COURS DES

PROBABILITES

Prof : RACHIDI Lahoussine

Semestre 2
FSJES AGADIR
Introduction générale :
◼ La théorie des probabilités est une science
mathématique qui étudie les lois qui
expliquent les phénomènes aléatoires
(qui dépendent de la chance).

◼ Le calcul des probabilités a une origine

très ancienne, liée aux jeux du hasard.
 Mais,le début méthodologique de cette
théorie peut se situer au XVII siècle avec des
auteurs comme:

- Blaise Pascal (1623-1662)

- Pierre Fermat (1601-1665)
- Huygens (1629-1695)
- Jacques Bernoulli (1654-1705)
◼ Pour étudier un phénomène donné, on
commence par recueillir les informations en
se basant sur la statistique descriptive.

◼ Ensuite on cherchera des modèles qui

expliquent le phénomène à l’aide des
probabilités et de la statistique mathématique.
◼ Le hasard:

- Pour une personne quelconque, le hasard

est un phénomène qui arrive sans raison
explicable (chose indéterminée).

- Mais pour un statisticien, le hasard n’a pas

la même signification car le résultat ne
peut pas être n’importe quoi.
◼ On dira que des phénomènes se
produisent au hasard, si on peut spécifier
leurs chances d’apparition à l’aide du
calcul des probabilités.
◼ Phénomène aléatoire:

- C’est tout phénomène dont le résultat est

imprévisible (impossible de connaître ou
prévoir avec certitude le résultat).
◼ Exemples:
- Lancer une pièce de monnaie.

- Une expérience qui, effectuée dans des

conditions identiques, donne des résultats
différents.
◼ Phénomène déterministe:
C’est toute expérience qui, si elle est renouvelée
dans des conditions identiques, produira le
même résultat, qui devient prévisible.

C’est donc un phénomène dont les résultats sont

régis par des lois universelles.
◼ Exemple:

Si on porte de l’eau à une température de

100 degrés, elle se transforme en vapeur.
Chapitre 1

Rappels sur l’analyse

combinatoire
1- Arrangement sans répétition
◼ Un arrangement sans répétition de p éléments
différents choisis parmi n éléments est une suite
(ordonnée) de p éléments différents choisis
parmi n.
◼ Le nombre de ces arrangements est:
A = n(n − 1)(n − 2)...(n − p + 1)
n
p

n!
A =
p

(n − p)!
n

Avec : n!= n(n − 1)(n − 2)...  3  2 1

Remarques:
◼ p est inférieur ou égal à n.

◼ On tient compte de l’ordre et il n’y a pas de

répétition.

p
◼ Dans la pratique A peut être le nombre de façon
n
de tirer successivement et sans remise p
objets d’un ensemble de n objets différents.
Exemple:
◼ E = {a,b,c}
3!
A = 2
3
3!
( 3− 2 )! = = 3!= 3  2  1 = 6
1!
On a donc: 6 arrangements sans répétition de 2
parmi 3 qui sont :
(a,b); (b,a); (a,c); (c,a); (b,c); (c,b)
2- Arrangement avec répétition
◼ On appelle arrangement avec répétition de p éléments
d’un ensemble E à n éléments, tout élément de
E p = E  E  ...  E

◼ On tient compte de l’ordre, mais il peut y avoir

répétition.

◼ Le nombre de ces arrangements avec répétition est:

n p = n  n  ...  n
Exemple:
◼ E = {a,b,c}
Le nombre d’arrangement avec répétition de 2 parmi
3 est : 3² = 9 arrangements qui Sont :
(a,b); (b,a); (a,c); (c,a); (b,c); (c,b) et les répétitions:
(a,a); (b,b); (c,c)

◼ Le nombre de tirage successives et avec remise

p
de p objets parmi n objets est: n
3- Combinaison sans répétition
◼ Soit E un ensemble à n éléments. On appelle
combinaison sans répétition de p éléments de E, toute
partie(ou sous-ensemble) à p éléments de E.

◼ On a toujours p est inférieur ou égal à n.

◼ On ne tient pas compte de l’ordre.

◼ Il n’y a pas de répétition.

◼ Le nombre de combinaisons sans répétition de p
éléments parmi n est donné par:

n!
C =p

p!(n − p)!
n
Exemple 1:
◼ E = {a,b,c}
Le nombre de combinaison sans
répétition de 2 éléments parmi 3 est:
3!
C32 = =3
2!(3 − 2)!

Ces combinaisons sont : (a,b); (a,c); (b,c)

 Exemple 2:
Une bibliothèque comporte 5 étagères superposées. Il faut
ranger 3 livres d’apparence identique, dans cette bibliothèque,
mais avec un livre au plus par étagère. De combien de façons
peut-on réaliser ce rangement?
Réponse:
- Pas de répétition.
- Pas d’ordre.
- Donc le nombre de façon est le nombre de combinaison sans
répétition de 3 parmi 5 :
5!
C =
3
= 10
3!(5 − 3)!
5
4- Combinaison avec répétition
◼ Une combinaison avec répétition de p éléments
parmi n est un sous-ensemble non ordonné de
p éléments choisis parmi n et qui peuvent se
répéter.

◼ Dans ce cas l’ordre n’intervient pas.

◼ Il y a répétition.

◼ p peut être supérieur à n.

◼ Le nombre de combinaison avec répétition de p
éléments parmi n est égal à :

(n + p − 1)!
 =C
p p
n + p −1 =
p!(n − 1)!
n
Exemple 1:
Soit E = {a,b,c}, les combinaisons avec
répétition de 2 éléments de E sont :
(a,b); (a,c); (b,c), (a,a); (b,b); (c,c). Elles sont au
nombre de :
32 = C32+ 2−1 = C42 = 6
Exemple 2:
On considère une urne U, contenant 8 boules
numérotées de 1 à 8. On tire une boule au
hasard dans U, et après avoir noté son numéro,
on la replace dans U. On répète cette
expérience 3 fois. Si l’on ne tient pas compte
de l’ordre d’apparition des boules, le résultat
est :
83 = C83+3−1 = C103 = 120 cas possibles.
5- Permutation sans répétition
◼ Une permutation sans répétition de n objets est
un cas particulier de l’arrangement sans
répétition de n objets pris dans un ensemble de
n objets c à d :
n!
A =
n
= n!
= n!
(n − n)!
n 0!
Exemple:

Le nombre de façons différentes de placer

10 personnes d’une file d’attente est:

10! = 10x9x8x7x6x5x4x3x2x1
= 3 628 800
6- Permutation avec répétition
Soit E un ensemble formé de n éléments C1, C2, … ,Cp tel
que:
C1 figure n1 fois
C2 figure n2 fois
. . .
. . .
. . .
Cp figure np fois
De telle sorte que: n1 + n2 + ... + n p = n
Dans ce cas le nombre de permutation avec
répétition des n éléments de E est donné par
l’expression:

n!
n1!n2 !...  n p !
Exemple:

Combien de mots différents (peu importe si le

mot a une signification ou non) peut-on
former avec les lettres de (BAOBAB)?
Réponse:
A se répète 2 fois
B se répète 3 fois
O se répète 1 fois
Donc il existe :
6!
= 60 mots.
2!3!1!
Chapitre 2:

Éléments de la théorie des

probabilités
1- Notion d’événement:
◼ 1-1 Expérience aléatoire:
C’est une ‘‘expérience’’ ou ‘‘épreuve’’ dont le
résultat ne dépend que du hasard.

Exemples:
- Lancement d’une pièce équilibré.
- Tirage d’une boule dans une urne contenant n
boules identiques au toucher et numérotées de
1 à n.
◼ 1-2 Événements possibles(éventualités):
Ce sont les résultats possibles d’une expérience
aléatoire.

◼ 1-3 Univers ou Ensemble fondamental () :

C’est l’ensemble de tous les résultats possibles
d’une expérience aléatoire. On le note par .
◼ Exemples:
- On lance une pièce de monnaie une seule
fois:  = {P,F}

- On lance la pièce trois fois de suite:

 = {(P,P,P); (P,P,F); (P,F,P); (P,F,F);
(F,P,P); (F,P,F); (F,F,P); (F,F,F)}
◼ 1-4 Événement:

- Un événement est un sous ensemble de

l’univers .

- Un événement élémentaire est un singleton de

.

- Un événement composé est un événement dont

la réalisation se produit à partir de plusieurs
événements élémentaires.
◼ Exemple:
On jette un dé cubique et on s’intéresse au
numéro apparu sur la face supérieure.
•  = {1,2,3,4,5,6}.

• {1}, {2}, {3}, {4}, {5}, {6} sont des

événements élémentaires.

• {2,3} et {2,4,6} sont des exemples

d’événements composés.
◼ Remarque:
•  est dit événement certain: qui se
réalise toujours.

•  (l’ensemble vide) est dit événement

impossible: qui ne se réalise jamais.
◼ 1-5 Ensemble P() des événements:

• Si  est fini, alors l’ensemble de tous les

événements est P().
• P() est l’ensemble des parties de .

• Si  = {1,2,3}, alors :
• P()={, {1}, {2}, {3}, {1,2}, {1,3}, {2,3}, }.

• Card (P()) = 2Card()

◼ On a toujours :

  P()

  P ( )
2- Opérations sur les événements:
◼ Implication:
Un événement A implique un autre événement B,
si : A  B (A se réalise implique B se réalise
aussi)

◼ Intersection:
AB : les deux événements se réalisent
simultanément.

◼ Réunion:
AB : Au moins un des deux événements A ou
B se réalise.
◼ Différence:
A \ B =  x / x  A et x  B
A se réalise, mais B ne se réalise pas.

◼ Complémentaire:

A =  x / x  A
C’est l’événement contraire de A.

◼ Evénements incompatibles:
A  B =  : A et B sont des événements qui
ne se réalisent pas au même temps.
 Exercice 1:
◼ On tire deux boules au hasard dans une
urne qui en contient trois, numérotées 1, 2
et 3. Dresser la liste de tous les résultats
possibles de l’expérience à l’issue du
tirage:
1. Avec remise et en tenant compte de l’ordre.
2. Sans remise et en tenant compte de
l’ordre.
3. Sans remise et sans ordre.
4. Avec remise et sans ordre.
Réponse:
1- Avec remise et avec ordre:
Card(1) = 32 = 9 , c’est le nombre d’arrangements
avec répétition de 2 parmi 3:

1 = (1,1);(1,2);(2,1);(1,3);(3,1);(2,3);(3,2);(2,2);(3,3)
2- Sans remise et avec ordre:
2
Card(2) = A3 = 6 , c’est le nombre d’arrangements
sans répétition de 2 parmi 3:

2 = (1, 2);(2,1);(1,3);(3,1);(2,3);(3, 2)

3- Sans remise et sans ordre:
Card(3) = C32 = 3 , c’est le nombre de
combinaison sans répétition de 2 parmi 3:

3 = (1, 2); (1,3); (2,3)

4- Avec remise et sans ordre:
Card(4) = 32 = 6 , c’est le nombre de
combinaison avec répétition 2 parmi 3:

 4 = (1,1);(1, 2);(1,3);(2, 2);(2,3);(3,3)

1 − 1 = (1,1);(1, 2);(1,3);(2,1);(2, 2);(2,3);(3,1);(3, 2);(3,3)
2 −  2 = (1, 2);(1,3);(2,1);(2,3);(3,1);(3, 2)
3 − 3 = (1, 2);(1,3);(2,3)
4 −  4 = (1,1);(1, 2);(1,3);(2, 2);(2,3);(3,3)
3- Espace probabilisé fini:

◼ 3-1 Probabilité sur un ensemble  fini

non vide :

◼ Pour une expérience aléatoire, la donnée

de  et Ƥ() constituent un espace
probabilisable.
◼ Définition axiomatique de la probabilité :

◼ Une probabilité sur un espace probabilisable

( , P()) est une application p de P() dans
l’intervalle [0,1] vérifiant les axiomes suivants:

1. Axiome de certitude: p() = 1

2. Axiome d’additivité: p(AB) = p(A)+p(B), pour
tout couple d’événements incompatibles.
Remarques:
◼ La définition précédente est appelé définition
axiomatique de la probabilité.

◼ ( , P()) est appelé espace probabilisable.

◼ ( , P(), p) est appelé espace probabilisé.

◼ Par définition, on a:  A  P(), 0 p(A)  1.

◼ A = B  p(A) = p(B) ; mais la réciproque est

fausse.
3-2 Propriétés:
1.  A  P(), p ( A) = 1 − p( A)
A  A =   p ( A  A) = p () = 1 ( Axiome1)
A  A =   p ( A  A) = p ( A) + p ( A) ( Axiome2)
Donc : p ( A) + p ( A) = 1  p( A) = 1 − p( A)

2. p() = 0

p () = 1 − p() = 1 − p() = 1 − 1 = 0

3- A  B  p(A)  p(B)

4- p(A\B) = p(A) – p(AB)

5- Si A1 , A2 ,..., An sont des événements 2 à 2 incompatibles, alors :

p ( A1  A2  ...  An ) = p ( A1 ) + p ( A2 ) + ... + p ( An )
n n
p( Ai ) =  p ( Ai )
i =1 i =1
6- p(AB) = p(A)+p(B)-2p(AB)
Avec : AB = (A\B)(B\A)

7- En général, on a:
P(AB) = p(A)+p(B)-p(AB)

8- p(AB)  p(A)+p(B)
3-3 Caractérisation d’une probabilité:

◼ Théorème:
Toute probabilité p sur ( , P()) est déterminée par la
donnée de n nombres réels : pi = p (i )
vérifiant :

1 −  i  1, 2,..., n , pi  0
n
2− p
i =1
i =1
Exercice:
Soit ( , P(), p) un espace probabilisé fini, avec :
 = 1 , 2 , 3 , 4 
On suppose que:
9
p (1 , 2 , 3 ) =
10
7
p (1 , 2 ) = p (1 , 3 ) =
10

Déterminer les valeurs de : p (1), p (2 ), p(3 ), p(4 )

Réponse:
1
p1 = p (1) =
2
1
p2 = p (2 ) =
5
1
p3 = p (3 ) =
5
1
p4 = p (4 ) =
10
4- L’hypothèse d’équiprobabilité:

◼ Définition:
On dit que la probabilité p est uniforme sur
un espace probabilisable ( , P()), si les
événements élémentaires {ωi admettent
tous la même probabilité.

Dans ce cas, on parle alors de l’hypothèse

d’équiprobabilité.
Si  = 1 , 2 ,,, n  alors

p(1) = p(2 ) = .... p(n ) (événements équiprobables)

Et puisque:
n
p() =  p(i ) = 1
i =1

1
alors : p(i ) = pour tout 1  i  n
n
◼ Donc pour un événement quelconque A, on a:

card ( A)
p ( A) =
card ()
Remarque:

◼ Ce résultat s’énonce parfois sous la forme:

nombre de cas favorables

p( A) =
nombre de cas possibles

◼ Cette définition n’est vraie que dans le

cas d’équiprobabilité.
◼ L’équiprobabilité ne dépend pas que de
l’expérience. Elle dépend aussi de
l’ensemble fondamental.

◼ Exemple: On lance deux pièces de

monnaies identiques. Dans ce cas, on a:
 = {(PP); (PF); (FF)}

◼ p(PP) = ¼ ; p(FF) = ¼ et p(PF) = ½

◼ Dans ce cas, l’hypothèse d’équiprobabilité
n’est pas vérifiée. Il vaut donc mieux faire
comme si les pièces de monnaies sont
différentes et prendre :

◼  = {(PP); (PF); (FP); (FF)} pour avoir

l’hypothèse d’équiprobabilité.

◼ p(PP) = ¼ ; p(FF) = ¼ , p(FP) = ¼ et

p(PF) = ¼
Exercice 2 :
◼ On lance un dé à 6 faces non pipé.
Lorsque le dé s’immobilise, on lit le chiffre
inscrit sur la face supérieure.

◼ Calculer la probabilité de l’événement A:

A = « obtenir un nombre entier pair »
Réponse:
◼ On a:  = {1,2,3,4,5,6}.

◼ Chaque face a la même chance

d’apparaître à l’issue du lancer.

◼ L’hypothèse d’équiprobabilité est donc vérifiée.

Donc:
1
 i  1, 2,3, 4,5, 6 , on a : p(i) =
6
◼ Alors: A = {2 {4 {6 = {2, 4, 6.

◼ On a donc:
card ( A) 3 1
p( A) = = = = 0,5
card () 6 2
Exercice 3 :
◼ Une boule est tirée au hasard d’une
boîte contenant 4 rouges, 6 blanches, 2
vertes et 8 noires. Déterminer la
probabilité pour que cette boule soit:
1. Rouge

2. Verte

3. Non blanche

4. Verte ou blanche

5. Rouge ou blanche
Réponse:
1. 0,2

2. 0,1

3. 0,7

4. 0,4

5. 0,5
5- Probabilités conditionnelles :
◼ 5-1 Définition:
Soit ( , P(), p) un espace probabilisé fini.
Soient A et B deux événements de P().
La probabilité conditionnelle de A, étant donné
que B se réalise, est définie par:
p( A  B)
p( A / B) =
p( B)
5-2 Remarques:
◼ La définition précédente suppose donc que :
p(B)  0 (p(B)  0)

◼ On peut aussi noter p(A / B) par: pB(A) et se lit

aussi probabilité de A sachant B.

◼ P(Ā / B) = 1-p(A / B)

◼ p((A1A2)/ B)= p(A1 / B)+p(A2 / B) – p((A1A2) / B)

5-3 Probabilités composées:
◼ Soient A et B deux événements de P(), tels que :
p(A)  0 et p(B)  0. On a:
 p( A  B)
 p( A / B) =
 p( B)

 p ( B / A) = p ( A  B )

 p ( A)
◼ Alors, on peut déduire la formule des probabilités
composées:

p(AB) = p(B)p(A / B) = p(A)  p(B / A)

Exemple:
◼ Une urne contient 12 boules dont 5
sont blanches et 7 sont noires. On
tire au hasard deux boules une par
une avec un tirage sans remise.
Trouver la probabilité pour que les
deux boules soient blanches.
Réponse:
◼Notons:
A: l’événement « la première boule est blanche »
B: l’événement « la seconde boule est blanche »

◼ La question revient à calculer: p(AB)

On a: p(A) = 5/12 et p(B / A) = 4/11

donc, d’après la formule des probabilités
composées, on a: p(AB) = p(A)p(B / A)
= 5/12  4/11
= 5/33
= 0,15
 5- 4 Formule des probabilités totales:
◼ Système d’événements complet :
Soient A1 ,A2 , …, An des événements de P()
tels que:
1. Pour tout i, on a: Ai   (aucun événement n’est
impossible)
2. Pour tout i  j , on a: AiAj =  (les événements sont
incompatibles 2 à 2)
3. A1  A2  …  An = 

Alors A1 ,A2 , …, An constituent une partition de .

On dit qu’ils forment un système complet
d’événements.
Formule des probabilités totales:
◼Soient (A1 ,A2 , …, An ) un système complet
d’événements et B un événement quelconque.
Alors on a:
n
p( B) =  p( Ai )  p( B / Ai )
i =1
5- 5 Formule de Bayes:

Soit B un événement de P(), tel que : p(B)  0 et

(A1 ,A2 , …, An ) un système complet
d’événements. Alors, on a:
p( Ai )  p( B / Ai )
p( Ai / B) = n
i  1, 2,..., n
 p( A )  p( B / A )
j =1
j j
◼ Cette formule s’applique quand
l’événement B dépend des événements Ai,
qui sont appelés des causes.
Exercice : Application de la formule
de Bayes
Considérons 2 urnes contenant des boules
noires et des boules blanches. La première U1
contient 6 noires et 4 blanches. La seconde U2
contient 10 noires et 5 blanches. Dans un
premier temps on choisit l’urne (événement U),
puis dans un deuxième on tire au hasard une
boule de l’urne choisie.

Sachant qu’une boule noire a été tirée, calculer

la probabilité qu’elle ait été tirée de U1.
Exercice (solution)

p (U1 )  p ( N / U1 )
p (U1 / N ) =
p (U1 )  p ( N / U1 ) + p (U 2 )  p ( N / U 2 )
0,5  0, 6
=
0,5  0, 6 + 0,5  0, 6667
= 0, 4737
6- Evénements indépendants:
◼ 6-1 Définition:
Dans un espace probabilisé ( , P(), p),
deux événements A et B sont dits
indépendants si et seulement si:

p(AB) = p(A)p(B)
6-2 Remarques:
◼ Il ne faut pas confondre incompatibilité et
indépendance.
◼ L’indépendance des événements A et B, signifie
que la réalisation de l’un des événements A ou
B n’a aucune influence sur la réalisation de
l’autre. Ce qui implique que:

 p ( A / B) = p ( A)

 p ( B / A) = p ( B)
◼ Si A et B sont indépendant pour une probabilité
p, alors:

( A et B) , ( A et B) , ( A et B)

sont également indépendants pour la même

probabilité p.
Exercice 6 :
◼ Soient A, B deux événements d’un même
espace probabilisé, tels que :
p(AB) = 0,15 ; p(B \ A) = 0,05
et p(Ā \ B) = 0,70.

Calculer : p (A) , p(B) , p(A / B) et p(B / A).

Chapitre 3:

Variables aléatoires discrètes

3-1 Généralités:
◼ Exemple:
On considère l’expérience aléatoire:
« lancer deux pièces de monnaies différentes et
équilibrées » alors:
 = {(P, P); (P , F); (F, P); (F, F)}

 = ( P, P);( P, F );( F , P);( F , F ) = 1 , 2 , 3 , 4 

◼ Au lieu de s’intéresser à , on peut par exemple
s’intéresser au résultat:
« nombre de piles obtenus »
 0,1,2

On peut alors définir une application:

X :  → 0,1,2
 → X()
X() = « nombre de piles de l’événement »
Définition:
Soit un espace probabilisé ( , P(), p).
Une variable aléatoire réelle sur ( , P())
est une application X :  → IR
 → X()
telle que: pour tout intervalle I de IR, on a:
X-1(I) =  / X()  I   P()
X-1(I) est un événement
◼ Pour des raisons de simplification, on utilise les
conventions suivantes:

− ( X  I ) au lieu de X −1 ( I )
− a  X  b au lieu de X ( a, b )
−1

− X  x au lieu de X −1 (−, x )
− ( X = x) au lieu de X ( x)
−1

−1
− p ( X  I ) au lieu p ( X ( I ))
3-2 Variable aléatoire discrète
◼ Définition:
On appelle variable aléatoire discrète (v.a.d), une
variable qui ne prend qu’un nombre fini ou
dénombrable (x1,x2,…,xi,…) de valeurs.

Une v.a.d est caractérisée par l’ensemble des

valeurs qu’elle peut prendre et par l’expression
mathématique de la probabilité de ces valeurs.

Cette expression mathématique s’appelle: la loi

de probabilité ou la distribution de probabilité.
Exemple 1:
◼ Reprenons l’exemple précédent:
X() = « nombre de piles de l’événement »
- Les valeurs prises: 0, 1, 2.
- La loi de probabilité:

xi 0 1 2

P(X=xi) 1/4 2/4 1/4

 Exemple 2:
◼ X : « le résultat du lancement d’un dé »
- Les valeurs prises: 1, 2, 3, 4, 5, 6.
- La loi de probabilité:

xi 1 2 3 4 5 6

P(X=xi) 1/6 1/6 1/6 1/6 1/6 1/6

- X est une v.a.d uniforme.

3-3 Fonction de répartition:

◼ La fonction de répartition d’une v.a.d X est

définie par:

 F : IR →  0,1

 F ( x) = p( X  x) =  p( X = x )
 xj x
j
Propriétés:

1 − x  IR, 0  F ( x)  1
2 − F est une fonction croissante.
3 − lim F ( x) = 0 et lim F ( x) = 1
x → − x → +

4 − F (b) − F (a) = p(a  X  b) a b

Exemple:
◼ Reprenons l’exemple 1:

 F ( x) = 0 si x  0
 1
 F ( x) = si 0  x  1
 4

 F ( x) 3
= si 1  x  2
 4
 F ( x) = 1 si x  2

3-4 Espérance mathématique
d’une variable aléatoire discrète
◼ Définition:
Soit X une v.a discrète dont l’ensemble des
valeurs prises est xi, i=1,2,…,n et dont la loi de
probabilité est p(X = xi) = pi. L’espérance
mathématique de X est le nombre réel:
n
E ( X ) =  xi pi
i =1
Remarques:
◼ E(X) signifie le résultat moyen que l’on doit
s’attendre à obtenir (ou la valeur moyenne de la
v.a) sur un grand nombre d’épreuves.

◼ Si l’ensemble des valeurs prises est infini

dénombrable, alors:
+
E ( X ) =  xi pi
i =1

◼ E(X) est noté également par: (X) ou X.

Exemples:

◼ Dans l’exemple 1 : X = « nombre de piles »

3
1 2 1 2 2
E ( X ) =  xi pi = 0  + 1 + 2  = + = 1
i =1 4 4 4 4 4

◼ Dans l’exemple 2 : X = «résultat du lancement du dé »

6
1 1 1 1 1 1 21
E ( X ) =  xi pi = 1 + 2  + 3  + 4  + 5  + 6  =
i =1 6 6 6 6 6 6 6
3-4 Variance et écart-type:

◼ Définition:
Soit X une v.a discrète dont l’ensemble des
valeurs prises est xi, i=1,2,…,n et dont la loi
de probabilité est p(X = xi) = pi. La variance
de X est le nombre réel positif:
n
Var ( X ) = V ( X ) =  =  ( xi − E ( X )) pi
2
X
2

i =1
Remarques:
◼ La racine carrée de la variance V(X) est appelée
écart-type de X:  X = V (X )

◼ La variance de X est appelée aussi « moment

centré d’ordre 2 de la v.a X » et caractérise la
dispersion de la distribution de X.

◼ La variance et l’écart-type sont toujours positifs.

◼ Si V(X) = 0, alors la v.a X est une constante.

◼ Si V(X) = 1, alors la v.a X est dite v.a réduite.

 V ( X ) = E ( X ) −  E ( X )  , Cette formule est très
2 2
◼

utile dans les calculs.

◼ Si l’ensemble des valeurs prises est infini

dénombrable, alors: :
+
V ( X ) =  ( xi − E ( X )) 2 pi
. i =1
3-5 Lois discrètes usuelles
◼ 3-5-1 Loi de Bernoulli :
X est une variable de Bernoulli si X() = 0 , 1 et s’il
existe un nombre p 0 ,1 tel que :
p( X =1) = p ( p( X =0) = 1-p = q )

◼ On dit que X suit une loi de Bernoulli de paramètre p et on

écrira: X ~ B(p).

◼ On appelle épreuve de Bernoulli, une expérience

aléatoire à 2 issues: succès et echec. La probabilité du
succès étant p 0 ,1.

◼ si X ~ B(p), alors E(X) = p et V(X) = p(1-p) = pq.

3-5-2 Loi Binomiale:

◼ On dit que X suit une loi binomiale de

paramètres (n , p) si:

 X () = 0,1, 2,..., n Valeurs prises

 n−k
 p( X = k ) = Cn p (1 − p ) (k  X ())
k k
Remarques:
◼ On note : X ~ B(n , p).

◼ Si n=1 alors X ~ B(1 , p) = B(p).

◼ Le paramètre n représente le nombre

d’expériences successives (répétées) et p la
probabilité du succès de chaque expérience.

◼ On utilise la loi B(n , p) pour décrire la loi d’un

caractère dans un tirage avec remise.

◼ Si X ~ B(n , p) , alors E(X) = np et V(X) = np(1-p)

◼ Si on effectue de manières indépendantes n
épreuves de Bernoulli identiques, alors :
X = « nombre de succès » suit une loi
Binomiale B(n , p).

Si X i B( p) pour i = 1,2,..., n et si les X i sont indépendantes,

Alors : X 1 + X 2 + .... + X n = X B(n, p)
 Exemple 1:
◼ On jette 10 fois une pièce de monnaie.
Soit X la v.a définie par :
X = « nombre de faces obtenus »

X ~ B(10 , 1/2)
E(X) = np = 5 et
V(X) = np(1-p) = 2,5
Exemple 2:
◼ On jette 5 pièces de monnaie équilibrées.
Les résultats sont supposés indépendants.
Déterminer la loi de probabilité de la
variable aléatoire :

X = « nombre de piles obtenus »

◼ X suit une loi binomiale de paramètres : n=5 et
p=0,5

 X () = 0,1, 2,3, 4,5 Valeurs prises


 k 1
k
1 5− k
 p ( X = k ) = C5 (1 − ) (k = 0,1, 2,3, 4,5)
 2 2
 p ( X = 0) = 1/ 32
 p ( X = 1) = 5 / 32

 p ( X = 2) = 10 / 32

 p ( X = 3) = 10 / 32
 p ( X = 4) = 5 / 32

 p ( X = 5) = 1/ 32
 3-5-3 Loi Hypergéométrique :

◼ Si l’hypothèse de l’indépendance des

résultats d’une expérience n’est pas
vérifiée (c’est-à-dire que l’on effectue un
tirage sans remise) alors on remplacera
la loi binomiale par la loi
hypergéométrique.
◼ On tire sans remise n objets d’un ensemble de
N objets dont D objets possèdent une
caractéristique particulière et les autres (N-D) ne
la possèdent pas.
◼ Soit p=D/N est la probabilité d’avoir la
caractéristique .
◼ Soit X le nombre d’objets de l’échantillon qui
possèdent la caractéristique.

◼ alors: on dit que X suit une loi hypergéométrique

de paramètres N, n et p.

◼ Ce que l’on note par : X~>H(N,n,p)

La loi hypergéométrique est donnée par:

 X () = max(0, n − N + D),..., min(n, D) Valeurs prises

 n−k
 CD  C N − D
k

 p( X = k ) = C n (k  X ())
 N
◼ Si X~>H (N,n,p) , alors:

E( X ) = n  p

 N −n
V ( X ) = n  p  (1 − p)  ( N − 1 )
Exercice 1:
Une boite contient 8 ampoules parmi
◼
lesquelles 2 sont défectueuses. Trois
ampoules sont prises au hasard et sans
remise de la boite.
Soit X le nombre d’ampoules défectueuses
dans l’échantillon.
Donner la loi de X, ainsi que E(X) et V(X).
 Exercice 2:
On prend au hasard, en même temps, trois
ampoules dans un lot de 15 dont 5 sont
défectueuses. Calculer la probabilité des
événements suivants :
1. A : « exactement une ampoule est
défectueuse »
2. B : « les 3 ampoules sont défectueuses »
3. C : « au moins une ampoule est
défectueuse »
Réponse :
◼ On utilise une loi hypergéométrique de
paramètres (N=15 ,n=3 , p=5/15)

◼ P(A) = 0,494

◼ P(B) = 0,0219

◼ P(C) = 1- 0,264 = 0,736

3-5-4 Loi Géométrique :
◼ On répète continuellement et de façons
indépendantes une épreuve de Bernoulli
dont la probabilité de succès est p.

◼ Soit X le nombre d’épreuves nécessaires

pour obtenir un premier succès. Alors X
suit une loi géométrique de paramètre p et
on note X~>G(p)
La loi géométrique est donnée par:

 X () = 1, 2,3,... Valeurs prises

 k −1
 p ( X = k ) = p (1 − p ) (k  X ())
◼ Si X~> G(p) , alors:

 1
 E ( X ) =
 p

V ( X ) = 1 − p
 p 2
Exercice 3 :

◼ On lance un dé continuellement et de façons

indépendantes jusqu’à l’obtention du numéro
six. Soit X le nombre de lancers nécessaires.

◼ Quels sont la moyenne et la variance de X?

3-5-5 Loi de Poisson:
◼ On l’appelle aussi la loi des événements rares
(les événements se produisant peu souvent).

◼ Alors on dit que X suit une loi de poisson de

paramètre l et on note : X~>P(l) si et
seulement si :

 X () = 0,1, 2, 3... Valeurs prises


 −l l k

 p ( X = k ) = e (k  X ())
 k!
◼ Si X~>P(l) alors

E( X ) = l

V ( X ) = l
Exemple:

◼ Si l = 3, alors :
0
3
−3
◼ P(X = 0) = e = 0,0498  5%
0!
2
−3 3
◼ P(X = 2)= e = 0,2241
2!