Chapter 1

Chapitre
Probabilité

1.1 Plan du cour

1. Probabilités sur les ensembles finis :
X Connaissance du vocabulaire probabiliste (cas d’équiprobabilité) ;
X Calcul de la probabilité de la réunion de deux événements, de l’intersection
de deux événements et de l’événement contraire ;
X Calcul des probabilités conditionnelles ;
X Connaissance des événements indépendants et des systèmes complets
d’événements (s.c.e),
X Application de la formule des probabilités composées, de la formule des
probabilités totales, et de la formule des probabilités des causes (formule
de Bayes) ;
X Détermination de la loi de probabilité d’une variable aléatoire discrète;
X Calcul de l’espérance mathématique, de la variance et de l’écart-type
d’une variable aléatoire discrète;
X Connaissance de la loi binomiale et de la loi de poisson ;
X Approximation d’une loi binomiale par une loi de Poisson.

1.2 Vocabulaire probabilité

1.2.1 Vocabulaire
Définition 1 1. Chaque résultat possible et prévisible d’une expérience aléa-
toire est appelé éventualité liée à l’expérience aléatoire.
2. L’ensemble formé par les éventualités est appelé univers, il est très souvent
noté Ω.
3. Un événement d’une expérience aléatoire est une partie quelconque de
l’univers,
4. Un événement ne comprenant qu’une seule éventualité est un événement élémentaire.

1
 5. L’événement qui ne contient aucune éventualité est l’événement impossible,
noté ∅,
6. L’événement composé de toutes les éventualités est appelé événement certain.
7. Pour tout événement A il existe un événement noté A et appelé événement contraire
de A qui est composé des éléments de Ω qui ne sont pas dans A.
On a en particulier A ∪ A = Ω et A ∩ A = ∅.
Exemple 2 Lancer d’un dé à six faces :
1. ”obtenir 2” est une éventualité de cette expérience aléatoire.
2. Univers : Ω = {1; 2; 3; 4; 5; 6}.
3. A = ”obtenir un 5” est un événement élémentaire que l’on peut noter
A = {5},
4. B = ”obtenir un numéro pair” est un événement que l’on peut noter
B = {2; 4; 6}.
5. ”obtenir 7” est un événement impossible,
6. ”obtenir un nombre positif” est un événement certain.
7. B = ”obtenir un nombre impair” est l’événement contraire de A,

1.2.2 Intersection et réunion d’événements

Dans toute la suite du cours, on suppose que Ω est l’univers associé à une
expérience aléatoire, et A et B deux événements associés à cet univers.

1.2.3 Intersection et réunion d’événements

Définition 3 1. Intersection d’événements : événement constitué des éven-
tualités appartenant à A et à B noté A ∩ B (se lit ”A inter B” ou ”A et
B”),
2. Réunion d’événements : événement constitué des éventualités appartenant
à A ou à B noté A ∪ B (se lit ”A union B” ou ”A ou B”).
Remarque 4 Si A ∩ B = ∅, on dit que les événements sont disjoints ou
incompatibles.
Exemple 5 On considère l’ensemble des chiffres.
On note A l’événement ”obtenir un chiffre pair” et B l’événement ”obtenir un
chiffre strictement inférieur à six”
1. A ∩ B = ”obtenir un chiffre pair et inférieure strictement à six” : A ∩ B =
{2; 4},
2. A ∪ B = ”obtenir un chiffre pair ou inférieur strictement à six” : A ∪ B =
{1; 2; 3; 4; 5; 6; 8; 10}.

2
1.3 Probabilité
1.3.1 Définitions
(Ω, p) est appelé l’espace probabiliste, avec Ω l’espace fondamentale et p la loi
de probabilité
Définition 6 Soit une expérience aléatoire et Ω l’espace fondamentale. La prob-
abilité p est une application définie par :

P (Ω) → [0, 1]
p:
A → p(A)

Propriétés 7 X Certitude : p(Ω) = 1;

X Positivité : p(A) ≥ 0 avec A ⊂ Ω;
X Axiomes d’additivité : p(AU B) = p(A)+p(B)−p(A∩B) avec A ⊂ p et B ⊂ Ω

Définition 8 Evénement négligeable et événement presque sur:

Soit A ⊂ Ω;
X A est dit événement négligeable si et seulement si p(A) = 0;
X A est dit événement presque sur si et seulement si p(A) = 1.

Propriétés 9 Xp(Ā) = 1 − p(A);

X Si A ⊂ B alors p(A) ≤ p(B);
X Si A et B sont incompatibles alors p(AUB) = p(A) + p(B);
Xp(A) = p(A ∩ B) + p(A ∩ B̄);
X Si p(A ∩ B) = p(A) × p(B), on dit que A et B sont indépendants.

1.3.2 Calcul de probabilités

Définition 10 1. La probabilité d’un événement d’univers Ω est la somme
des probabilités des événements élémentaires qui le constitue.
2. On dit qu’il y a équiprobabilité lorsque tous les événements élémentaires
ont la même probabilité.
nombre d’éléments de A Card(A)
Dans ce cas, on a : P (A) = = .
nombre d’éléments de Ω Card(Ω)
Remarque 11 Dans un exercice, pour signifier qu’on est dans une situation
d’équiprobabilité on a généralement dans l’énoncé un expression du type :
• dans une urne, il y a des boules indiscernables au toucher,
• on rencontre au hasard une personne parmi …

Propriétés 12 Soit A et B deux événements, on a les propriétés suivantes :

1. P (∅) = 0.

3
 2. P (Ω) = 1.
3. 0 6 P (A) 6 1.
4. P (A) = 1 − P (A).
5. P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

Exemple 13 On considère l’ensemble E des entiers de 1 à 20. On choisit l’un

de ces nombres au hasard.
A est l’événement : ”le nombre est multiple de 3” :
1. A = {3; 6; 9; 12; 15; 18},
B est l’événement : ”le nombre est multiple de 2 ”:
1. B = {2; 4; 6; 8; 10; 12; 14; 16; 18; 20},

Calul des probabilités :

6 3
1. P (A) = = = 0, 3.
20 10
3 7
2. P (A) = 1 − P (A) = 1 − = = 0, 7.
10 10
10 1
3. P (B) = = = 0, 5.
20 2
3
4. P (A ∩ B) = = 0, 15.
20
6 10 3 13
5. P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = + − = = 0, 65.
20 20 20 20

1.4 Probabilités conditionnelles

1.4.1 Définition
Définition 14 On suppose que P (B) ̸= 0.
1. On appelle probabilité conditionnelle de A relativement à B ou de A sachant B;
la probabilité que l’événement A se réalise sachant que B est réalisé.
P (A ∩ B)
2. Cette probabilité vaut PB (A) = .
P (B)

Remarque 15 On trouve aussi la notation P (A/B) pour PB (A).

Exemple 16 On considère l’expérience aléatoire consistant à lancer un dé à 6

faces, équilibré. On suppose que toutes les faces sont équiprobables, et on définit
les événements :

4
 • B : ”la face obtenue porte un numéro pair” ;
• A : ”la face obtenue porte un numéro multiple de 3”.
Déterminons la probabilité d’obtenir un numéro multiple de 3, sachant qu’on a
un numéro pair de deux manières différentes.

1. L’événement (A/B) correspond à l’événement ”obtenir un numéro multiple

de 3” parmi les éventualités de B, autrement dit parmi {2; 4; 6}. Il n’y a
donc que l’issue ”obtenir 6” qui correspond.
1
Et comme on est en situation d’équiprobabilité, on obtient PB (A) = .
3
3 1
2. Par le calul, on a P (B) = et P (A ∩ B) = donc, d’après la formule :
6 6
1
P (A ∩ B) 1
PB (A) = = 6 = .
P (B) 1 3
2

1.4.2 Propriétés
Propriété 17 Pour tous événements A et B de probabilité non nulle, on a :

P (A ∩ B) = P (B)PB (A) = P (A)PA (B).

Propriétés 18 Soit S un événement de probabilité non nulle, on a :

1. 0 ≤ PS (A) ≤ 1 ;
2. PS (Ω) = 1 ;

3. PS (∅) = 0 ;
4. PS (Ā) = 1 − PS (A) ;
5. PS (A ∪ B) = PS (A) + PS (B) − PS (A ∩ B) ;
6. Si A et B sont des événements incompatibles, alors PS (A ∪ B) = PS (A) +
PS (B) ;
7. PS (A ∩ B) = PS (A ∪ B) = 1 − PS (A ∪ B).

Remarque 19 Ce théroème revient à dire qu’une probabilité conditionnelle

relative à un événement S a toutes les propriétés habituelles du calcul des prob-
abilités.

Propriété 20 (Formule des probabilités totales) Pour tous A et B de prob-

abilité non nulle :

P (A) = PB (A)P (B) + PB (A)P (B).

5
 Démonstration :
P (A) = P (A ∩ B) + P (A ∩ B) = PB (A)P (B) + PB (A)P (B).
Propriété 21 Formule de Bayes ou probabilité des causes

p(B) · pB (A)
pA (B) =
pB̄ (A) · p(B) + pB̄ ( A) · p(B̄)

1.4.3 Evénements indépendants

Définition 22 On dit que A et B sont des événements indépendants si et
seulement si P (A ∩ B) = P (A).P (B).

Exemple 23 On considère le tirage au hasard d’une carte d’un jeu de 32 cartes.

A = ”Tirer un as”, B = ”Tirer un coeur” et C = ”Tirer un as rouge”.
Indépendance de A et B :
4 1
1. P (A) = = .
32 8
8 1
2. P (B) = = .
32 4
1
3. P (A ∩ B) = = P (A) × P (B), les événements A et B sont donc
32
indépendants.

Indépendance de B et C :
1
1. P (B) = .
4
2 1
2. P (C) = = .
32 16
1
3. P (B ∩ C) = ̸= P (B) × P (C), les événements B et C ne sont donc pas
32
indépendants.

Remarque 24 Dans le cas où A et B sont des événements de probabilités non

nulles, on a
• P (A ∩ B) = P (B)PB (A) = P (A)PA (B) = P (A).P (B), d’où :
• PB (A) = P (A) et PA (B) = P (B).

Propriété 25 Si A et B sont des événements indépendants, alors : A et B ;

A et B ; A et B sont également des événements indépendants.

6
1.5 Loi de probabilité d’une variable aléatoire
1.5.1 Variable aléatoire discrète
Définition 26 Une variable aléatoire réelle est une application de Ω vers R
Une variable aléatoire discrète est une grandeur numérique X prenant, lors
d’une expérience aléatoire, des valeurs x1 , x2 , . . . . . . .xn avec des probabilités
p1 , p2 , . . . . . . , pn est une variable aléatoire discrète.

Exemple 27 On lance une pièce de monnaie bien équilibrée en air une seule
fois, Ω = {F, P } On a p(Ω) = 1 alors p({F}) = p({P}) = 1/2. On suppose un
succès si j’obtiens la face «Face $ et la variable aléatoire X « Réussir l’expérience
n, on a alors X(F ) = 1 (succès) et X(P) = 0 (échec) et donc X(Ω) = {0, 1}.

1.5.2 Loi de probabilité d’une variable aléatoire discrète

Définition 28 Soit X une variable aléatoire réelle discrète, X(Ω) = {x1 , x2 , x3 , . . . . . . , xn }.
Pour définir la loi de X, il suffit de déterminer les valeurs de probabilités des
événements (X = xi).

Exemple 29 On lance trois fois une pièce et on s’intéresse au nombre X

de fois ou PILE apparaît. Il y a deux manières de formaliser cette phrase.
Tout d’abord, à chaque événement élémentaire ω, on associe X(ω). Ainsi,
ω PPP PPF PFP FPP FFP FPF PFF FFF
valeur de X 3 2 2 2 1 1 1 0
Ensuite, comme on observe que plusieurs événements élémentaires donnent la
même valeur, on peut les regrouper et obtenir des événements (événement = réu-
nion d’événements élémentaires) qui correspondent à des valeurs distinctes de X
k (valeur prise par X ) 3 2 1 0
:
événement [X = k] {P P P } {P P F, P F P, F P P } {P F F, F P F, F F P } {F F F }
Tous les événements élémentaires et ils sont équiprobables, de probabilité 1/8.
D’après la composition des événements [X = k], pour k = 0, . . . , 3, on peut
déduire facilement la loi de X.
valeur de X (événement) [X = 3] [X = 2] [X = 1] [X = 0]
composition de l’événement {PPP} {PPF, PFP, FPP} {PFF, FPF, FFP} {FFF}
probabilité 1/8 3/8 3/8 1/8

Un autre outil permet de caractériser la loi d’une v.a. : il s’agit de la fonction

de répartition empirique.

1.5.3 Fonction de répartition d’une V.A.D

Définition 30 Soit X une v.a.d. On appelle fonction de répartition de X la
fonction de R dans [0, 1], définie pour tout x ∈ R par

F (x) = P (X ≤ x)

7
Exemple 31 X est le nombre de Face quand on lance trois fois une pièce. On
a vu que la loi de X est
P [X = 0] = 1/8, P [X = 1] = P [X = 2] = 3/8, P [X = 3] = 1/8
D’où, 

0 si x<0



1/8 si 0≤x<1

F (x) = 4/8 si 1≤x<2



 7/8 si 2≤x<3


1 si x≥3
Propriétés 32 Soit F une fonction de répartition. Alors
1) ∀x ∈ R, F (x) ≥ 0;
2) F est croissante;
3) limx→−∞ F (x) = 0, limx→+∞ F (x) = 1

1.5.4 L’espérance mathématique

Définition 33 Soit X une variable aléatoire discrète, on appel espérance de la
variable aléatoire X, le réel noté E(X) qui vaut:
E(X) = x1 p1 + x2 p2 + . . . . . . . + xn pn
.
Exemple 34 Calculer l’espérance mathématique dans l’exemple précédent.

1.5.5 Variance et écart type d’une variable aléatoire

Définition 35 Soit X une variable aléatoire discrète d ’espérance E(X) La
variance est définie:
2 2 2
V(X) = p1 (x1 − E(X)) +p2 (x2 − E(X)) +. . . . . . . . . . . . . . . . . .+pn (xn − E(X))
Elle peut être aussi définie par:
( ) ( ∑
V(X) = E X2 − E(X))2 = pi x2i − (E(X))2

Exemple 36 Nous avons la loi du nombre X de PILE quand on lance trois

fois une pièce.
∑
3
1 3 3 1 12 3
E[X] = kP [X = k] = 3 · +2· +1· +0· = =
8 8 8 8 8 2
k=0

[ ] ∑
3
Var(X) = E X 2 − E[X]2 = k 2 P [X = k] − E[X]2
k=0
( )2
1 3 3 1 3
= 3 · + 22 · + 12 · + 02 · −
2
8 8 8 8 2
3
=
4

8
Remarque 37 L’espérance d’une v.a. est la moyenne des valeurs que peut
prendre X, pondérée par les probabilités de ces valeurs. Elle correspond à une
valeur moyenne autour de laquelle sont réparties les valeurs que peut prendre
X. L’écart-type (ou la variance) mesure la dispersion de la v.a. X autour de sa
valeur moyenne E[X].

1.6 Les Lois usuelles

1.6.1 Loi binomiale
La loi binomiale de paramètres n et p notée B(n, p) est la loi de probabilité du
nombre de succès dans la répartition de n expérience de Bernoulli de paramètre
p identiques et indépendantes, elle est definie par:
P (X = k) = Cnk pk (1 − p)n−k
∑
On a X = Xi alors
(∑ )
E(X) = E Xi
∑ ∑
= E (Xi ) = p = np
E(X) = np
(∑ )
V(X) = V Xi
∑ ∑
= V (Xi ) = p(1 − p)
V(X) = np(1 − p)
On note X ∼ B(n, p) et on lit X suit la loi binomiale de paramètre n et p
Exemple 38 On s’intéresse à l’infection des arbres d’une forêt par un parasite.
Soit p la proportion d’arbres infectés. On étudie 4 arbres. Si un arbre est infecté,
on dit qu’on a un succès, sinon un échec. Soit X le nombre d’arbres infectés,
parmi les 4. Alors X suit la loi binomiale B(4, p).
( )
4
P (X = 0) = (1 − p)4 = (1 − p)4 ,
0
( )
4
P (X = 1) = p1 (1 − p)3 = 4p(1 − p)3 ,
1
( )
4
P (X = 2) = p2 (1 − p)2 = 6p2 (1 − p)2 ,
2
( )
4
P (X = 3) = p3 (1 − p)1 = 4p3 (1 − p),
3
( )
4
P (X = 4) = p4 = p4 .
4
Pour p = 1/5, on obtient les valeurs :

9
1.6.2 Loi de Bernoulli
X Une expérience de Bernoulli est une expérience qui n’a que deux cas possibles,
l’une appelé «succès” qui a pour probabilité p et l’autre appelé «échec ”qui a
pour probabilité q = 1 − p.
X Définir une loi de Bernoulli de paramètre c’est associer une loi de probabilité
discrète à cette expérience aléatoire faisant correspondre 1 l’apparition du succès
xi 1 0
et 0 celle d’un échec
P(X = xi) p 1 − p

E(x) = p
V(X) = p(1 − p)
√
σx = p(1 − p)

On note : X ∼ B (p) et on lit : la variable X suit la loi de Bernoulli de paramètre

p.

1.6.3 Loi de Poisson

La loi de Poisson est utilisée lorsqu’on étudie un phénomène rare dans certaines
conditions. Exemples typiques d’utilisation de la loi de Poisson : X est le
nombre de voitures qui passent à un péage par tranche de 15 min; X.
Définition 39 Soit λ un réel strictement positif et X une variable aléatoire.
On dit que la variable aléatoire X suit la loi de Poisson de paramètre λ, et on
note X P(λ), lorsque : - L’ensemble des valeurs prises par X est l’ensemble
k
de tous les entiers naturels: X(Ω) = N. - Pour tout k ∈ N, P (X = k) = e−λ λk!

Theorem 40 Soit λ ∈ R∗+ et X une variable aléatoire. Si X suit une loi de

Poisson de paramètre λ, alors :
√
E(X) = λ V (X) = λ σX = λ

Exemple 41 Un magasin reçoit en moyenne 3 réclamations quotidiennes. Soit

X la variable aléatoire ”nombre de réclamations reçues un jour donné”. On
suppose ici que X est une variable de loi P(3)

X(Ω) = {0, . . .} = N

Cet univers image indique qu’un nombre quelconque de réclamations peut être
reçu par le magasin.
k
La probabilité d’obtenir k réclamations un jour donné est P (X = k) = e−3 3k!
k ∈ {0, 1, . . .}

Propriété 42 On admet que si n est ” grand ”, p ’voisin’ de 0 et np pas ”trop

grand ” alors la loi B(n; p) est très proche de P (λ) où λ = np.

10
Remarque 43 On admettra que si N ≥ 30, p ≤ 0, 1 et N p ≤ 10 alors on pourra
approcher la loi B(n; p) par la loi de P (λ).

Exemple 44 Dans une entreprise, on considère que la probabilité d’obtenir

une pièce défectueuse à la sortie d’une chaîne de fabrication est de p = 0,05.
Lors d’un contrôle, on prélève 120 pièces au hasard. On peut donc assimiler ce
prélèvement à un tirage avec remise, donc un répétition indépendante de 120
épreuves de Bernoulli. On pose ainsi, X → B(120; 0, 05) et Y → P (6). Com-
parons la loi de X avec elle de Y .
Correction :
Valeurs de k 0 1 2 3 4 5 6 7 8
P (X = k) 0,002 0,013 0,042 0,087 0,134 0,163 0,165 0,141 0,105
P (Y = k) 0,002 0,015 0,045 0,089 0,134 0,0161 0,161 0,138 0,103
Valeurs de k 9 10 11 12 13 14 15 16 ...
P (X = k) 0,069 0,040 0,021 0,010 0,004 0,002 0,001 0,000 . . .
P (Y = k) 0,069 0,041 0,023 0,011 0,005 0,002 0,001 0,000 . . .
On constate que les deux lois sont suffisamment proches pour pouvoir utiliser
l’une ou l’autre sans conséquence sur les calculs.

11