangés par ordre de valeurs croissantes.
Exemple 3.2. Pour l'exemple précédent, on a : X(Ω) = {1, 2, 3, 4, 5, 6} et Y (Ω) =
{0, 1, 2, 3, 4, 5}. On peut donc dire que les v.a.r. X et Y sont discrètes nies.
3.3.1 Loi de probabilité d'une v.a.r. discrète nie

Soit X une v.a.r. sur l'espace probabilisé (Ω, P(Ω), p) telle que X(Ω) = {x1 , x2 , · ·
·, xn } avec x1 < x2 < · · · < xn . On appelle loi de probabilité de X , l'ensemble des
couples (xi , pi )1≤i≤n où xi ∈ X(Ω) et pi = p(X = xi ).
Exemple 3.3. Soit Ω = {ω1, ω2 , ω3 , ω4 , ω5 } un ensemble ni. On dénit sur l'es-
pace probabilisable (Ω, P(Ω)) la probabilité uniforme. Considérons la v.a.r. X dénie sur
(Ω, P(Ω), p) par X(ω1 ) = X( ω5 ) = 0; X(ω2 ) = X(ω4 ) = 1 et X(ω5 ) = 2. Déterminer
la loi de probabilité de la v.a.r. X.
3.3.2 Fonction de répartition d'une v.a.r. discrète nie

Soit F fonction de répartition d'une v.a.r ; discrète nie X. On a :
F : R −→ [0, 1]
.
x 7−→ F (x) := p(X < x)
Si X(Ω) = {x1 , x2 , · · ·, xn } avec x1 < x2 < · · · < xn , la fonction F est défnie par :

Moments d'une v.a.r. discrète nie 25
∀x ∈] − ∞, x1 ], F (x) = p(X < x) = 0

∀x ∈]x1 , x2 ], F (x) = p(X < x) = p(X = x1 )
∀x ∈]x2 , x3 ], F (x) = p(X < x) = p(X = x1 ) + p(X = x2 )
·
·
F (x) = p(X < x) = ji=1 p(X = xi )
P
∀x ∈]xj , xj+1 ],
∀x ∈]xn , +∞], F (x) = p(X < x) = 1
Exemple 3.4. Reprener l'exemple précédent puis déterminer et représenter graphique-
ment sa fonction de réparttion.
Proposition 3.3. La fonction de répartition F d'une v.a.r. X permet de déterminer la
loi de probabilité de X. Pour tout j ∈ {1, 2, ..., n − 1} on a :
p(X = xj ) = F (xj+1 ) − F (xj ).
Et
p(X = xn ) = 1 − F (xn ).
Remarque 3.3. Certains auteurs dénissent la fonction de répartition par :
G(x) = p(X ≤ x).
Les fonctions F et G sont diérentes mais l'une ou l'autre dénit la loi de probabilité
de la v.a.r. X.
Exemple 3.5. Une urne contient 4 boules indiscernables au toucher numérotées de 1 à
4. On tire successivement deux boules avec remise. On note X1 le numéro de la première
boule tirée, par X2 celui de la deuxième boule tirée et par Y le plus grand des deux
numéros obtenus. Déterminer la fonction de répartition puis la loi de probabilité de la
v.a.r. Y.
3.3.3 Indépendance de deux v.a.r.

Soient X et Y deux v.a.r. dénies sur un espace probabilisé ni (Ω, P(Ω), p). On dit
que X et Y sont indépendantes pour la probabilité p si pour tout (x, y) ∈ X(Ω) × Y (Ω),
on a : p[(X = x) ∩ (Y = y)] = p(X = x) · p(Y = y).
3.4 Moments d'une v.a.r. discrète nie

3.4.1 Moments d'ordre k avec k ∈ N∗
Soient X une v.a.r. de loi {((xi , pi ) / 1 ≤ i ≤ n)}, k un entier naturel non nul. On
appelle moment d'ordre k de X , le nombre réel noté mk (X) déni par :
n
X
mk (X) = (xi )k pi .
i=1

Inégalités intéressantes 26
Exemple 3.6. Déterminer le moment d'ordre 2 de la v.a.r. X de loi :

xi −2 −1 0 1
1 1 1 1
pi = p(X = xi ) 6 3 3 6
3.4.2 Espérance mathématique

Dénition 3.7. L'espérance mathématique d'une v.a.r. X est égale au moment d'ordre
1 de X. On le note E(X) et on a :
n
X
E(X) = xi p i .
i=1
Proposition 3.4. Soient X et Y deux v.a.r. sur un espace probabilisé ni (Ω, P(Ω), p),
λ et µ deux nombres réels. On a :
E(λX + µY ) = λE(X) + µE(Y ).
En particulier, on a :
E(λX + µ) = λE(X) + µ.
3.4.3 Variance d'une v.a.r.

Dénition 3.8. On appelle variance d'une v.a.r. X , le nombre réel positif ou nul noté
V (X) déni par :
n
X
V (X) = (xi − E(X))2 pi = E((X − E(X))2 ).
i=1
L'écart type de X est déni par

p
σ(X) = V (X).
Proposition 3.5. Soient X une v.a.r. sur un espace probabilisé ni (Ω, P(Ω), p), λ et
µ deux nombres réels. On a :
V (X) = E(X 2 ) − (E(X))2 .
V (λX + µ) = λ2 V (X)
σ(λX + µ) = |λ| σ(X).
3.5 Inégalités intéressantes

3.5.1 Inégalité de Markov
Proposition 3.6. Soit X une variable aléatoire réelle sur un espace probabilisé (Ω, F, p),
g une fonction borélienne dénie de R dans ]0; +∞[ . Alors, si E [g (X)] existe, pour
tout k ∈ R∗+ , on a :
E [g (X)]
p (g (X) ≥ k) ≤ .
k

Exercices 27
3.5.2 Inégalité de Chebyshev

Proposition 3.7. Soit X une v.a.r. sur un espace probabilisé (Ω, F, p). Alors, si V (X)
existe, pour tout a strictement positif, on a :
V (X)
p (|X − E(X)| ≥ a) ≤ .
a2
Remarque 3.4. L'inégalité de Chebyshev ne requiert que la connaissance de l'espérance
et de la variance de X . Elle donne une borne supérieure quant à la probabilité que
la variable aléatoire réelle X prenne des valeurs comprises à l'intérieur de l'inter-
valle [E(X) − a; E(X) + a] . En pratique, l'inégalité de Chebyshev est très utiles si l'on
veut obtenir une estimation des ordres de grandeurs pour des intervalles de conance
symétriques autour de la moyenne lorsque l'on ne dispose que des valeurs de E(X) et
de V (X).
Exemple 3.7. Si l'on sait seulement que la pluviométrie annuelle dans une zone A du
bénin vaut en moyenne 800 mm avec un écart type de 100 mm. Quelle est la probabilité
minimale qu'il pleuve entre 600 et 1000 mm une année ?
3.6 Exercices
3.6.1 Exercice
Soit une v.a.r. continue de fonction de répartition F. On dénit l'application G de
R dans R par :
Z y+1
G(y) = F (x)dx.
y
Montrer que G est la fonction de répartition d'une variable aléatoire absolument continue
dont on exprimera la densité de probabilité.
3.6.2 Exercice
La fonction de répartition F d'une variable aléatoire réelle X est dénie par :
F : R −→ R
x0 2

1− si x > x0
x 7−→ F (x) = x
0 si x ≤ x0
où x0 est un nombre réel strictement positif.
1. Représenter graphiquement F et montrer que X est une variable aléatoire absol-

ument continue. exprimer sa densité.
2. Calculer PX ([2x0 , 3x0 ]).

Exercices 28
3.6.3 Exercice
Soit l'équation diérentielle :
y 0 + (ex − 1)y = 0. (E)
1. Déterminer la solution f de (E) telle que

Z +∞
f (x)dx = 1.
0
2. Soit ϕ la fonction dénie sur R par :

0 si x<0
ϕ(x) =
f (x) si x≥0
(a) Montrer que ϕ est une densité de probabilité.
(b) Soit X la variable aléatoire de densité ϕ. Déterminer la fonction de répartition

Φ de X . Représenter graphiquement ϕ et Φ.
3.6.4 Exercice
Soit le problème diérentiel :
xy 0 + (a + 1)y = 0, x > 0, (P )
où a est une constante donnée positive.
1. Trouver l'ensemble des solutions de (P ).

2. Soit k une constante positive ; déterminer la solution f de (P ) telle que
Z +∞
f (x)dx = 1.
k
3. Soit ϕ la fonction dénie sur R par :

0 si x<k
ϕ(x) =
f (x) si x ≥ k
(a) Représenter graphiquement les variations de ϕ.

(b) Montrer que ϕ est une densité de probabilité.
(c) Soit X la variable aléatoire de densité ϕ. Déterminer la fonction de répartition

Φ de X .
(d) Soit n un entier naturel non nul. Pour quelles valeurs de a le moment d'ordre
n de X existe-t-il ? Dans ce cas, calculer ce moment.
(e) En déduire l'espérance mathématique et la variance de X pour a > 2.

Exercices 29
3.6.5 Exercice
Soit n un entier positif et X une variable aléatoire absolument continnue dont
l'ensemble fonadmental est R+ . la densité de probabilité de X est la fonction f dénie
par :
f (x) = ke−x xn−1 , x ≥ 0.
1. Calculer k.
2. Soit r un entier Calculer le moment d'ordre r de X.

3. Déduire de ce qui précède l'écart type de X.

Chapitre Quatre
Lois discrètes classiques usuelles
4.1 Introduction
Les lois classiques de probabilité sont des distributions particulières de probabilité
que l'on utilise sur le plan théorique pour décrire certains phénomènes s'inscrivant dans
les chémas classiques qui ne sont rien d'autre que des matérialisations des phénomènes
concrets de la vie socio-économique. Dans ce chapitre, nous étudierons successivement
la loi de Bernouilli, la loi binomiale et la loi de Poisson.
4.2 Loi de Bernouilli

Dénition 4.1. On appelle épreuve de Bernouilli, toute épreuve ayant deux issues l'une
d'elles étant appelée succès de probabilité p et l'autre échec de probabilité q = 1−p. Le
réel p est appelée probabilité de succès.
Exemple 4.1. Une urne contient des boules dont une proportion p de couleur blanche.
On tire au hasard une boule de cette urne et suppose que l'on réalise le succès lorsqu'une
boule blanche est tirée et l'échec lorsqu'une boule d'une autre couleur est tirée. Il s'agit
d'une épreuve de Bernouilli.
4.2.1 Distribution de Bernouilli

Dénition 4.2. Soit p ∈ [0, 1] donné. On dit qu'une variable aléatoire X suit la loi de
Bernouilli de paramètre p (on note X ; B(1, p)) lorsque X prend les valeurs 0 et 1
avec les probabilités : p(X = 1 = p et p(X = 0) = 1 − p.
Proposition 4.1. Si X suit la loi de Bernouilli de paramètre p (X ; B(1, p)), alors :
E(X) = p et V (X) = p(1 − p).
4.3 Loi binomiale

Dénition 4.3. Lorsqu'on répète n fois dans les mêmes conditions une épreuve de
Bernouilli, la variable aléatoire X qui à toute suite de n épreuves associe le nombre de

Loi hypergéométrique 31
succès peut prendre les valeurs 0, 1, 2, · · ·, n. Si p est la probabilité de succès après une
épeuve de Bernouilli, on dit que X obéit à une loi binomiale de paramètres n et p. On
note X ; B(n, p).
Proposition 4.2. Si X suit la loi de binomiale B(n, p), alors :
pour tout k ∈ {0, 1, 2, · · ·, n},
p(X = k) = {kn pk (1 − p)n−k .
E(X) = np et V (X) = np(1 − p).
Si X1 et X2 sont deux variables aléatoires indépendantes suivant respectivement
les lois binomiales B(n1 , p) et B(n2 , p), alors la variable aléatoire réelle X1 + X2
suit la loi binomiale B(n1 + n2 ; p).
Exemple 4.2. Un vivier contient 100 truites de même aspect et de même âge. Cinq
d'entre elles pèsent moins de 200 grammes, les autres plus de 200 grammes. Trois fois
de suite, on va sortir une truite du vivier, la peser et la replonger rapidement dans le
vivier. Soit X le nombre de truites de plus de 200 grammes obtenues à l'issue de ces
trois pesées. Déterminer la loi de X.
4.4 Loi hypergéométrique

On eectuen tirages successifs sans remise dans une urne contenant deux catégories
de boules N1 (N1 6= 0) boules blanches et N2 (N2 6= 0) boules non blanches. Donc l'urne
contient N = N1 + N2 boules. Soit X la v.a.r. qui à ces n tirages associent le nombre
N
de boules blanches tirées. En posant p = 1 , on dit que X suit la loi hypergéométrique
N
de paramètres (N, n, p) qui est notée H(N, n, p).
Dénition 4.4. Soient N et n deux entiers naturels tels que n ≤ N et p ∈ ]0; 1[

tel que N p ∈ N. On dit qu'une v.a.r. X suit la loi hypergéométrique de paramètres
(N, n, p) qui est notée H(N, n, p), lorsque X prend les valeurs entières k comprises
entre max(0, n − N + N p) et min(N p, n) avec les probabilités :
n−k 1
p(X = k) = {kN p {N −N p
{nN
et 0 ailleurs.
Proposition 4.3. Si X suit la loi H(N, n, p), alors
N −n
E(X) = np et V (X) = np(1 − p) .
N −1
Le réel N −n
N −1
est le facteur d'exhaustivité.
Exemple 4.3. Dans une PME sont employés 6 ouvriers et 5 employés. Le PDG souhai-
tant prendre l'avis du personnel interroge 7 personnes choisies au hasard parmi ces 11
personnes. Soit X la variable aléatoire égale au nombre d'ouvriers interrogés.
1. Quelle sont les valeurs possibles de X?
2. Quelle est la probabilité d'interroger 4 ouvriers ?

Loi géométrique 32
4.5 Loi uniforme

Dénition 4.5. Soit n un entier naturel non nul ; on dit qu'une v.a.r. X suit la loi
uniforme () sur {1, 2, · · ·, n} lorsque X pren,d les valeurs k = 1, 2, · · ·, n avec les
probabilités
1
p(X = k) = .
n
Proposition 4.4. Si X suit la loi uniforme U(n), alors
n+1 n2 − 1
E(X) = et V (X) = .
2 12
4.5.1 Approximation d'une loi hypergéométrique par une loi bi-

nomiale
Si N
est assez grand ou si n est assez petit par rapport à N alors le facteur d'exhaus-
N −n N −n
tivité tend vers 1 et V (X) = np(1 − p) tend vers np(1 − p). On admettra que
N −1 N −1
la variable aléatoire X de loi hypergéométrique H(N, n, p), obéit approximativement à
la loi binomiale B(n, p).
n
En pratique, l'approximation peut se faire lorsque
N
< 0, 1.
4.6 Loi géométrique

On eectue des tirages successifs avec remise dans une urne contenant deux catégories
de boules. Des boules blanches en proportion p (0 < p < 1) et des boules noires en
proportion q = 1−p . Soit X la v.a.r. égale au nombre de tirages nécessaires pour
obtenir une boule blanche pour la première fois.
Les valeurs possibles de X sont les entiers naturels non nuls. On a donc X(Ω) =
N∗ = {1, 2, · · ·, n, · · ·} . On dit que X suit la loi géométrique de paramètre p et on
note X ; G(p).
Dénition 4.6. Soit p ∈ ]0; 1[ donné ; on dit qu'une v.a.r. X suit la loi géométrique de
paramètre p (notée G(p)), lorsque X prend les valeurs n ∈ N∗ avec les probabilités
p(X = n) = p(1 − p)n−1 .
Proposition 4.5. Si X suit la loi uniforme G(p) avec (0 < p < 1), alors
1 1−p
E(X) = et V (X) = .
p p2
Exemple 4.4. Considérons un dé cubique parfaitement équilibré dont les faces sont
numérotées de 1 à 6. Soit X la v.a.r. égale au nombre de jets nécessaires pour obtenir
pour la première fois 6.
1. Quelles sont les valeurs possibles de X ?
2. Déterminer la probabilité pour que l'on obtienne 6 pour la première fois au 6ème
jet.
3. Calculer l'espérance mathématique et l'écart type de X .

Loi de Poisson 33
4.7 Loi binomiale négative ou loi de Pascal

On peut généraliser la loi géométrique en ne s'intéressant plus uniquement au nombre
de répétitions de l'épreuve de Bernouilli qui sont nécessaires pour observer une première
réussite, mais au nombre n de répétitions nécessaires pour observer k réussites (n ≥ k ).
La variable aléatoire suit dans ce cas une loi de Pascal ou loi binomiale négative, de
paramètres k et p, ce que l'on note X ; Pa (k, p).
On peut aussi voir la loi de Pascal comme étant la somme de k variables géométriques
indépendantes. Si l'on désigne par Y1 ; G(p), Y2 ; G(p), · · ·, Yk ; G(p) les variables
aléatoires géométriques correspondant respectivement au nombre de répétitions pour
obtenir le premier succès, pour obtenir le deuxième succès après avoir obtenu le premier,
... , pour obteniur le k ième succès après avoir obtenu le (k − 1)ième, alors le nombre
total de répétitions nécessaires pour obtenir ces k succès est donné par la somme Y1 +
Y2 + · · · + Yk .
Dénition 4.7. Soient p ∈ ]0; 1[ et k ∈ N∗ donnés ; on dit qu'une v.a.r. X suit la
loi de Pascal de paramètres k et p (notée X ; Pa (k, p)), lorsque X prend les valeurs
n ∈ k, k + 1, · · ·, avec les probabilités
k−1 k
p(X = n) = {n−1 p (1 − p)n−k .
Proposition 4.6. Si X suit la loi de Pascal Pa (k, p) avec (0 < p < 1), et k ∈ N∗ , alors
k k (1 − p)
E(X) = et V (X) = .
p p2
4.8 Loi de Poisson

Dénition 4.8. Soit λ un réel strictement positif donné. Une variable aléatoire réelle
X suit la loi de Poisson de paramètre λ si elle peut prendre toutes les valeurs entières
k avec la probabilité :
λk
p(X = k) = e−λ .
k!
On note X ; P(λ).
Proposition 4.7. Si X suit la loi de Poisson P(λ), alors :
E(X) = V (X) = λ.
Si X1 et X2 sont deux variables aléatoires indépendantes suivant respectivement
les lois de Poisson P(λ1 ) et P(λ2 ), alors la variable aléatoire réelle X1 + X2 suit
la loi binomiale P(λ1 + λ2 ).
Remarque 4.1. La loi de Poisson est utilisée lorsque l'étude statistique porte sur les
phénomènes rares.
Exemple 4.5. Un employé de la compagnie Confort Lines contrôle chaque lundi 100
voyageurs. On note X le nombre de personnes qu'il trouve en situation irrégulière. On
admet que X suit la loi de Poisson de paramètre 2.
Quelle est la probabilité qu'aucune personne ne soit en situation irrégulière ?

Exercices 34
4.8.1 Approximation d'une loi binomiale par une loi de Poisson

La loi binomiale B(n, p) peut-être approchée par la loi de Poisson P(λ), (avec λ = np)
si les trois conditions suivantes sont réalisées :
1. n est grand. En pratique on prend n ≥ 30.

2. p est petit. En pratique, on prend p ≤ 0, 1.
3. np n'est pas trop grand. En pratique, on prend np ≤ 15.
4.9 Exercices
4.9.1 Exercice
Thierry et 11 autres jeunes font un stage de 30 jours dans un grand labo-photo
japonais. Chaque soir, l'un d'eux, tiré au sort parmi les 12 stagiaires, gagne, en quittant
le laboratoire, un appareil photographique gracieusement oert.
Quelle est la probabilité qu'à l'issue de son satage Thierry ait gagné au moins deux
appareils ?
4.9.2 Exercice
Début janvier, une grande surface met en location, à la journée, 20 shampouineuses
à moquette toutes neuves. Lorsqu'un appareil tombe en panne, il n'est pas réparé mais
remplacé par une shampouineuse toute neuve. On suppose que, pour chaque appareil,
la probabilité qu'il soit à changer au cours de l'année est égale à 0,2. Si l'appareil de
remplcement vient à tomber en panne également, il n'est pas changé.
1. Déterminer la probabilité des évènements suivants :
(a) A : aucune shampouineuse ne sera changée au cours de l'année ;
(b) B : exactement trois shampouineuses seront changées au cours de l'année ;
(c) C : moins de trois shampouineuses seront changées au cours de l'année ;
(d) D : plus de trois shampouineuses seront changées au cours de l'année ;
(e) : au plus trois shampouineuses seront changées au cours de l'année.
2. Le coût, pour la grande surface, du changement en cours d'année d'une sham-

pouineuse est de 50.000 Francs, et l'entretien de l'ensemble des appareils représente
un coût xe de 1.200.000 francs pour une année. Déterminer l'espérance et l'écart
type du coût pour une année.
4.9.3 Exercice
Une petite imprimerie vend des cartes de visite par paquets de 100. Il arrive parfois
qu'une carte échappe à l'impression. On note X le nombre de cartes toutes blanches
dans un paquet. On suppose que X suit une loi de Poisson de paramètre 1, 5.

Exercices 35
1. Monsieur Solrac a commandé un paquet. Quelle est la probabilité qu'il y trouve :
(a) zéro carte blanche ?
(b) une seule crate blanche ?
(c) plus de deux cartes banches ?
2. Quels sont l'espérance et l'écart-type de X?

3. Quelle est la valeur la plus probable de X?
4. Seuls les paquets contenant plus de 4 cartes blanches font parfois l'objet d'une
réclammation. En moyenne, 10% de ces paquets sont rapportés chez l'imprimeur.
Sur 10.000 paquets vendus, combien, en moyenne, seront rapportés ?
5. Mademoiselle Alpha a commandé 5 paquets de 100 cartes de visite. Quelle est la

probabilité qu'elle ait exactement 8 cartes blanches ?
4.9.4 Exercice
Chaque année, il y a 450 morts accidentelles dues aux armes à feu parmi les 15 − 24
ans.
1. Quel est le nombre moyen de morts accidentelles dues aux armes à feu par semaine ?
2. Quelle est la probabilité qu'aucune mort accidentelle par arme à feu ne survienne
au cours d'une semaine ?
3. Quelle est la probabilité qu'au moins deux morts accidentelles par arme à feu ne
survienne en une journée ?
4.9.5 Exercice
1. Soit T une variable aléatoire suivant la loi N(0, 1). Calculer les probabilités des
évènements suivants :
(a) (−1 < T < 23 );

(b) (|T | < 1, 03);
(c) (|T | > 0, 62) ;
(d) (|T | ≥ −2, 23).
2. Soit X une variable aléatoire suivant la loi normale N(150, 10). Calculer les prob-
abilités des évènements suivants :
(a) (150 < X < 160);

(b) (|X| < 150);
(c) (|X| > 140) ;
(d) (X ≥ −160).

Exercices 36
4.9.6 Exercice
L'âge moyen d'une personne qui se marie pour la première fois est de 26 ans. Supposez
que l'âge du premier mariage soit normalement distribué, avec un écart type de quatre
ans.
1. Quelle est la probabilité qu'une personne qui se marie pour la première fois, ait
plus de 20 ans ?
2. Quelle est la probabilité qu'une personne qui se marie pour la première fois, ait
plus de 20 ans mais moins de 30 ans ?
3. Avant quel âge 90% des personnes se marient-elles pour la première fois ?
4.9.7 Exercice
Un organisme humanitaire prépare des petits colis contenant : un paquet de sucre,
une boîte de lait en poudre, un sachet de biscuits, du savon.
On note X1 , X 2 , X 3 et X4 les poids respectifs (en grammes) du paquet de sucre, de
la boîte de lait, du sachet de biscuits et du savon. On suppose que :
X1 N(1000; 50), X2 N(500; 25), X3 N(100; 5) et X4 N(125; 10).
1. Le carton d'emballage pèse 100 g. Déterminer la loi du poids total d'un colis.
2. Calculer la proportion de colis dont le poids est compris entre 1, 7 kg et 1, 9 kg?

3. Le coût (exprimé en euros) d'envoi d'un colis est de 20 euros (xes) auxquels s'a-
joutent 0, 005 euros par gramme. Déterminer l'espérance mathématique et l'écart
type du coût d'envoi de 10000 colis.
4. On prend deux colis au hasrd. quelle est la probabilité que leur poids dièrent de
plus de 5 grammes ?
4.9.8 Exercice
Un toréfacteur reçoit en début de mois 150 kg de café qui viennent s'ajouter à
réserve. La demande mensuelle (en kilogrammes) suit une loi normale d'espérance 150
kg et d'écart type 15 kg.
1. Quelle est la probabilité que la demande mensuelle soit :
(a) inférieure à 180 kg ?
(b) inférieure à 150 kg ?
(c) comprise entre 120 et 160 kg ?
2. De quelle réserve doit-il disposer en début de mois (avant livraison de 150 kg) pour
qu'il y ait plus de 95 chances sur 100 qu'il ne soit pas en rupture de stock au cours
du mois ?

Exercices 37
4.9.9 Exercice
Une entreprise fabrique et commercialise des produits de consommation courante en
très grand nombre. Il y a une probabilité constante égale à 0, 1 qu'un article choisi au
hasard dans la production ne satisfasse pas aux normes imposées.
1. On prélève au hasard 10 articles. Calculer la probabilité qu'il y ait au moins un

article non conforme parmi ces dix articles.
2. On prélève au hasard 50 articles. Soit X1 le nombre d'articles non conformes parmi

ces 50 articles :
(a) Indiquer la loi suivie par X1 (On justiera avec soin le résultat.)
(b) Montrer que cette loi peut être approchée par une loi que l'on précisera.
(c) A l'aide de cette loi, calculer la probabilité qu'il y ait au plus 5 articles non
conformes parmi les 50 articles.
3. On prélève au hasard 500 articles. Soit X2 le nombre d'articles non conformes

parmi ces 500 articles :
(a) Indiquer la loi suivie par X2 (On justiera avec soin le résultat.)
(b) Montrer que cette loi peut être approchée par une loi que l'on précisera.
(c) A l'aide de cette loi, calculer la probabilité qu'il y ait au moins 50 articles
non conformes parmi les 500 articles.

Bibliographie
[1] Probabilités, 70 exercices corrigés avec résumé de cours, Maurice Gaulthier, Vuibert,
collection les sciences en fac.
[2] Probabilités pour la prépa, Paul Pichaureau, Impri'vert ; 2013.
[3] Probabilités pour Scientiques et ingénieurs, Patrick BOGAERT, Édition de Boeck.
[4] Probabilités, (Mathématiques pour l'informatique) François BRODEAU et Guy

ROMIER, Édition Armand Colin..
[5] Probabilités, Analyse des données et Statistiques, Gilbert SAPORTA, Édition Tech-
nip ; 1990.

Probabilite1 Prepa

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilite1 Prepa

Transféré par

Droits d'auteur :

Formats disponibles

Université d'Abomey-Calavi

Année Académique : 2013-2014

Classes Préparatoire (Première Année)

Par : Carlos OGOUYANDJOU

2 Introduction à la théorie probabiliste 13

3 Variable aléatoire réelle nie 22

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

3.1.3 Tribu engendrée par une famille de parties de R . . . . . . . . . . 22

4 Lois discrètes classiques usuelles 30

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

1.1 Rappels et compléments sur la théorie des ensem-

E = ∪ni=1 Ei et Ei ∩ Ej = ∅ pour tous i 6= j.

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

1.1.2 Image directe

f (A) = ∪x∈A f (x).

Proposition 1.2. Soient A et B deux éléments quelconques de P(E). On a :

1.1.3 Image réciproque

1.1.4 Ensemble ni

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

Dénombrer un ensemble ni non vide E, c'est déterminer le card E, c'est-à-dire le

1. il ne faut compter que des éléments de E;

3. il ne faut pas compter certains éléments de E plusieurs fois.

1.1.5 Propriétés des cardinaux

Ainsi, pour déterminer le cardinal d'un ensemble ni E, il sut de le décrire en

Théorème 1.2 (Principe d'addition ) . Soient E et F deux ensembles nis disjoints.

γ (J1; nK) = E et γ (Jm + 1; n + mK) = F.

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

Le résultat suivant se généralise par récurrence à l'union disjointe de plusieurs en-

Corollaire 1.1. Soient E1 , E2 , · · · , Ep p ensembles nis nis disjoints deux à deux, où

Le principe d'addition permet de démontrer plusieurs propriétés utiles du cardinal.

Théorème 1.3. Soient E un ensemble ni. Toute partie A de E est nie et

2. Au rang n ≥ 1, supposons que le théorème s'applique aux ensembles de cardinal

Proposition 1.5. Si A et B sont deux parties d'un ensemble ni E , on a :

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

Théorème 1.4 (Principe de la mutiplication ) . Si E et F sont deux ensembles nis,

card (E × F ) = (card E) · (card F ) .

La généralisation à plusieurs ensembles est directe ; on a la propriété suivante :

En particulier, si E est un ensemble ni,

card E k = (card E)k

pour tout entier naturel non nul k.

1.2 p-listes d'un ensemble

Remarque 1.1.  L'ordre des éléments de la p-liste est important ; c'est-à-dire :

Exemple 1.1. Soit E = {a, b, c, d, e} .

Proposition 1.6. Soit E un ensemble ni de cardinal n. Alors le nombre de p-listes de

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

1.2.2 p-listes d'éléments distincts d'un ensemble

Proposition 1.7. Soit E un ensemble ni de cardinal n. On note Apn le nombre de

Proposition 1.8.  Il y a n! permutations d'un ensemble à n éléments.

1. Un garage peut contenir les trois voitures.

2. Un garage ne peut contenir qu'une seule voiture.

3. Un garage peut contenir deux voitures.

1.3 Parties d'un ensemble

Exemple 1.2. Soit E = {a, b, c, d, e} .

Probabilités , première année OGOUYANDJOU Carlos © Prepa-IMSP-UAC-2013-2014

Théorème 1.5. Soient E un ensemble ni de cardinal n > 0 et k ∈ Z. On dénit

contenant p éléments de E. ce coecient est égal à :

Proposition 1.9. Soient n ∈ N et p ∈ Z. On a :

. (Formule de Pascal) : {pn = np {p−1

Preuve de la proposition 1.9. Exercice.

Théorème 1.6 (Binôme de Newton ) . Soient (a, b) ∈ C2 et n ∈ N, on a :

Preuve du Théorème 1.6. Exercice.

Proposition 1.10 (Formule de Vandermonde ). Soient a et b deux entiers naturels et

3 Variable aléatoire réelle nie 22

1.1.4 Ensemble ni

Dénombrer un ensemble ni non vide E, c'est déterminer le card E, c'est-à-dire le

Ainsi, pour déterminer le cardinal d'un ensemble ni E, il sut de le décrire en

Théorème 1.2 (Principe d'addition ) . Soient E et F deux ensembles nis disjoints.

Corollaire 1.1. Soient E1 , E2 , · · · , Ep p ensembles nis nis disjoints deux à deux, où

Théorème 1.3. Soient E un ensemble ni. Toute partie A de E est nie et

Proposition 1.5. Si A et B sont deux parties d'un ensemble ni E , on a :

Théorème 1.4 (Principe de la mutiplication ) . Si E et F sont deux ensembles nis,

En particulier, si E est un ensemble ni,

Remarque 1.1. L'ordre des éléments de la p-liste est important ; c'est-à-dire :

Proposition 1.6. Soit E un ensemble ni de cardinal n. Alors le nombre de p-listes de

Proposition 1.7. Soit E un ensemble ni de cardinal n. On note Apn le nombre de

Proposition 1.8. Il y a n! permutations d'un ensemble à n éléments.

Théorème 1.5. Soient E un ensemble ni de cardinal n > 0 et k ∈ Z. On dénit

contenant p éléments de E. ce coecient est égal à :

2. Calculer Sp,n dans le cas où p < n puis p = n et enn n = 2.

Exercice 1.7. 1. De combien de façons diérentes peut-on choisir p entiers (x1 , x2 , · · · , xp )

3. De combien de façons diérentes peut-on choisir n entiers (x1 , x2 , · · · , xn ) dans

2.4 Notion de probabilité : espace probabilisé ni

2.4.1 Comment dénir une probabilité

n évènements A1 , A2 , ···, An d'un espace probabilisé (Ω, P(Ω)) sont mutuellement

dénisse une probabilité et que p (J1; nK) = 14 ?

Dénition 3.3. Soit F la famille des fermées de R. La tribu de parties de R engendrée

3.3.1 Loi de probabilité d'une v.a.r. discrète nie

3.3.2 Fonction de répartition d'une v.a.r. discrète nie

3.4 Moments d'une v.a.r. discrète nie