Académique Documents
Professionnel Documents
Culture Documents
DUT Informatique
Claire Wolfersperger
24 novembre 2020
Chapitre 1
Dans tout ce chapitre Ω désigne un ensemble (ni ou inni) appelé univers. Les éléments de Ω sont appelés issues
ou éventualités et les sous-ensembles de Ω des évènements.
Considérons par exemple Ω = {pile, face} est un univers à deux issues/éléments. Les évènements sont ∅, {pile},
{face}
un nombre pair
et Ω.
On peut aussi prendre Ω = {1, . . . , 6}. Un évènement possible est alors , qui correspond au sous-
ensemble {2, 4, 6}.
Comme les évènements sont des ensembles, on les combine souvent en utilisant les opérateurs booléens classiques
sur les ensembles : union, intersection, complément.
Exercice 1 On considère un univers Ω constitués d'étudiants de l'IUT. On considère les évènements suivants :
A : Étudiants garçons.
B : Étudiantes.
C : En première année.
D : En seconde année.
E : En licence pro.
F : Au département informatique.
G : Au département carrières sociales.
1. Exprimer à l'aide des évènement ci-dessus et d'opérations ensemblistes, l'évènement
.
Une étudiante de licence
pro
3. Même question avec Une étudiante inscrite à la fois en première et seconde année.
Exercice 2 On considère un univers Ω constitués des 32 cartes classiques d'un jeu. On considère les évènements
suivant :
A : Rois
B : Figures.
C : Piques.
D : Trèe.
Exprimer en français à quoi correspondent les évènements suivants :
1. A ∪ C .
2. A ∩ C .
3. B ∩ (C ∪ D) ∩ A.
1.1.2 Probabilités discrètes
Denition 3 Une probabilité sur un univers Ω est une application P qui à chaque évènement associe un réel entre
dans [0, 1] telle que :
P(Ω) = 1,
Si (A ) est une famille nie ou dénombrable (c'est-à-dire dont on peut compter les éléments) d'évènements
deux à deux disjoints (c'est-à-dire que si i 6= j, alors A ∩ A = ∅), alors
i i∈I
i j
X
P(∪i∈i Ai ) = P(Ai ).
i∈I
1
1.2. PROBABILITÉS DISCRÈTES UNIFORMES ET COMBINATOIRE Probabilités et Statistique
Une probabilité est aussi appelée une loi de probabilité ou une distribution de probabilité, ou encore sim-
plement une distribution.
Le couple (Ω, P) est appelé espace de probabilités ou espace probabilisé. Pour un évènement A, P(A) est
appelée la probabilité que l'évènement A se produise.
Trèe
ce qu'on appelle la distribution uniforme), chaque carte a la même probabilité de sortir.
8
Considérons l'évènement . Il contient 8 cartes, du 7 à l'as. Sa probabilité est donc
32 = 0.25 ; on a une
Roi de Trèe
Considérons l'évènement . Il contient 4 cartes, les quatre rois. Sa probabilité est donc
32 = 8.
1
Roi ou Trèe
Considérons l'évènement . Il n'y a qu'une carte, la probabilité est donc de
32 .
Si l'on considère l'évènement , en utilisant la formule P(A ∪ B) = P(A) + P(B) − P(A ∩ B), on
1 1 1 11
obtient que sa probabilité vaut
8 + 4 − 32 = 32 .
Exercice 6 1. Dans le cas où Ω est ni, justier pourquoi si l'on connaît P (avec les notations du cours) pour
les singletons (les ensembles à un seul élément), alors on connaît P pour tout évènement.
2. On considère que Ω = N et que P(n) = . En utilisant les résultats vu l'année précédente sur la somme des
1
3. Dans l'espace de la question précédente, quelle est la probabilité de l'évènement nombre pair?
Denition 7 Soit Ω un ensemble ni de cardinal n. On appelle distribution uniforme sur Ω, la probabilité qui
vérie P({x}) = pour tout x dans Ω.
1
n
Avec la distribution uniforme, lors d'une expérience, chaque issue à la même chance d'être tirée au sort. C'est le
cas classique du dé ou de la pièce non truquée.
|A|
Soit P une loi uniforme sur Ω ni de cardinal n. Alors, pour tout évènement A, on a P(A) = .
n
2
1.3. INDÉPENDANCE ET PROBABILITÉS CONDITIONNELLES Probabilités et Statistique
Exercice 16 En utilisant la proposition 5, si A et B sont indépendants, que vaut P(A ∪ B) ? En lançant deux dés à
la suite, quelle est la probabilité que l'un des deux au moins soit pair?
3
1.3. INDÉPENDANCE ET PROBABILITÉS CONDITIONNELLES Probabilités et Statistique
Denition 17 Soient A et B deux évènements tels que P(B) 6= 0. On dénit la probabilité de A sachant B, noté
P(A | B) , par :
P(A ∩ B)
P(A | B) = .
P(B)
nombre pair on
obtient un 4
Prenons par exemple un dé à 6 face que l'on lance une fois, avec les évènements A : et B :
. On a P(A | B) qui est la probabilité d'obtenir un nombre pair si l'on a obtenu un 4. Sans surprise
P(A | B) = P(A∩B)
P(B) = 1/6 P(B∩A)
1/6 = 1. Maintenant P(B | A) = P(A) =
1/6
1/2 = 13 . La probabilité d'obtenir un 4 si l'on sait
que l'on a obtenu un nombre pair est de une sur trois.
Exercice 18 On considère une classe, dans laquelle il y a des lles et des garçons, avec ou sans lunettes. On sait
que 20% de cette classe exactement sont des lles avec des lunettes. On sait aussi qu'une personne sur deux porte des
lunettes. Si on tire au sort une personne qui a des lunettes, quelle est la probabilité que cela soit une lle? (on pourra
utiliser l'évènement A être une lle et l'évènement B avoir des lunettes).
Exercice 19 1. Soient A et B deux évènements tels que P(A) 6= 0 et P(B) 6= 0. Exprimer P(B | A) en fonction
de P(A | B), de P(A) et de P(B).
2. On considère une salle contenant des individus, lles ou garçons, étudiants ou enseignants. Il y a 10% d'en-
seignants et, parmi les étudiants, 20% de lles. Si l'on choisit une lle au sort, quelle est la probabilité qu'elle
soit une étudiante? (sachant qu'il y a au total 25% de lles).
Exercice 20 On considère un sac contenant des objets qui peuvent être bleus ou rouges, cubiques ou sphériques. On
sait qu'il y a un tiers d'objets cubiques et un quart d'objets rouges. Par ailleurs, s'il l'on choisit un objet cubique, il y
a une chance sur 3 qu'il soit rouge. Si l'on choisit un objet rouge, quelle est la probabilité qu'il soit cubique?
Exercice 21 On suppose que la probabilité que l'anniversaire de quelqu'un tombe un mois donné est de . 1
1. Deux personnes se rencontrent, quelle est la probabilité qu'elles soient nées le même mois?
12
2. Trois personnes se rencontrent, quelle est la probabilité qu'elles soient nées des mois tous diérents?
3. Même question avec cinq personnes.
Denition 22 Soient A , A , . . ., A des évènements. On dit qu'ils forment une partition de l'univers s'ils sont tous
non vides et qu'ils sont deux-à-deux disjoints (A ∩A = ∅ si i 6= j) et qu'ils recouvrent tout l'univers (A ∪A ∪. . .∪A =
1 2 k
Ω).
i j 1 2 n
tirer un coeur
tirer un trèe tirer un carreau tirer un pique
Considérons le tirage au sort d'une carte dans un jeu classique de 32 cartes. Les évènements ,
, et forment une partition de l'univers : chaque carte à au moins une
couleur (recouvrement), au plus une couleur (deux-à-deux disjoints) et il y a au moins une carte dans chaque couleur
Exercice 23
On considère l'univers Ω = {1, 2, 3, 4, 5}.
1. Est-ce que {1, 2}, {3, 4} forme une partition ? Pourquoi ?
Proposition 24 Soient A , A , . . ., A des évènements formant une partition des évènements de l'univers. Pour tout
événement B, on a
1 2 k
Un frigidaire contient des yaourts qui sont à la fraise, à la poire ou à l'abricot. Certains yaourts sont mixés, les
autres contiennent des morceaux de fruits. On sait qu'un tiers des yaourts à la fraise sont mixés, un quart de ceux à
la poire le sont et la moitiés de ceux à l'abricot. La moitié des yaourts sont à la fraise et un quart à la poire. Quelle
est la probabilité, si l'on prend un yaourt au hasard, d'avoir un yaourt mixé ? On pose F, P et A les évènements pour
4
1.4. VARIABLES ALÉATOIRES, ESPÉRANCE, VARIANCE Probabilités et Statistique
formule de Bayes
Environ 35% des yaourts sont mixés.
On peut réécrire la forumle des probabilités totale sous une autre forme, appelée .
Proposition 25 Soient A , A , . . ., A des évènements formant une partition des évènements de l'univers et B un
évènement quelconque. On a
1 2 k
P(B | Ai )P(Ai )
P(Ai | B) = .
P(B | A1 )P(A1 ) + . . . P(B | Ak )P(Ak )
En reprenant l'exemple ci-dessus des yaourts, la probabilité qu'un yaourt soit à la fraise, sachant que c'est un
yaourt mixé vaut
1
P(M | F )P(F ) 8
P(F | M ) = = 6 = .
17 17 17
48 48
Exercice 26 En reprenant les données de l'exemple des yaourts, calculer la probabilité qu'un yaourt soit à l'abricot
sachant qu'il est mixé.
Exercice 27 On considère une population qui contient 20% d'enfants, 40% d'hommes adultes et 40% de femmes
adultes. On observe que 10% des enfants sont malades, 15% des femmes adultes et 20% des hommes adultes.
1. On dénit les évènements E être un enfant, F être une femme adulte, H être un homme adulte et M être
malade. Lesquels forment une partition?
2. Donner les valeurs de P(E), P(H), P(F ), P(M | E), P(M | H), P(M | F ).
3. Que vaut P(M ) ?
4. Que valent P(E | M ), P(F | M ) et P(H | M ) ?
Exercice 28 On considère un programme écrit en commun par Alice et Bob. Alice a écrit 60 % du programme et Bob
le reste. De plus 5% des lignes écrites par Alice ont un beug, et 10% de celle écrites par Bob. Si l'on tire au sort un
ligne contenant une erreure, quelle est la probabilité qu'elle ait été écrite par Bob?
Exercice 29 On considère un groupe de sportifs, contenant des hommes (événement H ) et des femmes (événement F ),
des joueurs/joueuses de tennis (événement T ), des joueurs/joueuses de basket (événement B) et des pratiquant(e)s du
judo (événement J ). On suppose que chacun pratique un et un seul de ces trois sport. On choisit au sort uniformement
une personne du groupe.
1. On suppose que P(J) = et P(T ) = . Que vaut P(B) ?
13 5
2. On sait que -ième des judokas sont des hommes, un tiers des joueurs de tennis sont des hommes et qu'il y a
36 12
3
Soit x∈R et X une variable aléatoire. On dénit P(X = x) comme étant P({ω | X(ω) = x}). On a donc
X
P(X = x) = P({ω | X(ω) = x}) = P(ω).
ω∈Ω,X(ω)=x
Considérons par exemple Ω = {pile, f ace} et la variable aléatoire X(pile) = 1, X(f ace) = 2. On a P(X = 1) =
P({ω | X(ω) = 1}) = P(pile) = 21 . On a aussi P(X = 2) = P({ω | X(ω) = 2}) = P(f ace) = 21 . Par ailleurs,
P(X = 3) = P({ω | X(ω) = 3}) = P(∅) = 0.
5
1.4. VARIABLES ALÉATOIRES, ESPÉRANCE, VARIANCE Probabilités et Statistique
Exercice 30 Sur le jeu de la belote, que valent P(Y = 20), P(Y = 14), P(Y = 10), P(Y = 2) et P(Y = 0) ?
Deux variables aléatoires X et Y sont indépendantes si pour tout x et tout y,
P((X = x) ∩ (Y = y)) = P(X = x).P(Y = y).
Considérons par exemple Ω = {pile, f ace} et la variable aléatoire X(pile) = 1, X(f ace) = 2 et la variable
Y (pile) = 0 et Y (f ace) = 1. On a P((X = 1) ∩ (Y = 1)) = 0, car il faut à la fois que le résutat soit pile et face. Par
1
ailleurs P((X = 1) = P((Y = 1) = , les deux variables aléatoires ne sont pas indépendantes.
2
Considérons maintenant le lancer de deux dés, un bleu et un rouge et les variables aléatoires X et Y dénies
par : X = 1 si le dé bleu à un résultat pair et 0 sinon ; Y = 1 si le dé rouge à un résultat pair et 0 sinon. On a
P((X = 1) ∩ (Y = 1)) = 14 = P(X = 1)P(Y = 1), P((X = 0) ∩ (Y = 1)) = 14 = P(X = 0)P(Y = 1), P((X = 0) ∩ (Y =
0)) = 41 = P(X = 0)P(Y = 0), P((X = 1) ∩ (Y = 0)) = 41 = P(X = 1)P(Y = 0), les deux variables aléatoires sont donc
indépendantes.
Intuitivement, deux variables aléatoires sont indépendantes si leur résultats dépendent du résultat de processus
aléatoires indépendants : dans l'exemple ci-dessus, X dépend du dé bleu et Y du dé rouge, deux dés dont les résultats
sont indépendants.
1.4.2 Espérance
Soit P une probabilité sur Ω. On dénit l' espérance (qui est la notion duale de la moyenne en statistiques) relative
à P d'une variable aléatoire X , notée EP [X] comme
X
EP [X] = xP(X = x).
x
Considérons par exemple Ω = {pile, f ace} et la variable aléatoire X(pile) = 1, X(f ace) = 2. Avec la distribution
uniforme, on a E[X] = 21 .1 + 12 2 = 23 .
Exercice 36 On considère une classe de 20 étudiants ayant eu une moyenne de 09/20 à un examen (les notes sont
toutes entre 0 et 20). Si l'on somme toutes les notes des étudiants, combien de points obtient-on? Combien d'étudiants,
au plus, ont eu plus de 18/20? Si on tire au sort un étudiant, quelle est au plus la probabilité qu'il ait eu plus de
18/20?
L'inégalité ci-dessous est connue sous le nom d'inégalité de Markov.
6
1.4. VARIABLES ALÉATOIRES, ESPÉRANCE, VARIANCE Probabilités et Statistique
Exercice 38 En reprenant l'exemple du jeu de Belote, appliquer l'inégalité de Markov pour majorer P(X ≥ 10). Que
vaut cette probabilité exactement; comparer.
Exercice 39 On considère n lancés de dés (à 6 faces) et, à chaque fois une variable aléatoire X qui vaut 1 si le
résultat du dé est 6 et 0 sinon. On considère aussi la variable aléatoire X du nombre de dés qui ont fait 6.
i
3. utiliser l'inégalité de Markov pour majorer la probabilité que 3/4 des dés aient fait un 6.
i
E[XY ] = E[X]E[Y ].
Exercice 40 On lance n fois un dé à 6 faces. En utilisant l'inégalité de Markov, donner une majoration de la proba-
bilité que le produit des résultats obtenus soit supérieur ) 4 . n
Exercice 41 On considère Ω = {1, . . . , 6} avec equiprobabilité et la variable aléatoire X(x) = x (on prend la valeur
du dé).
1. Que vaut E[X] ? 2
Dans un cadre intuitif, l'inégalité ci-dessus peut se direla moyenne des carrés et supérieure au carré de la moyenne .
1.4.3 Variance
variance
Deux variables aléatoires de même espérance peuvent avoir des comportements très diérents. An mieux com-
prendre et décrire une variable aléatoire nous allons introduire la notion de .
Denition 43 Soit X une variable aléatoire et (Ω, P) un espace de probabilités. On dénit la de X , notée
var (X) comme :
variance
P
2 2 2
var (X) = E [(X − E [X]) = E [X ] − (E [X]) .
P P P P P
Exercice 44 Calculer la variance et la déviation standard dans le cas de l'exemple du jeu de Belote.
Proposition 45 Si X et Y sont deux variables aléatoires indépendantes, alors var(X + Y ) = var(X) + var(Y ).
Le résultat suivant est connu sous le nom d'Inégalité de Chebyshev .
Exercice 47 On considère le lancé d'un dé. En utilisant l'inégalité de Chebychev, majorer la probabilité que le dé
fasse 1 ou 6.
Exercice 48 On reprend les données de l'Exercice 39.
1. Que vaut var(X ) ?
2. Que vaut var(X) (le variables sont indépendantes)?
i
En lançant 20 dés, la probabilité qu'il y en ait au moins 15 qui fassent un 6 est inférieure à environ 0.02.
n
7
Chapitre 2
Nous allons voir dans ce chapitre diérentes lois de probabilités classiques. Pour le moment, la seul qui a été vue
est la loi uniforme.
Exercice 51 On lance 20 fois une pièce de monnaie équilibrée. Quelle est la probabilité d'obtenir exactement 1 fois
pile? 10 fois pile?
Exercice 52 On considère un sac contenant 3 balles bleues et 2 balles rouges. On tire, avec remise et indépendamment
10 fois une balle du sac.
1. Quelle est la probabilité d'avoir tiré exactement 4 balle bleues?
2. Quelle est la probabilité d'avoir tiré autant de balles bleues que de balles rouges?
En moyenne une expérience de Bernoulli de paramètre p exécutée n fois réussit np fois, ce qui s'écrit :
8
2.2. LOI GÉOMÉTRIQUE Probabilités et Statistique
P(X = n) = (1 − p)n−1 p.
La probabilité qu'il faille n coups pour réussir l'expérience est la probabilité qu'elle est ratée n−1 fois (ce qui donne
le (1 − p)n−1 ) fois la probabilité qu'elle réussisse au n-ième coup, ce qui donne le p. Par exemple, la loi géométrique
1
de raison
6 compte le nombre de fois qu'il faut lancer un dé équilibré pour obtenir un 6.
Exercice 56 On va vérier dans cet exercice que la dénition ci-dessus d'une variable aléatoire géométrique satisfait
bien que la probabilité de l'univers est 1. On suppose 0 < p < 1.
1. Ecire sous forme d'une somme P(X ≤ n).
2. Dans la somme ci-dessus, factoriser par p.
3. En posant q = 1 − p, reconnaitre la somme des terme d'une suite géométrique dans la formule obtenue à la
question précédente.
4. En déduire un formule pour P(X ≤ n). Que devient-elle lorsque n tend vers l'inni.
Proposition 57 Soit X une variable aléatoire géométrique de paramètre p 6= 0. On a
1
E[X] = .
p
Exercice 58 On lance plusieurs fois un dé à 6 face. Combien faut-il lancer de fois pour espérer obtenir un 6 ?
Exercice 59 On s'intéresse ici au problème du collectionneur. Supposons qu'un enfant mange des céréales et que dans
chaque paquet il y a une carte représentant un pokemon. On suppose qu'il n'est pas possible, en achetant une boite,
de savoir quelle carte il y a dedans et que toutes les cartes apparaissent avec la même probabilité dans un paquet. La
question est combien de paquet il devra acheter pour avoir les n cartes diérentes.
1. On pose X (pour 1 ≤ i ≤ n), la variable aléatoire qui compte le nombre de paquets achetés la première fois que
l'enfant obtient exactement i cartes diérentes. Par exemple X est le nombre de paquets acheté le jour où il
i
2. Dans cette question on suppose qu'il y a 4 cartes diérentes, notées a, b, c et d. L'enfant obtient les cartes
1
4. On pose Y = X − X pour i de 2 à n et Y = X . Justier (c'est un simple calcul qui ne fait pas intervenir
n
n
X 1
E[Xn ] = n .
i=1
k
8. En admettant que P ≤ 1 + ln n, en déduire une majoration de E[X ]. S'il y a 10 cartes, que donne cette
n
9
2.3. LOI NORMALE (DE GAUSS), THÉORÈMES LIMITES Probabilités et Statistique
Z b
P(a < X ≤ b) = f (x)dx,
a
Il n'est pas nécessaire de retenir la formule. La loi normale s'appelle aussi loi de Gauss. On la note N (µ, σ2 ). La
loi N (0, 1) s'appelle loi normale centrée réduite.
Nous n'étudierons pas plus en détail les lois normales, il faut juste retenir qu'elles ont des propriétés bien connues.
Le résultat suivant, connu sous le nom de Théorème central limite, explique l'importance des lois normales.
Théorème 60 Soit X , . . ., X des variables aléatoires indépendantes suivants une même loi de probabilité d'espérance
et de variance σ . Soit S = X + . . . + X . Alors
1 n
2
E[S ] = nµ,
µ n 1 n
var(S ) = nσ ,
n
2
Nous ne dénirons pas plus formellement ce que veut dire se comporte comme . Les deux premiers points sont des
conséquences directes de la linéarité des espérances et des variances (pour les variables indépendantes). Le troisième
point donne beaucoup plus d'information et permet de donner de quantier le comportement.
10