Probabilit2 Math - Copie

COURS DE PROBABILITÉ
IUA 2023-2024
LICENCE 1 ETUDE DE DEVELOPPEMENT
Présenté par:
Dr KOUAHO Jean-Claude
Email
kouahokjclaude@yahoo.fr
Contacts
07 57 32 31 14
1
Introduction
• La théorie des probabilités est une branche des mathématiques née au XVIIe
siècle de l’étude des jeux de hasard.
• Elle a été axiomatisée au début du XXe siècle.
• Elle est toujours utilisée notamment :
• par les organisateurs de jeux de hasard (casinos, · · · )
• dans le domaine de la couverture de risques (assurances)
• en physique quantique
• en statistique inférentielle (ou décisionnelle) lorsque l’on cherche à étendre
une propriété constatée sur un échantillon à l’ensemble d’une population.
Associer une probabilité à un évènement, c’est lui associer un nombre qui indique
la "vraisemblance" de la réalisation de cet évènement. La probabilité est un nombre
qui est toujours compris entre 0 et 1 :
• Probabilité proche de 1 æ évènement très probable.
• Probabilité proche de 0 æ évènement très peu probable.
Par exemple : Que signifie : "la probabilité qu’il fasse beau demain est de 0, 75 ?"
Pour quantifier une probabilité, on aura besoin de savoir déterminer le nombre de

cas possibles de certaines configurations. C’est l’objet des deux premiers chapitres.
Objectifs du cours
• Proposer des techniques de comptage du nombre d’éléments d’un ensemble
fini. Ceci constitue un préalable indispensable à l’étude du calcul classique des
Probabilités.
• Proposer de manière détaillée les notions et les méthodes de calcul de proba-
bilités : probabilité des évènements et probabilité conditionnelle.
• Proposer une introduction à la théorie des probabilités en se concentrant sur
les éléments strictement utiles à une bonne compréhension des outils de base
en statistique décisionnelle : loi et moments des variables aléatoire.
• Assurer, via les travaux pratiques, que ces concepts sont bien intégrés et
peuvent être mis en œuvre pratiquement.
Séances de cours et modes de contrôles

˙ 20h de cours magistraux (CM). duité, présence de l’étudiant en
˙ 10h de travaux dirigés (TD). CM et TD)
˙ Note de devoir à rendre (devoir ˙ Contrôle de connaissance (Inter-
de maison) rogation)
˙ Participation (prestation, assi- ˙ Devoir surveillé (DS)
présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

Chapitre 1
Analyse Combinatoire
Le but de ce chapitre est d’apprendre à dénombrer des ensembles finis. La com-

préhension de ce chapitre et des exercices qui s’y rapportent constitue un préalable
indispensable à l’étude du calcul classique des Probabilités. Dénombrer, c’est comp-
ter le nombre d’objets que contient un ensemble fini. On dira qu’un ensemble est
fini lorsqu’il admet un nombre fini d’éléments (objets). Ces objets sont créés à partir
d’un ensemble E, formé d’éléments. A partir des éléments de cet ensemble, les objets
que l’on peut former sont soit des listes d’éléments de E soit des sous-ensembles de
E. A la différence des sous-ensembles, les listes peuvent utiliser plusieurs fois un
même élément, et surtout, possèdent un ordre. Nous allons maintenant définir avec
plus de précisions les différentes méthodes que l’on peut utiliser pour dénombrer.
1.1 Premier outils pour dénombrer

1.1.1 Le comptage
Le comptage est une activité qui consiste à créer des listes d’objets à partir d’un
ensemble E en utilisant un système de numération particulier. Le dénombrement
consiste alors à parcourir la chaine numérique et la collection d’objets de façon que
chaque objet ne soit considéré qu’une seule fois.
Activité 1.1.1
Soit E l’ensemble défini par : E = {1; 2; 3; 4}.

1. (a) Écrire tous les nombres de 3 chiffres distincts à l’aide des éléments de E.
(b) Combien y en a-t-il ?
2. Parmi ces nombres, combien sont
(a) divisibles par 6 ?
(b) divisible par 9 ?
Méthode :
1. Pour écrire un nombre de trois chiffres distincts, on peut procéder selon les
étapes suivantes :
2
CHAPITRE 1. ANALYSE COMBINATOIRE 3
– Choisir trois éléments de E

– Écrire tous les nombres distincts obtenus à partir de ces trois éléments.
– Parmi les nombres obtenus, on détermine
2. (a) ceux qui sont divisible par 6 : c’est à dire ceux qui sont à la fois divisible
par 2 et 3 ;
(b) ceux qui sont divisible par 9, c’est à dire ceux dont la somme de leur
chiffre est un multiple de 9.
Solution:
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................
....................................................................................

1.1.2 Les diagrammes

Les diagrammes consiste à dénombrer un ensemble d’objet en utilisant une figure,
permettant de mettre en évidence cet ensemble d’objets et certaines de ses parties.
La forme du diagramme dépend du type de problème posé.
Activité 1.1.2
Un station de radio diffuse les mêmes publicités à 12 heures et à 20 heures. D’après
un sondage, on estime qu’il y a 21 400 auditeurs à 12 heures et 39 600 auditeurs
à 20 heures ayant entendu ces publicités. Déterminer le nombre d’auditeurs ayant
entendu ces publicités :
• Premier cas : si les personnes qui écoutent la radio à 12 heures ne l’écoutent
plus à 20 heures ;
• Second cas : si 4 600 personnes écoutent la radio à 12 heures et à 20 heures.
Méthode :
Dans chacun des cas, représentons les données par un diagramme. On notera A12
(resp. A20 ) l’ensemble des auditeurs écoutant la radio à 12 heures (resp. à 20 heures).
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

Activité 1.1.3
Dans un groupe de 25 personnes, 10 jouent au basket-ball, 17 jouent au football et
8 pratiquent ces deux sports. Déterminer le nombre de personnes :
1. Qui jouent seulement au football.
2. Qui jouent seulement au basket-ball.
3. Qui ne pratiquent aucun de ces deux sports.
Méthode :
Nous faisons un diagramme dans le quel on note E l’ensemble des 25 personnes, B
et F les sous ensembles de ces personnes pratiquant respectivement le basket-ball
et le football.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

Activité 1.1.4
Dans une classe de 40 élèves, on relève les données suivantes :
• Il y a 16 filles parmi lesquelles 12 apprennent l’anglais et 6 apprennent l’arabe ;
• 26 élèves suivent les cours d’anglais, 17 suivent les cours d’arabe, 7 suivent les
deux cours ;
• 2 garçons ne suivent aucun de ces deux cours.
1. Déterminer le nombre de filles de cette classe qui suivent les deux cours de
langue.
2. Déterminer le nombre de filles qui ne suivent aucune de ces deux matières.
Méthode :
Nous faisons un diagramme dans le quel G et F représentent respectivement les
ensembles des garçons et des filles de cette classe ; de plus An et Ar représentent les
ensembles des élèves étudiant respectivement l’anglais et l’arabe. On désignent par
x et y les nombres de garçons et de filles apprenant les deux langues.
Solution:
On sait que dans cette classe :
• il y a . . . . . . filles, donc . . . . . . garçons ;
• . . . . . . filles, donc . . . . . . garçons apprennent l’anglais ;
• . . . . . . filles, donc . . . . . . garçons apprennent l’arabe.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

1.1.3 Arbre de choix

Un arbre de choix est une représentation graphique qui permet de dénombrer
des choix d’éléments pris dans un certain ordre. Il contient des niveaux :
• Au premier niveau, une première série de branches indique les choix d’un
premier élément ;
• Au deuxième niveau, une autre série de branches indique les choix d’un deuxième
élément ;
• Etc
Activité 1.1.5 On reprend les données de l’activité 1.1.1
Dénombrer, à l’aide d’un arbre de choix, qu’il existe 24 nombres de trois chiffres
distincts choisis parmi les éléments de l’ensemble E = {1; 2; 3; 4}.
Méthode :
Dans ce cas, on convient de choisir dans l’ordre : les chiffres des centaines, des
dizaines, des unités. On construit ainsi un arbre de choix à trois niveaux.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

Exercice résolu 1.1.6 On reprend les données de l’activité 1.1.1 Combien y a-t-
il de nombres de trois chiffres, distincts ou non, choisis parmi les éléments de cet
ensemble ?
Activité 1.1.7
Pour se rendre à un mariage, un homme doit choisir la chemise, le pantalon et la
veste qu’il portera. Il possède 5 chemises, 3 pantalons et 2 vestes. Combien de choix
distincts peut-il ainsi effectuer ?
Méthode :
On peut construire un arbre à trois niveaux en choisissant dans l’ordre, par exemple,
la chemise, le pantalon et la veste. On désigne par
˙ C1 , C2 , C3 , C4 et C5 les chemises,
˙ P1 , P2 et P3 les pantalons,
˙ V1 et V2 les vestes.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

1.2 Compléments sur les ensembles

Résoudre un problème de dénombrement consiste généralement à déterminer
le nombre d’éléments d’un ensemble fini E. Ce nombre est appelé cardinal de
l’ensemble E et noté Card(E).
1.2.1 Parties d’un ensemble

L’ensemble des parties de l’ensemble E, noté P(E), désigne l’ensemble dont les
éléments sont des sous ensemble de E.
Activité 1.2.1
Soit E = {1; 2; 5; 7}.

1. Déterminer toutes les parties de l’ensemble E.
2. Donner le cardinal de E.
3. Donner le cardinal de P(E).
4. Calculer 2Card(E) . Conclure.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Exercice résolu 1.2.2 Soit E l’ensemble tel que : E = {a, b, c}. Donner le cardinal
de P(E).

1.2.2 Partition d’un ensemble

Soient A et B deux sous ensembles non vides d’un ensemble E :
ù A fl B est l’intersection de A et B. C’est l’ensemble des éléments commun de
A et de B.
ù A \ B désigne l’ensemble des éléments de A qui ne sont pas dans B.
ù B \ A désigne l’ensemble des éléments de B qui ne sont pas dans A.
ù A fi B est la réunion de A et B. C’est l’ensemble des éléments de A ou de B.
Remarque : Lorsque A fl B = ÿ, on dit que les ensembles A et B sont disjoints.
Activité 1.2.3
Soient A = {1, 2, a, b, koffi, aya, papa} et B = {koné, maman, 2, a, koffi, aya}. Déter-
miner les ensembles suivants ainsi leur cardinal.
1. A fl B
2. A \ B
3. B \ A
4. A fi B
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Définition 1.2.4
Des parties d’un ensemble E forment une partition de E si

• elles sont non vides ;
• elles sont disjointes deux à deux ;
• leur réunion est égale à E.
Propriété 1.2.5 Soit E un ensemble fini et E1 , E2 , E3 , · · · , Ep des ensembles

formant une partition de E. On a :
Card(E) = Card(E1 ) + Card(E2 ) + Card(E3 ) + · · · + Card(Ep )

Conséquences
Pour toutes parties A et B d’un ensemble fini E, on a :
• Card(A) + Card(E \ A) = Card(E).
• Card(A fi B) = Card(A) + Card(B) ≠ Card(A fl B).
1.2.3 Produit cartésien

Définition 1.2.6
Soit A et B deux ensembles. On appelle produit cartésien de A et B l’ensemble des

couples (a, b) tel que a œ A et b œ B. Cet ensemble est noté A ◊ B ; on lit "A croix
B.
Activité 1.2.7
Au cours d’un examen, un candidat doit choisir successivement deux sujets : un

sujet de mathématiques parmi trois et un sujet de physique parmi quatre.
De combien de façons peut-il effectuer ce choix ?
Méthode :
On note m1 , m2 , m3 et p1 , p2 , p3 , m4 les sujets proposés respectivement en mathé-

matiques et en physique. On pose : M = {m1 , m2 , m3 } et P = {p1 , p2 , p3 , p4 }. Et on
dresse un tableau a double entrée.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

Remarque :
• Cette définition s’étend à un nombre quelconque d’ensemble ; le produit carté-

sien des ensemble E1 , E2 , E3 , · · · , Ep est l’ensemble noté E1 ◊E2 ◊E3 ◊· · ·◊Ep .
• Le produit cartésien E ◊ E ◊ E ◊ · · · ◊ E est noté E p
Propriété 1.2.8 Pour tous ensembles finis A et B, on a :
Card (A ◊ B) = Card (A) ◊ Card (B)
Remarque :
On peut généraliser la propriété précédente à p ensemble.

• Pour tous ensemble finis E1 , E2 , · · · , Ep , on a :
Card (E1 ◊ E2 ◊ · · · ◊ Ep ) = Card (E1 ) ◊ Card (E2 ) ◊ · · · ◊ Card (Ep ) .
• Pour tout ensemble E à n éléments, on a : Card (E p ) = np
1.3 Arrangements
1.3.1 Arrangement avec répétition : p-uplets
Définition 1.3.1
Soit E un ensemble à n éléments et p un nombre entier naturel non nul. On appelle

arrangement avec répétition de p éléments de E ou p-uplet ou p-liste. de E tout
élément de l’ensemble E p .
Exemples
• (5; 2), (8; 8), (2; 5) sont des couples (2-uplets) de N2 .
• (0, 0, 1), (1, 1, 0), (0, 0, 0) sont des triplets (3-uplets) de l’ensemble {0; 1}
• (P, F, F, F, P, P, F, P, F, P ) est un 10-uplet de l’ensemble {P ; F } ; il corres-
pond, par exemple, à un résultat de 10 lancers consécutifs d’une pièce de
monnaie (pile ou face).
Propriété 1.3.2 Le nombre de p-uplets d’un ensemble à n éléments est np .
Activité 1.3.3
Soit E = {1; 2; 3; 4; 5}.

1. Déterminer le nombre d’éléments de trois chiffres, distincts ou non, écris avec
des éléments de E.
2. Déterminer le nombre d’éléments de six chiffres, distincts ou non, écris avec
des éléments de E.
Solution:

.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Activité 1.3.4
Une entreprise doit commander trois voitures pour trois personnes différentes. Pour
chacun des véhicules, on a le choix entre six couleurs. De combien de façons peut-on
réaliser cette commande ?
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
1.3.2 Arrangements sans répétition

Définition 1.3.5
Soit E un ensemble à n éléments et p un nombre entier naturel non nul p Æ n. On

appelle arrangement de p éléments de E tout p-uplet d’éléments de E deux à deux
distincts.
Pour déterminer le nombre d’arrangement de p éléments d’un ensemble E à n

éléments, on peut utiliser un arbre de choix à p niveaux :
il y a n choix possibles pour le 1er élément ;
il y a n ≠ 1 choix possible pour le 2e élément ;
il y a n ≠ 2 choix possible pour le 3e élément ;
..
.
il y a n ≠ (p ≠ 1) choix possible pour le pe élément.
On en déduit que le nombre d’arrangement de p éléments de E est : n · · · (n ≠ p + 1).
Propriété 1.3.6 Le nombre d’arrangement de p éléments d’un ensemble E à n

éléments, noté Apn , est tel que :
Apn = n(n ≠ 1)(n ≠ 2)(n ≠ 3) · · · ≠ n ≠ p + 1).

Remarque :
• Le nombre de facteur du produit n(n ≠ 1)(n ≠ 2)(n ≠ 3) · · · ≠ n ≠ p + 1) est

égal à p. Par exemple, A410 est le produit de 4 entiers consécutifs dont le plus
grand est 10 : A410 = 10 ◊ 9 ◊ 8 ◊ 7 = 5 040.
• Si p > n, il est impossible de trouver p éléments deux à deux distincts dans E.
Activité 1.3.7
Dix athlètes participent à une course. On appelle podium l’arrivée des trois premiers.
On se propose de déterminer le nombre de podiums possibles, en supposant qu’il y
a pas d’ex æquo.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Activité 1.3.8
On veut calculer le nombre de façons différentes de placer dix personnes sur 15
chaises numérotées de 1 à 15, sachant que deux personnes ne peuvent occuper la
même chaise.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Notion de factorielle
• Pour tout nombre entier naturel n non nul, le produit 1◊2◊3◊· · ·◊(n≠1)◊n
est appelé "factorielle n" et noté n!.
• Par convention : 0! = 1.

Exemple :
0! = 1
1! = 1
2! = 1 ◊ 2 = 2
3! = 1 ◊ 2 ◊ 3 = 6
4! = 1 ◊ 2 ◊ 3 ◊ 4 = 24
5! = 1 ◊ 2 ◊ 3 ◊ 4 ◊ 5 = 120.
6! = 1 ◊ 2 ◊ 3 ◊ 4 ◊ 5 ◊ 6 = 720.
7! = 1 ◊ 2 ◊ 3 ◊ 4 ◊ 5 ◊ 6 ◊ 7 = 5 040.
8! = 1 ◊ 2 ◊ 3 ◊ 4 ◊ 5 ◊ 6 ◊ 7 ◊ 8 = 40 320.
9! = 1 ◊ 2 ◊ 3 ◊ 4 ◊ 5 ◊ 6 ◊ 7 ◊ 8 ◊ 9 = 362 880.
10! = 1 ◊ 2 ◊ 3 ◊ 4 ◊ 5 ◊ 6 ◊ 7 ◊ 8 ◊ 9 ◊ 10 = 3 628 800.
..
.
Exercice résolu 1.3.9 Donner les valeurs de : 11!, 12!, 13! et 20!
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Propriété 1.3.10 Soit n et p deux nombres entiers naturels non nuls tels que :
p Æ n. On a :
n!
Apn =
(n ≠ p)!
1.4 Nombre de permutations

Soit E un ensemble à n éléments. On appelle permutation de E tout arrangement
des n éléments de E.
1.4.1 Permutation Sans répétition

Une permutation sans répétition de n éléments distincts est une suite ordonnée
de ces n éléments. Autrement dit, c’est un arrangement sans répétition de k = n
objets pris parmi n objets.
Exemple 1.4.1
Le nombre 2537 est une permutation du nombre 3752.
Propriété 1.4.2 Le nombre de permutations de n éléments distincts est
Ann = n!.

Activité 1.4.3
On se propose de déterminer le nombre de façons de disposer 5 drapeaux de 5 pays

différents sur 5 mâts revus à cet effet. On utilisera deux méthodes différentes
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Activité 1.4.4
On appelle anagramme d’un mot tout mot formé avec les lettres qui le composent
(par exemple, LACE, ECAL sont des anagrammes de CALE).Déterminer le nombre
d’anagrammes du mot AFRIQUE.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Exercice d’application 1.4.5 Combien de nombres de 3 chiffres différents peut-
on former avec 1, 3 et 5 ?
1.4.2 Permutations avec répétitions

Problème
Trouver le nombre de mots que l’on peut former par permutation des différentes
lettres
1. du mot VAI.
2. du mot VIVA.
3. du mot AVIVA.
4. du mot AVIVAIT.

Propriété 1.4.6 Considérons un ensemble de n objets divisés en p groupes d’élé-

ments identiques, les groupes comprenant respectivement n1 , n2 , · · · , np objets (on
a donc n1 + n2 + · · · + np = n). Alors le nombre de permutations de cet ensemble
est :
n!
n1 ! ◊ n1 ! ◊ · · · ◊ np !
Activité 1.4.7
Trouver le nombre de mots que l’on peut former par permutation des différentes
lettres
1. du mot VAI .
2. du mot VIVA.
3. du mot AVIVA.
4. du mot AVIVAIT.
5. DÉVELOPPEMENT.
6. ANTICONSTITUTIONNELLEMENT.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

1.5 Combinaison
Une combinaison de k objets pris parmi n objets est un sous-ensemble de k de
ces n objets. L’ordre n’intervient pas.
1.5.1 Combinaison sans répétition

Soit E un ensemble à n éléments et p un nombre entier naturel tels que p Æ n. On
appelle combinaison de p éléments de E tout sous ensemble de E ayant p éléments.
Remarque : Pour la même raison que pour les arrangements sans répétition,
une combinaison de p éléments d’un ensemble à n éléments ne peut exister que si
p Æ n.
Propriété 1.5.1 Le nombre de combinaison de p éléments d’un ensemble à n élé-
ments, noté Cnp , est tel que :
Apn n!
Cnp = =
p! p!(n ≠ p)!
Remarque : Soit E un ensemble à n éléments.
• Il y a une seule partie à 0 élément de E, c’est l’ensemble vide ; donc Cn0 = 1 ;
• Il y a une seule partie à n élément de E, c’est l’ensemble E lui-même ; donc
Cn1 = 1 ;
• Il y a n singletons inclus dans E ; donc : Cn1 = n
Activité 1.5.2
On désire sélectionner 6 joueurs parmi les 15 membres d’un club pour constituer une
équipe de volley-ball. Déterminer le nombre de sélections différentes que l’on peut
former.
Solution:
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Activité 1.5.3
On procède au tirage d’une tombola. Il a 5 lots identiques à gagner et 150 billets
ont été vendus. Déterminer le nombre de tirages différents des 5 billets gagnants.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

Propriété 1.5.4 Soit n et p deux nombres entiers naturels tels que : p Æ n.

• On a Cnn≠p = Cnp .
• Si de plus 0 < p < n, alors on a : Cn≠1
p≠1
+ Cn≠1
p
= Cnp .
1.5.2 Combinaisons avec répétitions

Une combinaison avec répétitions correspond au cas d’un tirage sans ordre et
avec remise.
Propriété 1.5.5 Le nombre de combinaisons avec répétition de k objets parmi n

est
(n + k ≠ 1)!
Ckn+k≠1 = .
k!(n ≠ 1)!
Activité 1.5.6
Muni de 5 "bon pour une boisson", vous allez prendre livraison à un bar que peut
délivrer 8 sortes de boissons dénommées ABCDEFGH. De combien de manière cette
livraison peut-elle être réalisée ?
Exemple de livraison : ACCCG, BHHHH,.... Les livraisons AACCC et ACACC

doivent être considérés comme identiques.
Solution: Ici n = 8 et k = 5. Nous avons une combinaison avec répétition. Le

nombre de manière que cette livraison peut être réalisée est C58+5≠1 = 792.
Activité 1.5.7
Dans une urne se trouvent 8 jetons distincts ; on en tire successivement 5 avec

remises, et on note les résultats sans tenir compte de l’ordre. Combien de résultats
possibles ?
Solution: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Activité 1.5.8
Lors d’une soirée, 3 amis munis de 3 "bons pour une boisson" se dirigent vers le
bar qui peut délivrer 8 sortes de boissons dénommées ABCDEFGH. Combien de
commandes peuvent-ils faire ? [AAB = ABA]
Solution: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.6 Points à retenir, Renvoie à la bibliothèque

1.6.1 Points à retenir
Les notions et outils de base développés dans ce chapitre constituent une part
importante de la culture générale pour réussir la théorie des probabilités. Après avoir
relu attentivement ce chapitre, vérifier que vous l’avez bien compris et que vous sa-
vez le mettre en application grâce aux exercices d’application de la page suivante.
Lorsqu’il s’agit de choisir p éléments parmi n , on doit se poser les deux questions
suivantes :
• Peut-on tirer deux fois le même élément ? (Avec ou sans remise ? )
• L’ordre dans lequel on choisit les éléments est-il important ? (Avec ou sans
ordre ?)
Ainsi
• Sans remise et avec ordre nous donne un arrangement sans répétition :
Apn , (p Æ n)
• Sans remise et sans ordre nous donne une combinaison sans répétions :
Cnp , (p Æ n)
• Avec remise et avec ordre nous donne un arrangement avec répétition :
np
• Avec remise et sans ordre nous donne une combinaison avec répétition :
p
Cn≠p+1
Il existe plusieurs méthodes pour dénombrer un ensemble finir. Chaque méthode

est utile en fonction du problème de dénombrement posé.
1.6.2 Renvoi à la bibliothèque

voir les documents suivant à la bibliothèque sans [1]
1 . Livres de mathématiques (Première et Terminale),CIAM,
2 . D.Foata :Calcul des probabilités, cours, exercices et probleme corrigés, 3e
édition, DUNOD
3 . Masiéri Walder : Statistique et calcul de probabilités, : travaux pratiques,
énoncés, et solutions, Dalloz.
4 . richard Issac : une introduction aux probabilités, Vudbert, Springer
5 . Bouzitat C., Bouzitat P. et Pages G. : Statistique, probabilité, estimation
ponctuelle : cours et exercices d’applications , edition CUJAS morin

Exercices d’applications : Je m’entraine

S’exercer 1.6.1
Un cadenas à numéros a trois roues. Chacune porte les numéros 0 à 9. Combien de

"nombres" secrets y a-t-il ?
S’exercer 1.6.2
Combien peut-on former d’anagrammes du mot ACCRA ? du mot BAOBAB ?
S’exercer 1.6.3
Quatre couples sont réunis pour une soirée dansante. Les quatre hommes invitent
chacun une femme à danser. De combien de façons peut se faire cette invitation,
sachant qu’aucun homme ne danse avec son épouse ?
1. Procéder par comptage,
2. Puis à l’aide d’un arbre de choix.
S’exercer 1.6.4
Combien y a-t-il de podiums possibles de 3 personnes avec

1. 10 partants ?
2. 20 partants ?
S’exercer 1.6.5
Combien de nombres de six chiffres peut-on former avec les chiffres : 0, 1, 2, 3, 4,

5, 6 et 7, chaque chiffre n’étant présent qu’une fois, et de façon que chaque nombre
commence par 7 et soit divisible par 5 ?
S’exercer 1.6.6
On veut garer 3 voitures sur un parking de 6 places. Combien y a-t-il de possibilités
de 3 places vides ? (de garer les voitures ?)
S’exercer 1.6.7
Combien de nombres de 6 chiffres peut-on former avec les chiffres 1, 2 et 3 ?

S’exercer 1.6.8
Soit E l’ensemble tel que : E = {1; 2; a; b}. Écrire l’ensemble P(E) et déterminer
Card (P(E)).
S’exercer 1.6.9
On lance un dé rouge et un dé vert, chacun d’eux ayant ses faces numérotées de 1 à 6.

Le résultat d’un lancer est le couple de nombres apparaissant sur la face supérieure
de chaque dé.

1. Combien y a-t-il de résultats possibles ?

2. Combien y a-t-il de résultats pour lesquels la somme des deux nombres est
supérieure ou égale à 9 ?
S’exercer 1.6.10
Six athlètes prennent le départ d’une course à pieds. Chacun d’eux prend au hasard
un des dix couloirs de la piste.
1. Combien y a-t-il de positions de départ possible ?
2. Combien y a-t-il de positions de départ possibles si l’un des athlètes ne prend
pas le départ ?
S’exercer 1.6.11
Un mot de passe comporte six chiffres entre 0 et 9. Combien y a-t-il de mots de

passe différents ?
S’exercer 1.6.12
Un digicode est composé d’une lettre (A ou B) suivi de 3 chiffres. Combien y a-t-il
de codes possibles ?
S’exercer 1.6.13
1. De combien de manière peut-on choisir 3 paires de chaussettes dans un lot de

10 paires différentes ?
2. Pour voyager, un homme choisit 3 paires de chaussettes parmi les 10 paires
qu’il possède et 2 paires de chaussettes parmi les 5 paires qu’il possède. De
combien de manières peut-il faire ce choix ?
S’exercer 1.6.14
On veut élire un comité de quatre membres parmi les 45 élèves d’une classe.
1. Quel est le nombre de résultats possibles ?
2. Quel est le nombre de comités contenant exactement 2 filles, sachant qu’il y a
25 filles dans la classe ?
3. Quel est le nombre de comités contenant au moins 1 fille ?
S’exercer 1.6.15
Quarante athlète, dont quinze filles, sont pré-sélectionnés pour une compétition. On
veut choisir, parmi ces athlètes, une équipe de 11 footballeurs et 5 basketteuses.
Combien y a-t-il de choix possible ?
S’exercer 1.6.16
De combien de manières peut-on choisir une délégation de 3 hommes et 2 femmes
pris parmi un groupe de 7 hommes et 5 femmes ?

Chapitre 2
La théorie des probabilités
Le but de la théorie des probabilités est de développer un formalisme adapté à

l’étude des phénomènes dans lequel le hasard intervient. "Aléatoire" vient de "aléa"
qui signifie "jeu de dés" en latin.
2.1 Expérience aléatoire

2.1.1 Notion d’expérience aléatoire
Une expérience est dite aléatoire si on ne peut pas prédire avec certitude son
résultat. Le résultat d’une expérience aléatoire est appelé issue ou éventualité, noté
Ê. L’ensemble des issues est appelé l’espace fondamental (ou univers), noté .
Activité 2.1.1
Définir et card( ) dans les exemples ci-dessous :

1. On lance une pièce de monnaie.
2. On lance 3 fois une pièce de monnaie.
3. On lance deux fois un dé.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
23
CHAPITRE 2. LA THÉORIE DES PROBABILITÉS 24
2.1.2 Notion d’évènement

On appelle évènement A tout sous-ensemble de .
Activité 2.1.2
On lance deux fois un dé.
¶ A = "obtenir deux nombres supérieurs ou égaux à 5".
¶ B = "obtenir une somme inférieure ou égale à 3".
Déterminer les événements A et B ainsi que card(A) et card(B).
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Remarque :
¶ Un évènement est un ensemble d’issues. Les issues sont également appelées des
événements élémentaires.
¶ A appartient à P( ), l’ensemble des parties de : A œ P( )
¶ On dira qu’un évènement A est réalisé si et seulement si le résultat Ê de
l’expérience appartient à A : Ê œ A.
Exemple 2.1.3 Dans la suite on considère l’expérience aléatoire consistant à jeter

un dé de 6 faces. Donc = {1; 2; 3; 4; 5; 6}. On prend A= "obtenir un nombre pair",
c’est à dire A = {2; 4; 6} œ P( ).

2.1.3 Quelques définitions utiles

a) Inclusion
Soient A et B deux évènements de . A µ B signifie que chacun des évènements
élémentaires de A appartiennent également à B : Ê œ A ∆ Ê œ B. Autrement dire :
si A est réalisé, alors B l’est également.
Exemple 2.1.4 Retour à l’exemple 2.1.3
Soit B = "obtenir un nombre supérieur ou égal à 2 ". Vérifier que A µ B.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
b) Évènement complémentaire
Soit A un évènement de . Le complémentaire de A est constitué des évènements
élémentaires qui n’appartiennent pas à A. On le note A. Autrement dire A = E \ A.
Déterminer A.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
c) Évènement certain, évènement impossible

• est l’évènement certain (il est réalisé à chaque expérience).
• Son complémentaire = ÿ est l’évènement impossible.
d) Intersection de deux évènements

Soient A et B deux évènements de . A fl B est l’ensemble des évènements élé-
mentaires qui appartiennent à la fois à A et à B : Ê œ A fl B … Ê œ A et Ê œ B
A fl B est réalisé si et seulement si A et B le sont.

Soit C = "obtenir un nombre supérieur ou égal à 5". Vérifier que A fl C = {6}.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

e) Évènements incompatibles
Soient A et B deux évènements de . A fl B = ÿ signifie que A et B sont des
évènements incompatibles. A et B ne peuvent pas être réalisés en même temps.
A et A sont incompatibles : A fl A = ÿ.
f) Réunion de deux évènements

Soient A et B deux évènements de . A fi B est l’ensemble des évènements élé-
mentaires qui appartiennent à A ou à B. Ê œ A fi B … Ê œ A ou Ê œ B
A fi B est réalisé si et seulement si A ou B l’est.
Soit D = "obtenir un nombre inférieur ou égal à 3". Vérifier que AfiD = {1; 2; 3; 4; 6}.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
2.2 Calcul de probabilités : axiomes et propriétés

2.2.1 Formalisation de la notion de probabilité
On considère une expérience aléatoire telle que :
• l’espace fondamental défini soit de cardinal fini ;
• les éventualités qui le composent soient équiprobables : c’est à dire même
chance de se réaliser.
On définit alors la probabilité d’un évènement A par :
card(A) nombre de cas favorables

P(A) = =
card( ) nombre de cas possibles
NB : Formule valable seulement en situation d’équiprobabilité !
Activité 2.2.1
On jette deux fois une pièce de monnaie. Quelle est la probabilité d’avoir deux fois
face ? d’avoir pile et face ?
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

Généralisation : définition axiomatique

Une (loi de) probabilité sur est une fonction P de P( ) dans [0; 1] vérifiant
les propriétés (ou axiomes) suivantes :
• P( ) = 1
• Propriété d’additivité : pour toute suite dénombrable d’évènements,deux à
deux incompatibles, A1 , A2 ; · · · ; œ P( ) , on a :
A+Œ B +Œ
€ ÿ
P Ai = P(Ai )
i=1 i=1
Remarque : Le triplet ( , P( ), P) s’appelle un espace probabilisé.
2.2.2 Propriétés d’une probabilité

Soit A et B des éléments de P ( ) :
1 2
• P A = 1 ≠ P (A)
• P (ÿ) = 0
• A µ B ∆ P (A) Æ P (B)
• P (A fi B) = P (A) + P (B) ≠ P (A fl B).
S’exercer 2.2.2
Un sac contient 5 jetons verts (numérotés de 1 à 5) et 4 jetons rouges (numérotés

de 1 à 4)
1. On tire successivement et au hasard 3 jetons du sac, sans remettre le jeton
tiré. Calculer les probabilités :
(a) De ne tirer que 3 jetons verts ;
(b) De ne tirer aucun jeton vert ;
(c) De tirer au plus 2 jetons verts ;
(d) De tirer exactement 1 jeton vert.
2. On tire simultanément et au hasard 3 jetons du sac.
Reprendre alors les questions précédentes.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

2.3 Probabilités conditionnelles - Indépendance

Une probabilité conditionnelle est la probabilité d’un événement sachant qu’un
autre événement a eu lieu. L’indépendance est une notion probabiliste qualifiant de
manière intuitive des événements aléatoires n’ayant aucune influence l’un sur l’autre.
Il s’agit d’une notion très importante en statistique et en théorie des probabilités.
2.3.1 Probabilité conditionnelle

Définition 2.3.1
Soit ( , P( ), P) un espace probabilisé et B un évènement tel que P(B) > 0. On
appelle probabilité conditionnelle d’un évènement A sachant que B est réalisé, le
nombre défini par :
P (A fl B)
P (A|B) =
P (B)
Propriété 2.3.2
• la fonction A ‘æ P (A|B) ainsi définie est une probabilité. (comment s’en
convaincre ?).
• Si A et B sont des évènements de probabilités non nulles, on a :
P (A fl B) = P (A|B) P (B) = P (B|A) P (A)
Activité 2.3.3
Un tiers d’une population est vaccinée contre une maladie.On sait que 10% des
personnes vaccinées développent quand même la maladie. On choisit une personne
au hasard. Quelle est la probabilité pour que celle-ci soit malade et vaccinée ?
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

2.3.2 Formule des probabilités totales : cas particulier

Soient A et B deux évènements, avec 0 < P(A) < 1. On a :
1 2 1 2
P (A) = P (A|B) ◊ P (B) + P A|B ◊ P B
Activité 2.3.4
Un étudiant Ed a une probabilité de 3/4 d’être présent à la prochaine séance si
celle-ci est un cours magistral, et une probabilité de 9/10 si celle-ci est une séance
de travaux dirigés. Sachant que son emploi du temps est constitué aux deux tiers de
cours magistraux, quelle est la probabilité qu’il soit présent à la prochaine séance ?
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

2.3.3 Théorème de Bayes

Motivation : Soient A et B deux évènements de probabilités non nulles. Calculer
la probabilité de B sachant A à partir de celle de A sachant B.
Théorème de Bayes : Cas particulier

Soient A et B deux évènements de probabilités non nulles. On a :
P (A|B) P (B) P (A|B) P (B)

P (B|A) = = 1 2 1 2
P (A) P (A|B) P (B) + P A|B P B
Activité 2.3.5
On constate que notre étudiant Ed est en cours. Avec les mêmes données que pré-
cédemment, quelle est la probabilité que ce cours soit un cours magistral ?
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
2.3.4 Indépendance entre deux évènements

Soient A et B deux évènements de probabilités non nulles. On dit que A et B
sont indépendants si et seulement si : P (A|B) = P (A) ou P (B|A) = P (B).
Caractérisation de deux évènements indépendants

Deux évènements A, B œ P( ) sont indépendants si et seulement si :
P (A fl B) = P (A) P (B)

Activité 2.3.6
1. On tire sans remise deux cartes d’un jeu de 32 cartes. Montrer que Les évène-
ments A="obtenir un roi au premier tirage" et B="obtenir un roi au second
tirage" ne sont pas indépendants.
2. Si l’on effectue ces deux tirages avec remise, montrer que A et B deviennent
indépendants.
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
Activité 2.3.7
Le tableau suivant donne la répartition de 150 stagiaires en fonction de la langue

choisie et de l’activité sportive choisie. On choisit un élève au hasard.
Tennis Equitation Voile
Anglais 45 18 27
Allemand 33 9 18
1. Les évènements "étudier l’allemand" et "pratiquer le tennis " sont-ils indépen-

dants ?
2. Les évènements "étudier l’anglais " et " pratiquer la voile" sont-ils indépen-
dants ?
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................
.................................................................................

2.4 Points à retenir et Bibliographie

¸ Il faut savoir distinguer les notions suivantes : « au moins ... » , « au plus ...
», « moins de ... » , « plus de ... » , « exactement ... ».
¸ Une probabilité, on peut dire que c’est « la chance » que l’on a d’obtenir un
événement.
Alors comment faire pour calculer une probabilité ? Tout dépend du
contexte, parfois on est dans des cas particuliers comme une loi discrète ou
continue (que l’on verra plus tard), mais on a aussi des situations simples :
pour un événement A : Si tous les éléments ont la même probabilité d’être
tirés,
card (A)
P (A) =
card ( )
Ce qui signifie :
nombre d’elements de (A)
P (A) =
nombre total d’elements
¸ Une chose très importante à retenir : une probabilité est toujours comprise
entre 0 et 1 ! !
0 Æ P (A) Æ 1
Du coup, si un jour tu calcules une probabilité et que tu trouves un nombre

plus grand que 1, comme 5 ou 1, 000001 ou 12 par exemple, ou tu trouve un
nombre négatif, C’EST FORCEMENT FAUX ! ! Il faut alors revoir le
raisonnement pour trouver la faute.
Probabilité conditionnelle
Une probabilité conditionnelle est une probabilité, à la différence que l’on sait
déjà quelque chose.
Par exemple, en lançant un dé, on peut chercher la probabilité d’avoir un 4 SA-
CHANT que l’on a obtenu un nombre pair.
Tu l’auras compris, il y a un mot fondamental à retenir ici : SACHANT. Tout

simplement parce que souvent dans les questions il y a ce mot (ou un mot qui y
ressemble), ce qui t’indique qu’il faut calculer une probabilité conditionnelle. Au ni-
veau de la notation, on écrit : P (A|B) ou PB (A) et on lit « p de A sachant B ». Cela
signifie que l ?on cherche la probabilité de l’événement A sachant que l’événement
B s’est produit.
Dans notre exemple, on cherche la probabilité d’obtenir 4 sachant que l’on a un

nombre pair, donc : A = « obtenir un 4 » , et B = « avoir un nombre pair ».

Il y a bien sûr une formule pour calculer cette probabilité conditionnelle :

P (A fl B)
PB (A) =
P (B)
Reprenons notre exemple : A = « obtenir un 4 » , et B = « avoir un nombre
pair ».
P (A fl B)
PB (A) =
P (B)
P (Obtenir 4 fl Obtenir un nombre pair )
=
P (Obtenir un nombre pair )
Pour le dénominateur c’est facile, il y a 3 nombres pairs et 6 nombres au total, donc
3 1
P (Obtenir un nombre pair ) = =
6 2
Au numérateur c’est différent : A = obtenir un 4 = {4}, et B = obtenir un nombre
pair = {2; 4; 6}, donc A fl B = {4}. Ainsi :
1
P (Obtenir 4 fl Obtenir un nombre pair ) = P ({4}) =
6
1
1
On n’a plus qu’à remplacer : PB (A) = 61 = . Et voilà, c’est tout simple.
3
2
Le plus dur est de reconnaître qu’il faut calculer une probabilité conditionnelle
et non une probabilité simple, mais là c’est ta lecture de l’énoncé qui sera détermi-
nante car, comme dit plus haut, il y a souvent marqué « sachant » dans les questions !
ATTENTION !
˙ Ne confonds pas le A et B, la probabilité que tu cherches est dans la parenthèse,

et l’événement que tu connais est en indice juste après le P :
˙ N’inverse pas le A et le B (ça peut être d’autres lettres bien sûr), c’est une
erreur classique.
Indépendance
Deux événements sont dits indépendants s’ils n’ont pas d’influence l’un sur
l’autre. Par exemple, si on lance un dé et qu’on le relance après, le résultat du
deuxième lancer ne dépend pas du premier lancer : les 2 lancers sont donc indépen-
dants. Il y a alors une formule très importante à retenir : Si A et B sont indépen-
dants : P (A fl B) = P (A) ◊ P (B). En revanche, si les 2 événements ne sont pas
indépendants, on utilise le fait que
P (A fl B) = P (A) + P (B) ≠ P (A fi B)
Cette formule est à connaître PAR COEUR ! !

Ou / Et
Souvent dans les énoncés tu verras les mots « et » et « ou ». Il faut alors traduire
ces mots sous forme mathématiques. En fait c’est très simple : le « et » correspond
à l’intersection, le « ou » correspond à l’union !.
Exemple : on tire une carte dans un jeu de cartes. On cherche la probabilité

d’obtenir un trèfle OU un roi.
Et bien si on appelle A = « obtenir un trèfle » et B = « obtenir un roi », cela

revient à cherche P (A fi B) ! ! On utilise l’union car on avait « ou » dans l’énoncé.
De plus, OU est souvent associé à une addition, donc « + ». On s’en servira dans
les exercices d’applications.
En revanche, si on cherche la probabilité d’obtenir un trèfle ET un roi, cela re-

vient à calculer P (A fl B). On utilise l’intersection car on avait « et » dans l’énoncé.
Enfin, ET est souvent associé à une multiplication, donc « ◊ ». On s’en servira éga-
lement dans les exercices d’applications.
⌅ Une probabilité est toujours compris entre 0 et 1.
card(A)
⌅ La formule de P (A) = est utilisée uniquement dans le cas où tous les
card( )
éléments de cet ensemble ont la même chance de réalisation.
⌅ P (A fl B) = P (A) ◊ P (A) si et seulement si les événements A et B sont
indépendants.

1. Livres de mathématiques (Première et Terminale),CIAM, Probabilités et ma-
thématiques appliquées Psychologie appliquée, Dunod
2. richard Issac : une introduction aux probabilités, Vudbert, Springer
3. Bouzitat C., Bouzitat P. et Pages G. : Statistique, probabilité, estimation ponc-
tuelle : cours et exercices d’applications , edition CUJAS
4. Fouastie J., Laslier J.F. : Probabilités et statistiques
5. Gerald Baillargeon : Probabilités, statistiques et technique de régression , les
éditions SMCS 1e année, nouveau programme morin

Exercices d’entrainement
S’exercer 2.4.1
Une urne contient 12 boules blanches, 5 boules noires et 8 boules bleus indiscernables
au touché. On considère notre univers d’expérience composé des trois événements
élémentaires suivants :
A : "La boule tirée est blanche"
B : "La boule tirée est noire"
C : "La boule tirée est bleue"
Compléter le tableau ci-dessous, au centième près, représentant la loi de probabilité
de notre expérience :
X A B C
P(X)
S’exercer 2.4.2
Voici le tableau représentant la loi de probabilité d’un dés truqué à six faces :
xi 1 2 3 4 5 6
pi 0,15 0,1 0,08 0,17 0,22 0,28
Déterminer la probabilité de chacun des évènements ci-dessous :

1. A : "Le nombre obtenu est supérieur ou égal à 4".
2. B : "Le nombre obtenu est pair".
S’exercer 2.4.3
Soit ( , P) un espace probabilisé où A et B sont deux événements de tels que

P(A) = 0, 42 ; P(B) = 0, 19. Sachant que P(A fi B) = 0, 43, déterminer la probabilité
de l’évènement A fl B.
S’exercer 2.4.4
Lors d’un référendum, deux questions étaient posées. 65% des personnes ont répondu
"oui" à la première question, 51% ont répondu "oui" à la seconde question, et 46%
ont répondu "oui" aux deux questions.
1. Quelle est la probabilité qu’une personne ait répondu "oui" à l’une ou l’autre
des questions ?
2. Quelle est la probabilité qu’une personne ait répondu "non" aux deux ques-
tions ?
S’exercer 2.4.5
Les résultats de l’enquête auprès des employés de l’entreprise sont répertoriés dans
le tableau suivant :

Train Avion Autocar

Femme 468 196 56
Homme 150 266 64
On interroge au hasard un employé de cette entreprise (on suppose que tous les
employés ont la même chance d’être interrogés).
F l’événement : "l’employé est une femme" ;
T l’évènement : "l’employé choisit le train"
1. Calculer les probabilités P(F ), P(T ) puis déterminer la probabilité que l’em-
ployé ne choisisse pas le train (on donnera les résultats sous forme décimale)
2. (a) Déterminer la probabilité de l’évènement F fl T .
(b) En déduire la probabilité de l’évènement F fi T .
3. En choisissant un employé au hasard parmi les employés n’ayant pas choisi le
train, quelle est la probabilité que cet employé soit une femme ? (on donnera
le résultat arrondi au millième)
S’exercer 2.4.6
Une organisation de consommateurs comporte des membres dont la répartition est

la suivante :
– à Abidjan, nous avons 180 hommes et 162 femmes ;
– à Yamoussoukro, nous avons au total 255 membres dont 105 hommes ;
– à Seman, nous avons 450 consommateurs dont le nombre de femmes est le
double de celui des hommes.
1. Dresser le tableau associé à cette étude et compléter les parties manquantes.
2. En déduire le nombre total des membres de cette organisation.
3. Supposons qu’un consommateur soit choisi au hasard.
(a) Quelle est la probabilité qu’il soit un homme ?
(b) Quelle est la probabilité qu’il vive à Seman ?
(c) Quelle est la probabilité que ce soit une femme de Yamoussoukro ?
(d) Sachant qu’il s’agit d’une femme, quelle est la probabilité qu’elle habite
à Yamoussoukro ?
(e) Sachant que cette personne habite à Abidjan, quelle est la probabilité
qu’elle soit un homme ?
(f) En supposant que tu fais partir des ces consommateurs, quelle est la
probabilité qu’il soit toi ? (mets le résultat sous forme de fraction)
S’exercer 2.4.7
Dans un lycée, quel que soit le niveau, un élève peut être externe ou demi-pensionnaire.
L’arbre ci-contre indique la répartition selon le niveau et la qualité de l’élève (E :
externe ; DP : demi-pensionnaire)

1. Recopier et compléter cet arbre.

2. (a) Déterminer le pourcentage d’élèves externes dans ce lycée.
(b) Déterminer la part des terminales parmi les externes.
S’exercer 2.4.8
Une société comprend 65% de cadres, et parmi ceux-ci, 70% parlent l’anglais. Chez
les autres employés, seuls 40% parlent anglais. On interroge un employé de la société
au hasard. On note C l’événement " la personne interrogée est un cadre" et A
l’événement "la personne interrogée parle anglais".
1. Déterminer de l’événement C et la probabilité de A sachant C.
2. Construire un arbre pondéré rendant compte de l’énoncé. On pourra utiliser
C et A les événements contraires de C et A.
3. En déduire la probabilité que cet employé soit un cadre parlant anglais.
4. Quelle est la probabilité qu’on interroge un employé parlant anglais ?
S’exercer 2.4.9
Voici la répartition des principaux groupes sanguins des habitants de la France :
Groupe O Groupe A Groupe B Groupe AB

Rhésus + 35,0 % 38,1 % 6,2 % 2,8 %
Rhésus - 9,0 % 7,2 % 1,2 % 0,5 %
On choisit une personne au hasard ans la population française. On note R+ l’évé-

nement " la personne de rhésus +", O l’événement "la personne est de groupe O",
etc.
1. Construire un arbre pondéré rendant compte de l’énonce.
2. Quelle est la probabilité qu’une personne appartenant au groupe O soit de
rhésus positif ?
S’exercer 2.4.10
Dans une urne U1 , il y a quatre boules noires et six boules blanches. Dans une urne
U2 , il y a trois boules noires er sept boules blanches. Les boules sont indiscernables
au toucher.
On choisir une urne au hasard, puis on tire au hasard une boule dans cette urne.
On note A l’événement " on choisit U1 " et N l’événement " la boule tirée est noire".

1. Représenter l’épreuve par un arbre non pondéré que vous compléterez au fur
et à mesure.
2. Calculer la probabilité P(A) de l’événement A.
3. Donner une interprétation en langage courant, puis calculer la probabilité de
N sachant A et la probabilité de N sachant A et compléter l’arbre.
4. Donner une interprétation en langage courant, puis calculer la probabilité des
événement suivants
(a) N fl A
(b) N fl A
(c) N
5. En déduire la probabilité d’avoir choisir l’urne U1 sachant qu’on a tiré une
boule noire.
S’exercer 2.4.11
Dans une famille donnée, on suppose qu’à chaque naissance, la probabilité d’avoir
une fille est la même que celle d’avoir un garçon. On note A l’événement "la famille
a des enfants des deux sexes" et B l’événement "l’ainé est une fille"
Les événements A et B sont-ils indépendants :
1. dans une famille de deux enfants ?
2. dans une famille de trois enfants ?

Chapitre 3
Loi de probabilités discrètes
3.1 Notion de variable aléatoire

Souvent, lors d’une expérience aléatoire, on ne s’intéresse pas à l’issue Ê de cette
épreuve, mais à une fonction de cette réalisation (notée X(Ê)) de cette issue, donnant
une valeur numérique...
Exemple 3.1.1
Un jeu consiste à lancer quatre fois successivement un pièce de monnaie équilibré. A

chaque lancer, on note la face obtenue. On associe à chaque sortie de cette expérience
aléatoire un gain :
Ã le gain est de 0 euro si le côté face n’apparait pas ;
Ã le gain est de 1 euro si le côté face apparait 1 fois ;
Ã le gain est de 10 euro si le côté face apparait 4 fois.
3.1.1 variable aléatoire

Nous considérons un espace probabilisé ( , P( ), P) associé à une expérience
aléatoire.
Définition 3.1.2 On appelle variable aléatoire (v.a.) discrète , une application X

définie sur qui prend des valeurs discrètes :
X : æ X( ) = {x1 ; x2 ; · · · , xn ; · · · }
Ê ‘æ X(Ê)
X( ) est appelé ensemble des observables.
40
CHAPITRE 3. LOI DE PROBABILITÉS DISCRÈTES 41
3.1.2 Loi de probabilité d’une variable aléatoire

Définition 3.1.3 La loi de probabilité (ou distribution) de la variable aléatoire dis-
crète X est définie par P(X = xi ) = P(Ê telles que X(Ê) = xi ). Autrement, c’est
la fonction :
P :X( ) æ [0; 1]
xi ‘æ P(X = xi )
Remarque : On note généralement P(X = xi ) = pi .
3.1.3 Fonction de répartition

Définition 3.1.4 On appelle fonction de répartition de X, la fonction F définie
par :
F : R æ [0; 1]
x ‘æ F(x) = P(X Æ x)
Propriété 3.1.5 .
• pour tout x réel, on a 0 Æ F(x) Æ 1.
• La fonction de répartition d’une v.a. est croissante et est continue à droite.
• X est une variable aléatoire discrète si et seulement si sa fonction de répar-
tition est une fonction en escalier.
• P(X = x1 ) = F(x1 )
• Pour i Ø 2, P(X = xi ) = F(xi ) ≠ F(xi≠1 ).
Remarque : La connaissance de la loi de probabilité de X permet de calculer la

fonction de répartition, et inversement.
3.1.4 Espérance, Variance et écart-type

Définition 3.1.6 L’espérance d’une v.a. discrète X est le nombre réel, s’il existe,
défini par
ÿ ÿ
E(X) = xi P(X = xi ) = xi pi
i i
Définition 3.1.7 La variance d’une v.a. X, notée Var(X), si elle existe, est l’es-
pérance de la variable aléatoire (X ≠ E(X))2 :
Ë È Ë È
Var(X) = E (X ≠ E(X))2 = E (X)2 ≠ (E [X])2 .

Propriété 3.1.8 Dans le cas discret

ÿ
Var(X) = x2i pi ≠ (E [X])2 .
i
Remarque : La variance permet de quantifier la dispersion des valeurs de la va-

riable aléatoire autour de l’espérance.
Définition 3.1.9 On appelle écart-type de la v.a. X, noté ‡(X), la racine carrée

de sa variance :
Ò
‡(X) = Var(X).
Remarque : L’écart-type est l’indice de dispersion possédant la même unité que

les observables.
3.1.5 Travail en autonomie

Exercice résolu 3.1.10
Nous considérons l’expérience suivant :"On jette deux fois un dé ; on s’intéresse à la

somme des numéros obtenus".
1. Définissez et X( )
2. Déterminer la loi de probabilité de la variable aléatoire discrètes X ( nous nous
mettons dans une situation d’équiprobabilité).*
3. Déterminer la fonction de répartition de X.
4. Déterminer :
(a) l’espérance mathématique E (X) de la variable X.
(b) la variance Var (X) de la variable X.
(c) l’écart-type ‡X de la variable X.
Solution:
On jette deux fois un dé ; on s’intéresse à la somme des numéros obtenus.
1. Définissons et X( ).
Méthode : Nous commençons par construire un tableau à double entrées où
la première ligne et la première colonne sont les numéros du Dé. Ici c’est un
tableau de la forme
lancer 1 \ lancer 2 1 2 3 4 5 6
1 ··· ··· ··· ··· ··· ···
2 ··· ··· ··· ··· ··· ···
3 ··· ··· ··· ··· ··· ···
4 ··· ··· ··· ··· ··· ···
5 ··· ··· ··· ··· ··· ···
6 ··· ··· ··· ··· ··· ···

car un Dé à (6) faces numérotées par les chiffres 1 ;2 ;3 ;4 ;5 et 6".
Ainsi, lorsque l’on jette deux fois un dé, nous obtenons :

lancer 1 \ lancer 2 1 2 3 4 5 6
1 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
2 (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
3 (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
4 (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
5 (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
6 (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
Donc = {(1, 1), (1, 2), (1, 3), . . . , (6, 6)} et Card ( ) = 36.
Quand nous nous intéressons à la somme des numéros obtenus dans le tableau
précédent, nous obtenons :
lancer 1 \ lancer 2 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
D’où l’ensemble des valeurs de la variable aléatoire X est :
X( ) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
qui s’ecrit encore
X œ {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} .
2. Déterminons la loi de probabilité de la variable aléatoire X.
Méthode : Il est facile d’utiliser un tableau à deux ligne pour déterminer la
loi de probabilité des variables aléatoires (v.a.) discrètes. La première ligne
comporte les différentes valeurs de la variable aléatoire (X = xi ). La deuxième
ligne les différentes probabilités (pi ).
On jette deux fois un dé ; on s’intéresse à la somme des numéros obtenus. Nous
avons déjà vu que : X œ {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} . Donc
X = xi 2 3 4 5 6 7 8 9 10 11 12 T otal
1 2 3 4 5 6 5 4 3 2 1
pi 36 36 36 36 36 36 36 36 36 36 36
1
Méthode : Comment les valeurs des pi ont été trouvées ? Nous utilisons
Card( ) = 36 trouver dans la question précédente et l’équiprobabilité. Puisque,
nous dénombrons, par exemple
1
º 1 fois le nombre 2, nous posons p2 = 36 ,
6
º 6 fois le nombre 7, nous posons p7 = 36 .
3. Déterminons la fonction de répartition FX de la variable aléatoire.
La fonction de répartition de la variable aléatoire X, notée ici FX , est définie
sur R par :

Je vous laisse faire la courbe.

Y
_
_
_
0 si x < 2
_
_ 1 1
_0 + 36
_
_ = 36 si 2 Æ x < 3
_
_
_1 2 3
_
_
_ 36
+ 36 = 36 si 3 Æ x < 4
_
_ 3 3 6
_
_
_
_ 36
+ 36 = 36 si 4 Æ x < 5
_
_6 4 10
_ 36 + 36 = 36 si 5 Æ x < 6
_
_
_
_
_
] 10 + 5 = 15 si 6 Æ x < 7
FX (x) = 36
15
36
6
36
21
_
_
_
_ 36
+ 36
= 36
si 7 Æ x < 8
_ 21 5 26
_
_
_
_ 36
+ 36
= 36
si 8 Æ x < 9
_
_ 26 4 30
_
_
_
_ 36
+ 36
= 36
si 9 Æ x < 10
_
_ 30 3 33
_
_
_
_ 36
+ 36
= 36
si 10 Æ x < 11
_
_ 33 2 35
_
_
_
_ 36
+ 36
= 36
si 11 Æ x < 12
_
[ 35 1 36
36
+ 36
= 36
si 12 Æ x
4. Calculons l’espérance mathématique E (X), la variance Var(X) et

l’écart type (X) de la variable X.
Méthode : Pour déterminer ces paramètres, il est nécessaire de savoir com-
pléter un tableau de ce type
X = xi ... ... ... ... ... ... ... ... ... ... ... T otal
pi ... ... ... ... ... ... ... ... ... ... ... ...
xi pi ... ... ... ... ... ... ... ... ... ... ... ...
x2i pi ... ... ... ... ... ... ... ... ... ... ... ...
Remarque : Nous avons besoin de xi pi pour calculer E(X) et de x2i pi pour

calculer V ar(X).
Puisque les différentes valeurs de X et sa loi de probabilité sont déjà connues
(voir réponse précédent), nous avons donc
X = xi 2 3 4 5 6 7 8 9 10 11 12 T otal
1 2 3 4 5 6 5 4 3 2 1
pi 36 36 36 36 36 36 36 36 36 36 36 1
2 6 12 20 30 42 40 36 30 22 12 252
xi pi 36 36 36 36 36 36 36 36 36 36 36 36
4 18 48 100 180 294 320 324 300 242 144 1974
x2i pi 36 36 36 36 36 36 36 36 36 36 36 36
Ainsi
252
(a) E(X) = 36
=7
(b) V ar(X) [7]2 = 5.83.
= 1974
36
≠
Ò Ô
(c) ‡(X) = V ar(X) = 5.83 = 2.41.
Exercice résolu 3.1.11 (Applications de cours)
Nous considérons l’expérience suivant :"On s’intéresse au nombre de trois lancers

d’une pièces pour obtenir "pile". Pour cette expérience :

2. Déterminer la loi de probabilité de la variable aléatoire discrètes X ( nous nous
mettons dans une situation d’équiprobabilité).*
3. Déterminer la fonction de répartition de X.
4. Déterminer
(a) l’espérance mathématique E (X) de la variable X.
(b) la variance Var (X) de la variable X.
(c) l’écart-type ‡X de la variable X.
Solution:
Méthode : Nous utilisons un arbre au choix. Je vous donne les résultats (à
vous de vérifier).
Lorsqu’on lance cette pièce, on peut obtenir pile ou face. Cependant, nous
considérons :
• F ="obtenir face"
• P ="obtenir pile"
Dans ce cas, nous obtenons :
= {P P P, P P F, P F P, P F F, F P P, F P F, F F P, F F F } . Donc Card ( ) = 8.
En comptant le nombre de P obtenu dans les éléments de au-dessus, nous

obtenons :
X( ) = {0, 1, 2, 3} où encore X œ {0, 1, 2, 3} .
2. Déterminons la loi de probabilité de X.

Nous avons :
1
˙ X = 0, si nous avons F F F , c’est à dire 1 résultat. Donc p0 = 8
˙ X = 1, si nous avons P F F, F P F, F F P c’est à dire 3 résultats. Donc
p1 = 38
˙ X = 2, si nous avons P P F, P F P, F P P c’est à dire 3 résultats. Donc
p2 = 38
1
˙ X = 3, si nous avons P P P c’est à dire 1 résultat. Donc p3 = 8
Donc,
X = xi 0 1 2 3 T otal
1 3 3 1
pi 8 8 8 8
1
3. Déterminons la fonction de répartition de X
La fonction FX de répartition de X est définie sur R par :

Y
_
_
_0 si x < 0
_
_ 1
_
_
_
]8 si 0 Æ x < 1
FX (x) = 1
8
+ 3
8
= 4
8
si 1 Æ x < 2
_
_
_ 4 3 7
_
_
_8 + 8
= 8
si 2 Æ x < 3
_
_
[7 1 8
8
+ 8
= 8
= 1 si 3 Æ x
A vous de faire la courbe.
4. Calcul de E(X), Var(X) et (X).

Méthode : Savoir compléter un tableau de ce type :
X = xi ... ... ... ... ... ... ... ... ... ... ... T otal
pi ... ... ... ... ... ... ... ... ... ... ... ...
xi pi ... ... ... ... ... ... ... ... ... ... ... ...
x2i pi ... ... ... ... ... ... ... ... ... ... ... ...
Nous utilisons les questions précédents et nous obtenons

X = xi 0 1 2 3 T otal
1 3 3 1
pi 8 8 8 8 1
3 6 3 12
xi pi 0 8 8 8 8 = 1.5
3 12 9 24
x2i pi 0 8 8 8 8 =3
Ainsi,
12
(a) E(X) = 8
= 1.5
(b) Var(X) = 3 ≠ 1.52 = 0.75.
Ò Ô
(c) (X) = V ar(X) = 0.75 = 0.866.
Une association organise une tombola et met ne vente 200 tickets chacun au prix de
5 euro.
Parmi eux, 30 font gagnés 40 euro et 5 font gagnés 10 euro. Tous les autres tickets
sont perdants. Une personne acheté, au hasard, un ticket. On note X la variable
aléatoire égale au gain algébrique du ticket en euro.
1. Déterminer la loi de probabilité de X.
2. Déterminer le gain moyen.
3. Déterminer l’écart type.
4. Déterminer la fonction de répartition.

Solution: Nous commençons pas déterminer les différentes valeurs de la variable

aléatoire associé au gain algébrique du ticket en euro. Nous cela, nous utilisons :
Nombre de tickets associé au gain 200-(30+5)=165 30 5
Gain des tickets (G) en euro 0 40 10
Coût des tickets (C) en euro 5 5 5
Gain Algébrique (X=G-C) en euro ≠5 35 5
Donc X œ {≠5; 5; 35}

1. Déterminons la loi de probabilité de X.
X = xi ≠5 5 35 Total
165 5 30
P (X = xi ) 200 200 200
1
Méthode :
• 30 font gagnés 40 euro, soit X = 40 ≠ 5 = 35. Donc la probabilité de
30
gagner 35 euro est P (X = 35) = 200 .
• 5 font gagnés 10 euro, X = 10 ≠ 5 = 5. Donc la probabilité de 0 euro est
5
P (X = 5) = 200 .
• Tous les autres tickets, soit 200 ≠ 30 ≠ 5 = 165, sont perdants, c’est à
dire X = 0≠5 = ≠5. Donc la probabilité de 0 euro est P (X = ≠5) = 165200
.
Méthode : Pour déterminer l’espérance mathématique et la variance, il

est nécessaire utiliser un tableau (voir les exercice précédent). Nous obtenons
alors :
X = xi ≠5 5 35 Total
165 5 30
P (X = xi ) 200 200 200
1
165 170 200
Cumul des P (X = xi ) 200 200 200
= 1 ◊
xi P (X = xi ) ≠ 825
200
25
200
1050
200
250
200
= 54 = 1.25
4125 125 36750 41000
x2i P (X = xi ) 200 200 200 200
= 205
2. Le gain moyen est : E (X) = 1.25
(a) La variance est V (X) = 205 ≠ 1.252 = 203.4375
Ò Ô
(b) L’écart type est ‡(X) = V (X) = 203.4375 = 14.2631
4. La fonction de répartition(On utilise Cumul des P (X = xi )).
Y
_
_
_0, si x < ≠5
_
_
] 165 ,si ≠ 5 Æ x < 5
F (x) = 200
170
_
_
_
_ 200
, si 5 Æ x < 35
_
[
1, si 35 Æ x.
( Je vous encourage à tracer la
courbe de cette fonction).

On suppose qu’à la naissance d’un enfant, la probabilité d’avoir une fille est égale
à celle d’avoir un garçon. On choisit au hasard une famille de trois enfants sans
naissance multiple. On note Y la variable aléatoire égale au nombre de garçon parmi
les enfants de la famille.
1. Déterminer la loi de probabilité de Y .
2. Déterminer le nombre moyen de naissance.
Solution:
1. La loi de probabilité de Y . Soient les événements :
G="Avoir un garçon à la naissance" et F ="Avoir un fille à la naissance"
Dans ce cas, l’univers est :
= {GGG, GGF, GF G, GF F, F GG, F GF, F F G, F F F } .
Ceci donne :
1
• 3 garçons pour GGG : Donc Y = 3 et P (Y = 3) = 8
• 2 garçons pour chacun des résultats :GGF , GF G , F GG : Donc Y = 2
et P (Y = 2) = 38
• 1 garçons pour chacun des résultats : F F G, F GF GF F : Donc Y = 1 et
P (Y = 1) = 38
1
• 0 garçon pour chacun des résultats : F F F : Donc Y = 0 et P (Y = 0) = 8
Donc Y œ {0; 1; 2; 3} et on obtient la loi de probabilité de Y .
Y = xi 0 1 2 3 Total
1 3 3 1
P (Y = xi ) 8 8 8 8
1
Pour répondre aux questions, je complète le tableau suivant et j’obtiens :
Y = xi 0 1 2 3 Total
1 3 3 1
P (Y = xi ) 8 8 8 8
1
1 4 1 7 8
Cumul des P (Y = xi ) 8 8
= 2 8 8
=1 ◊
3 6 3 12
xi P (Y = xi ) 0 8 8 8 8
= 32 = 0.5
3 12 9 24
x2i P (Y = xi ) 0 8 8 8 8
=3
2. Le nombre moyen de naissance : E (Y ) = 1.5
(a) La variance est V (Y ) = 3 ≠ 1.52 = 0.75
Ò Ô
(b) L’écart type est ‡(Y ) = V (Y ) = 0.75 = 0.866
4. La fonction de répartition(On utilise Cumul des P (Y = xi )).

Y
_
_
_0, si x < 0
_
_ 1
_
]8,
_
_ si 0 Æ x < 1
F (x) = 12 , si 1 Æ x < 2
_
_
_ 7
_
_
_ 8
, si 2 Æ x < 3
_
_
[
1, si 3 Æ x.
( Je vous encourage à tracer

la courbe de cette fonction).

On considère une variable aléatoire X dont la loi de probabilité est donnée dans
le tableau ci-dessous
xi ≠1 2 a
pi 0.5 0.2 0.3
On sait que E (X) = 1.4.
1. Calculer la valeur du nombre réel a

Solution:
1. Calculons la valeur du nombre réel a. Pour cela, déterminons E (X) en fonction
de a.
xi ≠1 2 a T otal
pi 0.5 0.2 0.3 1
xi pi ≠0.5 0.4 0.3a 0.3a ≠ 0.1
Donc E (X) = 0.3 ≠ 0.1. Puisque E (X) = 1.4. Il suffit de résoudre l’équation
0.3a ≠ 0.1 = 1.4.
1.5
0.3a ≠ 0.1 = 1.4 … 0.3a = 1.4 + 0.1 = 1.5 … a = =5
0.3
Conclusion : la valeur du nombre réel a est 5.

xi ≠1 2 5 T otal
pi 0.5 0.2 0.3 1
Cumul des pi 0.5 0.7 1 ◊
2
xi pi 0.5 0.8 7.5 8.8
(a) La variance est V (Y ) = 8.8 ≠ 1.42 = 6.84
Ò Ô
3. La fonction de répartition(On utilise Cumul des pi ).

Y
_0,
_
_ si x < ≠1
_
_
]0.5, si ≠ 1 Æ x < 2
F (x) =
_
_
_
_
0.7, si 2 Æ x < 5
_
[
1, si 5.


On considère une variable aléatoire X dont la loi de probabilité est donnée dans le
tableau ci-dessous
xi ≠1 2 a
pi 0.5 0.2 0.3
1. Calculer la valeur du nombre réel a

Solution:
1. Calculons la valeur du nombre réel a. Pour cela, déterminons E (X) en fonction
de a.
xi ≠1 2 a T otal
pi 0.5 0.2 0.3 1
xi pi ≠0.5 0.4 0.3a 0.3a ≠ 0.1
Donc E (X) = 0.3 ≠ 0.1. Puisque E (X) = 1.4. Il suffit de résoudre l’équation
0.3a ≠ 0.1 = 1.4.
1.5
0.3a ≠ 0.1 = 1.4 … 0.3a = 1.4 + 0.1 = 1.5 … a = =5
0.3
Conclusion : la valeur du nombre réel a est 5.

xi ≠1 2 5 T otal
pi 0.5 0.2 0.3 1
Cumul des pi 0.5 0.7 1 ◊
2
xi pi 0.5 0.8 7.5 8.8
Ò Ô

Y
_0,
_
_ si x < ≠1
_
_
]0.5,si ≠ 1 Æ x < 2
F (x) =
_
_
_
_
0.7, si 2 Æ x < 5
_
[
1, si 5.

On considère une variable aléatoire X dont la loi de probabilité est donnée dans le
tableau ci-dessous
xi ≠5 ≠2 8
pi 0.2 b c
1. Déterminer les nombres réels b et c

Solution:
1. Déterminons les nombre réels b et c.
(a) Déterminons E (X) en fonction de b et c.
xi ≠5 ≠2 8 T otal
pi 0.2 b c 0.2 + b + c
xi pi ≠1 ≠2b 8c ≠1 ≠ 2b + 8c
Donc E (X) = ≠1 ≠ 2b + 8c.
Puisque E (X) = 1.4. Il suffit de résoudre l’équation ≠1 ≠ 2b + 8c = 1.4,
c’est à dire ≠2b + 8c = 1.4 + 1 = 2.4. Soit ≠b + 4c = 1.2.
(b) Utilisons 0.2 + b + c = 1 car la somme des probabilité est 1. Soit b + c =
1 ≠ 0.2 = 0.8.
Y
]≠b + 4c = 1.2 (1)
(c) Nous obtenons : (S)
[b + c = 0.8 (2)
(d) Résolvons le système (S)
2
i. (1) + (2) implique : 5c = 1.2 + 0.8 = 2. Soit c = 5
= 0.4 (3)
ii. (3) dans (2) implique : b = 0.8 ≠ c = 0.8 ≠ 0.4 = 0.4

4
Conclusion : b = 5
= 0.4 et c = 0.4.

xi ≠2 ≠5 8 T otal
pi 0.2 0.4 0.4 1
Cumul des pi 0.2 0.6d 1 ◊
x2i pi 0.8 10 25.6 36.4
Ò Ô
Y
_
_
_0, si x < ≠2
_
_
]0.2,si ≠ 2 Æ x < ≠5
F (x) =
_
_
_
_
0.6, si ≠ 5 Æ x < 8
_
[
1, si 8 Æ x.

Une urne contient sept boules : une rouge, deux jaunes et quatre vertes. Un joueur
tire au hasard une boule. Si elle est rouge, il gagne 10 euro, si elle est jaune, il perd
5 euro, si elle est verte, il tire une deuxième boule de l’urne sans avoir replacé la
première boule tirée. Si cette deuxième boule est rouge, il gagne 8 euro, sinon il perd
4 euro.
1. Construire un arbre pondéré représentant l’ensemble des éventualités de ce
jeu.
2. Soit X la variable aléatoire associant à chaque tirage le gain algébrique du
joueur (une perte est comptée négativement).
(a) Établir la loi de probabilité de la variable X.
(b) Calculer l’espérance de la variable X.
(c) Calculer la variance et l’écart-type de la variable X.
(d) Les conditions de jeu restent identiques. Indiquer le montant du gain algé-
brique qu’il faut attribuer à un joueur lorsque la boule tirée au deuxième
tirage est rouge, pour que l ?espérance de X soit nulle.
Solution:

1. Construire un arbre pondéré représentant l’ensemble des éventuali-

tés de ce jeu.
Soient
R="obtenir une boule rouge"
J="obtenir une boule jaune"
V ="obtenir une boule verte"
Donc
Ó Ô
= R, J, V R, V R
Soit X la variable aléatoire associant à chaque tirage le gain algébrique

du joueur (une perte est comptée négativement).
1. Établir la loi de probabilité de la variable X.
X = xi -5 -4 8 10 T otal
2 4
pi 7 7 ◊ 56 = 10
21
4
7 ◊ 1 2
6 = 21
1
7 1
xi pi ≠ 10
7 ≠ 40
21
16
21
10
7 ≠ 24
21
50 160 128 100 738
x2i pi 7 21 21 7 21
2. E (X) = ≠ 24
21
1 22
738
3. V (X) = 21
≠ ≠ 24
21
= 33, 8367 et (X) = 8, 8169
4. On reprend le tableau précédent avec un gain inconnu a lorsque la boule tirée
au deuxième tirage est rouge
X = xi -5 -4 a 10 T otal
2 4
pi 7 7 ◊ 56 = 10
21
4
7 ◊ 1 2
6 = 21
1
7 1
xi pi ≠ 10
7 ≠ 40
21
2a
21
10
7
2a≠40
21
Donc
2a ≠ 40
E (X) = .
21
L’espérance de X soit nulle : ceci
2a ≠ 40
E (X) = 0 ≈∆ =0
21
≈∆ 2a ≠ 40 = 0
≈∆ a = 20.
D’où, le montant du gain algébrique qu’il faut attribuer à un joueur lorsque la boule
tirée au deuxième tirage est rouge, pour que l’espérance de X soit nulle, est 20 euros

On considère un dé rouge et un dé vert, cubique, équilibrés. Le dé rouge comporte :

deux faces numérotées ≠1 ; deux faces numérotées 0 ; deux faces numérotées 1. Le
dé vert comporte : une face numérotées 0 ; trois faces numérotées 1 ; deux faces
numérotées 2. On jette les deux dés successivement et on s’intéresse à la somme des
nombres obtenus. On note X est la variable aléatoire donnant la somme des nombres
obtenus.
1. Déterminer la loi de probabilité de la variable X.
2. Définir F , la fonction de répartition de la variable X et construire sa repré-
sentation graphique.
3. Calculer l’espérance de la variable X.
4. Calculer la variance et l’écart-type de la variable X.
Solution:
Dé rouge \ Dé vert 0 1 1 1 2 2
-1 -1 0 0 0 1 1
-1 -1 0 0 0 1 1
0 0 1 1 1 2 2
0 0 1 1 1 2 2
1 1 2 2 2 3 3
1 1 2 2 2 3 3
Donc
X( ) = {≠1, 0, 1, 2, 3}

X = xi -1 0 1 2 3 T otal
2 8 12 10 4
pi 36 36 36 36 36 1
2 12 20 12 42 7
xi pi ≠ 36 0 36 36 36 36 = 6
2 12 40 36 90 5
xi pi 36 0 36 36 36 =1 36 = 2

Y
_0,
_
_ si x < ≠1
_
_ 2
_
_
_ , si ≠ 1 Æ x < 0
_ 26
_
_
] 10 , si 0 Æ x < 1
F (x) = _ 36
22
_
_
_ 36
, si 1 Æ x < 2
_ 32
_
_
_
_ 36
, si 2 Æ x < 3
_
_
[ 36 = 1, si 3 Æ x
36
La courbe représentative de cette

fonction est :

3. L’espérance de la variable X est : E (X) = 76 .

4. La variance et l’écart-type de la variable X est :
3 42
5 7
V (X) = ≠ = 1.138889
2 6
Ò
et son écart-type vaut : (X) = V (X) = 1.067187.
Un jeu consiste à lancer quatre fois successivement un pièce de monnaie équilibré.

A chaque lancer, on note la face obtenue.
Première partie :
1. Construire un arbre de probabilité représentant cette expérience aléatoire.
2. En admettant que les sorties de cette expérience sont équiprobables, donner
la probabilité d’un événement élémentaire.
Deuxième partie :
On associe à chaque sortie de cette expérience aléatoire un gain :
le gain est de 0 euro si le côté face n’apparait pas ;
le gain est de 1 euro si le côté face apparait 1 fois ;
1. Associer à chaque événement élémentaire le gain qui lui est associé.
2. A chaque sortie de cette expérience, on note X le gain obtenu.
L’événement "le gain obtenu est égal à 4 euro se note {X = 4}.
L’événement "le gain est supérieur ou égal à 4 euro" se note {X Ø 4}.
Déterminer les probabilités des événements ci-dessous
1. {X = ≠10}. 3. {X = 4}.
2. {X = 10}. 4. {X Ø 4}.
Troisième partie :
1. Compléter le tableau ci-dessous :
k 0 1 2 4 10
P (X)

3. Donner l’espérance E (X) de la variable X .

4. Donner la variance V (X) de la variable X.
5. Donner l’écart-type (X) de la variable X.
6. Soit le gain est de x euro si le côté face n’apparait pas. Déterminer x pour que
l’espérance E (X) diminue de 10%.
Solution:
Première partie :
1. Construisons un arbre de probabilité représentant cette expérience aléatoire.
= {P P P P, P P P F, P P F P, P P F F, P F P P, P F P F, P F F P, P F F F,
F P P P, F P P F, F P F P, F P F F, F F P P, F F P F, F F F P, F F F F }
et Card( ) = 16
2. Un événement élémentaire est un élément de . Par exemple : P P P P . La
probabilité de cet évènement est :
1 1 1 1 1
◊ ◊ ◊ = .
2 2 2 2 16
Remarque : Vous pouvez vérifier que, quelque soit l’évènement élémentaire,
1
on a une probabilité de 16 .
Deuxième partie :
1. On associe à chaque sortie de cette expérience aléatoire un gain :
• 0 euro si P P P P ;
• 1 euro si P P P F, P P F P, P F P P, F P P P ;
• 2 euro si P P F F, P F P F, P F F P, F P P F, F P F P, F F P P ;
• 4 euro si P F F F, F P F F, F F P F, F F F P ;
• 10 euro si F F F F .
2. Calcul de probabilités
(a) P (X = ≠10) = 0. Car aucun résultats ne donne ≠10 euro

1
(b) P (X = 10) = 16 . Car, nous avons 1 résultat parmi 16 qui donnent 10
euro
4
(c) P (X = 4) = 16 = 14 . Car, nous avons 4 résultats parmi 16 qui donnent 4
euro
(d)
P (X Ø 4) = P (X = 4) + P (X = 10)
1 4
= +
16 16
5
=
16
Troisième partie
1. Le tableau complété
k 0 1 2 4 10 Total
1 4 1 6 3 4 1 1
P (X) 16 16
= 4 16
= 8 16
= 4 16
1
2. Définissons la F , la fonction de répartition de la variable X.
Y
_0,
_
_ si x < 0
_
_
_1,
_ si 0 Æ x < 1
_
_ 16
_
_
]5, si 1 Æ x < 2
F (x) = 16
11
_
_
_
_ 16
, si 2 Æ x < 4
_ 15
_
_
_
_ 16
, si4 Æ x < 10
_
_
[1, si 10 Æ x
Je vous laisse construire
la représentation graphique.
3. L’espérance E (X) = 4.375.

4. La variance V (X) = 2.484.
5. L’écart-type (X) = 1.576.
6. Soit le gain est de x euro si le côté face n’apparait pas. Dans ces cas le nouveau
espérance est
1 4 6 4 1
E (X) = x ◊ +1◊ +2◊ +4◊ + 10 ◊
16 16 16 16 16
x + 42
16
Déterminons x pour que E (X) diminue de 10%, c’est à dire
E (X) = E (X) ≠ 10%E (X) = (1 ≠ 10%)E (X) = 0.9 ◊ E (X)
Donc
x + 42
= 0.9 ◊ 4.375 = 3.9375, =∆ x= 28 euro.
16

Dans un salon de coiffure pour femme, le coloriste propose aux clients qui viennent
pour une coupe deux prestations supplémentaires :
– une coloration naturelle à base de plantes qu’il appelle "couleur-soin"
– des mèches blondes pour donner du relief à la chevelure, qu’il appelle "effet
coup de soleil"
Ce coloriste a fait le bilan suivant sur ces prestations :
– 40% des clients demandent une "couleur-soin"
– parmi celles qui n’en veulent pas, 30% des clients demandent un "effet coup
de soleil".
– de plus, 24% des clients demandent les deux à la fois.
On considère une de ces clientes. On note :
C l’événement "la cliente souhaite une "couleur-soin".
M l’événement "la cliente souhaite un "effet coup de soleil".
Les résultats seront arrondis au millième.
1. Donner la probabilité de M fl C.
2. Calculer la probabilité de M sachant C notée PC (M ).
3. Construire un arbre pondéré qui illustre la situation.
4. Calculer la probabilité que la cliente ne souhaite ni une "couleur-soin", ni un
"effet coup de soleil"
5. Montrer que la probabilité de l’événement M est égale à 0.42.
6. Les événements C et M sont-ils indépendants ?
7. Une "couleur-soin" coûte 35 euros et un "effet coup de soleil" coute 40 euros.
(a) Recopier et compléter le tableau suivant donnant la loi de probabilité du
gain en euros du coloriste par client
xi 75 40 35 0 Total
pi 0.24 0.42
(b) Donner l’espérance E de cette loi.
(c) Combien le coloriste doit-il facturer la réalisation d’un "effet coup de
soleil" pour que l’espérance de gain par client augment de 15%
(d) Donner la variance V de cette loi.
(e) Donner l’écart-type de cette loi.
Solution:
1. La probabilité de M fl C : P (M fl C) = 0.24
2. Calculons la probabilité de M sachant C notée PC (M ).
P (M fl C) 0.24
PC (M ) = = = 0.6
P (C) 0.4
3. Arbre pondéré qui illustre la situation.

4. Calculons la a probabilité que la cliente ne souhaite ni une "couleur-soin", ni

un "effet coup de soleil"
1 2
P M fl C = 0.6 ◊ 0.7 = 0.42
5. Montrons que la probabilité de l’événement M est égale à 0.42.

1 2
P (M ) = P (M fl C) + P M fl C
= 0.6 ◊ 0.3 + 0.24 = 0.42
6. Les événements C et M sont-ils indépendants ?

Remarque : Les événements C et M sont indépendants si et seulement si
P (M fl C) = P (M ) P (C)
P (M ) ◊ P (C) = 0.4 ◊ 0.42 = 0.168 ”= 0.24 = P (M fl C)
D’où, les événements C et M ne sont pas indépendants.

7. Une "couleur-soin" coûte 35 euros et un "effet coup de soleil" coute 40 euros.
Donc pour le choix d’une cliente, nous avons
C fl M donne 35 + 40 = 75 euro avec une probabilité 0.24
(a) Le tableau complété
xi 75 40 35 0 Total
pi 0.24 0.18 0.16 0.42
(b) L’espérance E de cette loi est
E = 0.24 ◊ 75 + 0.18 ◊ 40 + 0.16 ◊ 35 + 0.42 ◊ 0 = 30.8 euro
(c) Soit x ce coût de la réalisation d’un "effet coup de soleil". Avec ce nouveau
prix, l’espérance devient :
0.24(x + 35) + 0.18(x) + 0.16 ◊ 35 + 0.42 ◊ 0 = 0.42x + 14
L’espérance de gain par client augment de 15%. Donc
0.42x + 4 = 30.8 + 15% ◊ 30.8 = 1.15 ◊ 30.8 = 35.075

Par résolution de cette equation, nous obtenons :

31.075
0.42x = 35.075 ≠ 4 = 31.075 … x = = 73.988
0.42
D’où , il faudrait que la réalisation d’un "effet coup de soleil" coûte 73.99
euro.
(d) La variance Var(X) de cette loi est
Var(X) = 0.24 ◊ 752 + 0.18 ◊ 402 + 0.16 ◊ 352 + 0.42 ◊ 0 ≠ 30.82
= 885.36
(e) L’écart-type de cette loi est
Ò Ô
= Var(X) = 885.36 = 29.755
3.2 Épreuve de Bernoulli et Schéma de Bernoulli

3.2.1 Épreuve de Bernoulli
Définition 3.2.1 Une épreuve de Bernoulli est une expérience aléatoire ayant deux
issues :
– le succès S, avec une probabilité p ;
– l’échec E, avec une probabilité q = 1 ≠ p.
On définit une variable aléatoire de Bernoulli en posant
Y
]1 si succès
X=
[0 si échec
On dit que X suit la loi de Bernoulli de paramètre p, et on note X ≥ B(1, p).
Propriété 3.2.2
Y
]P(X
= 1) = p
• La loi de probabilité de X est donnée par [
P(X = 0) = 1 ≠ p
• E(X) = p ;
• Var(X) = p(1 ≠ p) ;
Remarque : Cette loi modélise l’issue d’une expérience où l’on s’intéresse qu’au "
succès " ou à l’" échec" de l’expérience.
3.2.2 Schéma de Bernoulli

On arrive à une partie intéressante car on la retrouve souvent dans les exercices.
Tout d’abord sache qu’il y a
– une ÉPREUVE de Bernoulli
– un SCHÉMA de Bernoulli,
"fait attention à bien faire la différence".
Commençons par le commencement :

2.2.2.1 Retour à l’épreuve de de Bernoulli

. Une épreuve de de Bernoulli est une épreuve où il y a 2 issues :
– succès
– échec.
Exemple 3.2.3
1. A pile ou face, on peut dire que pile est un succès, et face un échec. Lancer
une pièce est donc une épreuve de Bernoulli.
2. Avec un dé, on peut dire que obtenir un 6 est un succès, et obtenir un autre
chiffre un échec. Donc, un lancer de dé correspond à une épreuve de
Bernoulli.
Il y a alors deux 2 quantités importantes :

– p, qui est la probabilité de succès,
– q, qui est la probabilité d’échec.
Remarque : Comme il n’y a que deux (2) possibilités et que la somme des proba-
bilités vaut 1, on a donc : p+q=1. c’est-à-dire q=1-p.
Ainsi, il suffit de donner la valeur de p, et on a automatiquement la

valeur de q.
Exemple 3.2.4 Si p = 0,6, alors q = 1 - 0,6 = 0,4.
2.2.2.2 Schéma de Bernoulli

• On peut alors avoir des variables aléatoires que l’on dit distribuées selon des
épreuves de Bernoulli.
• Mais on peut aussi répéter plusieurs fois de suite cette expérience, par exemple
n fois de suite : c’est ce qu’on appelle un schéma de Bernoulli.
– Un schéma de Bernoulli, c’est quand on répète n fois de suite DE FAÇON
INDÉPENDANTE une épreuve de Bernoulli, tout simplement.
Exemple 3.2.5
1. A pile ou face, on peut dire que pile est un succès, et face un échec. Lancer
n fois une pièce est donc un un schéma de Bernoulli.
Remarque : Nous verrons dans la suivante suivante qu’une variable aléatoire peut
bien sûr suivre un schéma de Bernoulli, et on compte le nombre de succès : c’est ce
qu’on appelle une loi binomiale.

3.2.3 Épreuve de Bernoulli et Schéma de Bernoulli : AT-

TENTION !
1. Pour une ÉPREUVE de Bernoulli il n’y a qu’un seul paramètre :
– la probabilité de succès p.
2. Pour un SCHÉMA de Bernoulli, il y a 2 paramètres :
– la probabilité de succès p.
– le nombre de fois que l’on répète l’expérience, n .
3. Pour parler de loi binomiale, on met l’accent sur le fait que les événements
devaient être INDÉPENDANTS.
– Généralement il n’y a pas de piège à ce niveau là, mais il faut absolument
que tu justifies !
– En effet, parfois tu dois prouver que c’est une loi binomiale. Il faut alors
que tu dises « comme on répète n fois une épreuve de Bernoulli de pa-
ramètre p et que les événements sont INDÉPENDANTS, X suit une loi
binomiale de paramètres n et p ». N’oublie pas ce petit détail, car
ainsi le correcteur verra que tu as bien compris le cours.
3.2.4 Loi binomiale B(n, p),n œ Nú , p œ ]0; 1[

Soient n œ Nú et p œ]0; 1[. On considère un schéma de Bernoulli de paramètres
n et p. C’est-à-dire la répétition de n épreuves de Bernoulli indépendantes de para-
mètre p. On définit alors la v.a. X associée au nombre de succès obtenus. Dans ce
cas, on dit que X suit la loi binomiale de paramètres n et p, et on note X ≥ B(n, p).
• La loi de probabilité de la variable X est donnée par :
Pour tout i œ {0, 1, 2, ..., n} , P(X = i) = Cnp pi (1 ≠ p)n≠i
• E(X) = np
• Var(X) = np(1 ≠ p)
Cette loi modélise une succession de "succès" et d’"échec". p étant la probabilité du
succès.
3.2.5 Travaille en autonomie

Soit X ≥ B(1, p). Montrons que E(X) = p et Var(X) = p(1-p).
Solution: Les valeurs différentes valeurs de X sont 0 et 1. On détermine la loi de

Probabilités de X et on calcule les produits xi pi et x2i pi :
X = xi 1 0 T otal
pi p 1≠p 1
xi pi p 0 p
x2i pi p 0 p

On obtient alors :
– E(X) = p = p
– Var(X) = p ≠ E(X)2 = p ≠ p2 = p(1-p)
1. Un joueur lance une pièce qui n’est pas équilibré dont la probabilité d’obtenir
le cote face est de 0, 63. Quel est la probabilité d’obtenir le coté pile ?
On souhaite étudier certain événements issus de quatre lancer de cette pièces.

On admet que ces lancers sont indépendants entre eux.
Remarque :
Les événements P ≠ P ≠ F ≠ P et
P ≠ F ≠ P ≠ P sont des issues diffé-
rentes de cette expérience aléatoire
mais chacune d’elle réalise le même
nombre de piles et que de faces.
2. (a) Combien d’issus correspondent à l’obtention de 3 côtes faces et 1 côté

pile ?
(b) Quel est la probabilité d’une issue contenant 3 côtés faces et 1 côté pile ?
(c) En déduire la probabilité d’obtenir 3 côtés faces au cours de ce jeu.
3. (a) Parmi les calculs suivants, lequel représente la probabilité d’une issue
contenant exactement 2 côtés faces :
i. (1 ≠ 0, 63)2 ; iii. 0, 633 ◊ (1 ≠ 0, 63) ;

ii. 0, 632 ◊ (1 ≠ 0, 63)2 ; iv. 0, 63 ◊ (1 ≠ 0, 63)3 .
(b) Déterminer la probabilité d’obtenir 2 côtés faces au cours de ce jeu.
Solution:
1. La probabilité d’obtenir le côte pile est 1 ≠ 0, 63 = 0, 37.
2. (a) Les issus correspondent à l’obtention de 3 côtes faces et 1 côté pile sont
P ≠ P ≠ P ≠ F; P ≠ P ≠ F ≠ P; P ≠ F ≠ P ≠ P; F ≠P ≠P ≠P .
Donc le nombre d’issus est 4.

(b) La probabilité d’une issue contenant 3 côtés faces et 1 côté pile est
0, 63 ◊ 0, 63 ◊ 0, 63 ◊ 0, 37 = 0, 633 ◊ 0, 37 = 0, 0925.
(c) La probabilité d’obtenir 3 côtés faces au cours de ce jeu est
4 ◊ 0, 633 ◊ 0, 37 = 4 ◊ 0, 0925 = 0, 370.

3. (a) Parmi les calculs, celui qui représente la probabilité d’une issue contenant
exactement 2 côtés faces est ii. 0, 632 ◊ (1 ≠ 0, 63)2 .
(b) Déterminons la probabilité d’obtenir 2 côtés faces au cours de ce jeu est
6 ◊ 0, 632 ◊ (1 ≠ 0, 63)2 = 6 ◊ 0, 632 ◊ 0, 372 = 0, 326 .
Dans un jeu issu d’une expérience aléatoire, on ne considère que deux issues : le
succès (S) à ce jeu et l’échec (E). La probabilité du succès est de 0, 15.
1. Voici l’arbre de choix correspondant à cette répétition d’expérience ;

(a) Déterminer la probabilité de l’événement A : "le joueur a gagné exacte-
ment 3 fois".
(b) Déterminer la probabilité de l’événement B : "le joueur a gagné exacte-
ment 2 fois".
2. Voici l’arbre de choix correspondant à cette répétition d’expérience.
Déterminer la probabilité de l’événement C : "le joueur a gagné exactement 3

fois".
Solution:
1. (a) Déterminons la probabilité de l’événement A : "le joueur a gagné exacte-
ment 3 fois".
P (A) = 4 ◊ 0, 153 ◊ (1 ≠ 0, 15) = 4 ◊ 0, 153 ◊ 0, 85 = 0, 011475 .
(b) Déterminons la probabilité de l’événement B : "le joueur a gagné exacte-

ment 2 fois".
P (B) = 6 ◊ 0, 152 ◊ (1 ≠ 0, 15)2 = 6 ◊ 0, 152 ◊ 0, 852 = 0, 09753 .

2. Voici l’arbre de choix correspondant à cette répétition d’expérience.
Déterminons la probabilité de l’événement C : "le joueur a gagné exactement

3 fois".
P (C) = 10 ◊ 0, 153 ◊ (1 ≠ 0, 15)2 = 10 ◊ 0, 153 ◊ 0, 852 = 0, 024384 .
Voici les arbres de choix associés à la répétition d’une épreuve de Bernoulli respec-
tivement 3 et 4 fois.
1. Pour la répétition trois fois de l’épreuve de Bernoulli. Tableau est complété

est
Nombre de succès 0 1 2 3
Nombre d’issues . . . . . . . . . . . .
2. (a) Pour la répétition trois fois de l’épreuve de Bernoulli. Compléter le ta-
bleau ci-dessous :
Nombre de succès 0 1 2 3 4
Nombre d’issues . . . . . . . . . . . . . . .
(b) Y a-t-il une méthode pour obtenir le second tableau à partir du premier ?
Solution:
1. Pour la répétition trois fois de l’épreuve de Bernoulli. Compléter le tableau
ci-dessous :
Nombre de succès 0 1 2 3
Nombre d’issues 1 3 3 1
2. (a) Pour la répétition trois fois de l’épreuve de Bernoulli. Tableau complété
est :
Nombre de succès 0 1 2 3 4
Nombre d’issues 1 4 6 4 1

(b) Oui, il y a une méthode pour obtenir le second tableau à partir du premier.
Par exemple :
– 4 = 1+3 c’est à dire la somme de la deuxième et de la première colonne
du premier tableau.
– 6 = 3+3 c’est à dire la somme de la deuxième et de la troisième colonne
du premier tableau.
On considère une urne contenant 6 boules rouges et 4 boules bleus indiscernable

au toucher.
1. On tire une boule au hasard dans cet urne. Quelle est la probabilité d’obtenir
une boule rouge ?
On decide de tirer successivement trois boules. On remet à chaque fois la boule

dans l’urne (on dit que le tirage se fait avec rouge).
2. On considère le schéma de Bernoulli issu de cette répétition où le succès est
associé à l’événement " avoir tiré une boule rouge"
(a) Quels sont les paramètres de ce schéma de Bernoulli ?
(b) Construire l’arbre représentant cette situation.
(c) Combien d’événement élémentaires réalisent l’événement "avoir tiré 2
boules rouges"
Solution: (A faire ensemble en classe)
1. On considère l’arbre de choix ci-dessus issu de la répétition quatre fois d’une

épreuve de Bernoulli :
Déterminer les coefficients binomiaux ci-dessous :

1 2 1 2
4 4
(a) 2
(b) 3
2. A l’aide de la calculatrice, déterminer la valeur des coefficients binomiaux

suivants :
1 2 1 2 1 2 1 2
5 12 8 7
(a) 3
(b) 5
(c) 6
(d) 2
Solution:

1 2
Rappel : Pour tous les entiers naturels n et p avec n Ø p : n
p
= Cnp . qui donne le
nombre d’issus ayant p succès parmi n (nombre d’épreuves)
1 2
4
1. a) 2
= 6 car nous avons 6 événements élémentaires qui contiennent 2
succès (voir graphique)
1 2
4
b) 3
= 4 car nous avons 4 événements élémentaires qui contiennent 3
succès (voir graphique)
2) Ces résultats peuvent être obtenus en utilisant la calculatrice. Par exemples :
1 2 1 2
5 8
a) 3
= C53 = 10 c) 6
= C86 = 28
1 2 1 2
12 7
b) 5
= C12
5
= 792 d) 2
= C72 = 21
Soit X une variable aléatoire suivant une loi binomiale de paramètre n = 35 et

p = 0, 34. Déterminer la valeur exacte puis la valeur approché à 10≠5 de chacune
des probabilités suivantes :
1. P (X = 5) 2. P (X = 10) 3. P (X = 20)
Solution: Rappel : Si X est une variable aléatoire suivant une loi de binomiale
de paramètres n = 35 et p = 0.34. Alors
P (X = k) = C35
k
0.34k (1 ≠ 0.34)35≠k = C35
k
0.34k 0.6635≠k
Donc
1. P (X = 5) = C35
5
0.345 0.6635≠5 = C35
5
0.345 (0.66)30 = 0.0057
2. P (X = 10) = C35
10
0.3410 0.6635≠10 = C35
10
0.3410 0.6625 = 0.1167
3. P (X = 20) = C35
20
0.3420 0.6635≠20 = C35
20
0.3420 0.6615 = 0.0027
Un joueur dispose d’un dé cubique équilibré dont les faces sont numérotés de 1
à 6. A chaque lancer, il gagne s’il obtient 2, 3, 4, 5 ou 6. Il perd s’il obtient 1.
Un partie est constituée de 5 lancer du dé successif et indépendants.
Déterminer la probabilité exacte pour que le joueur perde 3 fois au cours d’une
partie, pus sa valeurs arrondie au centième près

Solution:
Rappel : (Pour justifier que X suit une loi binomiale) : « comme on répète n fois
une épreuve de Bernoulli de paramètrep et que les événements sont INDÉPEN-
DANTS, X suit une loi binomiale de paramètres n et p »
i) Comme on répète n = 5 fois une épreuve de Bernoulli de paramètre p = 16
et que les événements sont INDÉPENDANTS, X suit une loi binomiale de
paramètres n = 5 et p = 16 .
ii) Dans ce cas la loi de probabilité de X est :
3 4k 3 45≠k 3 4k 3 45≠k
1 1 1 5
P (X = k) = C5k 1≠ = C5k
6 6 6 6
Donc, la probabilité exacte pour que le joueur perde 3 fois au cours d’une partie
3 43 3 45≠3 3 43 3 42
1 5 1 5
P (X = 3) = C53 = C53 ¥ 0.03
6 6 6 6
On considère la variable aléatoire suivant la loi binomiale de paramètres n = 15 et

p = 0.63.
1. A l’aide de la calculatrice, déterminer les coefficients binomiaux
1 2 1 2 1 2
15 15 15
(a) 13
(b) 14
(c) 15
2. A l’aide de la calculatrice, donner la valeur arrondie à 10≠4 près des probabilités

suivantes :
(a) P (X = 13) (b) P (X = 14) (c) P (X = 15)
3. En déduire la valeur, arrondie à 10≠4 près, de la probabilité de l’événement

{X Æ 12}.
Solution: On considère la variable aléatoire suivant la loi binomiale de paramètres

n = 15 et p = 0.63. Donc la loi de probabilité de la variable aléatoire X est
P (X = k) = C15
k
(0.63)k (1 ≠ 0.63)15≠k = C15
k
(0.63)k (0.37)15≠k .
1. Déterminations de coefficients binomiaux à l’aide de la calculatrice.

1 2 1 2 1 2
15 15 15
(a) 13
= 105 (b) 14
= 15 (c) 15
=1
2. Déduisons la probabilité de l’événement {X Æ 12}.
P (X Æ 12) = 1 ≠ P (X > 12) = 1 ≠ [P (X = 13) + P (X = 14) + P (X = 15)]
Avec
– P (X = 13) = C15
13
(0.63)13 (0.37)15≠13 = 0.03540136

– P (X = 14) = C15
14
(0.63)14 (0.37)15≠14 = 0.008611141
– P (X = 15) = C15
15
(0.63)15 (0.37)15≠15 = 0.0009774808
Nous obtenons
P (X Æ 12) = 1 ≠ [0.03540136 + 0.008611141 + 0.0009774808]

= 0.95501
soit 0.9550
On considère la variable aléatoire X suivant une loi binomiale de paramètre n = 5

et p = 0, 5.
1. A l’aide de la calculatrice et en arrondissant les valeurs à 10≠4 près, dresser le
tableau présentant la loi de probabilité de la variable aléatoire X.
2. Tracer le diagramme en barre représentant la loi de la variable aléatoire X.
Solution:
1. Le tableau présentant la loi de probabilité de la variable aléatoire X.
Nombre de succès ... ... ... ... ... ... ...
Nombre d’issues ...... ...... ...... ...... ...... ...... ......
2. Le diagramme en barre représentant la loi de la variable aléatoire X.
On considère la variable aléatoire X suivant une loi binomiale de paramètre n = 5

et p = 0, 37.
1. A l’aide de la calculatrice et en arrondissant les valeurs à 10≠4 près, dresser le
tableau présentant la loi de probabilité de la variable aléatoire X.
2. Tracer le diagramme en barre représentant la loi de la variable aléatoire X.

Solution:
1. Le tableau présentant la loi de probabilité de la variable aléatoire X.
Nombre de succès ... ... ... ... ... ... ...
Nombre d’issues ...... ...... ...... ...... ...... ...... ......
2. Le diagramme en barre représentant la loi de la variable aléatoire X.
Des deux représentations ci-dessous et sans justification, donner celle qui représente
la loi d’une variable aléatoire X suivant la loi binomiale de paramètre n = 10 et
p = 0, 3.
Solution: En s’appuyant sur les représentations des exercices représentants, la re-

présentation 2 est la représentation graphique de la loi d’une variable aléatoire X
suivant la loi binomiale de paramètres n = 10 et p = 0.3.
Remarque : La représentation 1 est la représentation graphique de la loi d’une
variable aléatoire X suivant la loi binomiale de paramètres n = 10 et p > 0.5.
On considère une variable aléatoire X suivant la loi binomiale de paramètre n = 15

et p = 0, 63. On donnera la valeur exacte de chacune es probabilités demandées
1. Déterminer les probabilités suivantes :

(a) P (X = 0) (b) P (X = 1) (c) P (X = 5)
2. Donner la probabilité de l’événement {X Ø 14}
Solution: On considère une variable aléatoire X suivant la loi binomiale de para-

mètre n = 15 et p = 0.63. Alors
P (X = k) = C15
k
(0.63)k (1 ≠ 0.63)15≠k = C15
k
(0.63)k (0.37)15≠k
(a) P (X = 0) = C15
0
(0.63)0 (0.37)15≠0 = 0.3715 .
(b) P (X = 1) = C15
1
(0.63)1 (0.37)15≠1 = 15 ◊ 0.63(0.37)14 = 9.45 ◊ 0.3714
c) P (X = 5) = C15
5
(0.63)5 (0.37)15≠5 = 3003 ◊ (0.63)5 (0.37)10 .
2. La valeur de la probabilité de l’événement {X Ø 14}
P (X Ø 14) = P (X = 14) + P (X = 15)
Or
14
P (X = 14) = C15 (0.63)14 (0.37)15≠14
15
P (X = 15) = C15 (0.63)15 (0.37)15≠15
Donc
14
P (X Ø 14) = C15 (0.63)14 (0.37)15≠14 + C15
15
(0.63)15 (0.37)15≠15
= 5.55(0.63)14 + (0.63)15
= 6.18(0.63)14
On suppose qu’une variable aléatoire X suit une loi binomiale de paramètres n = 8

et p = 0, 37. Déterminer la valeur de la probabilités P (3 Æ X Æ 7) arrondie au
centième près.
Solution:
On suppose qu’une variable aléatoire X suit une loi binomiale de paramètre
n = 8 et p = 0.37. Alors
P (X = k) = C8k (0.37)k (1 ≠ 0.37)8≠k = C8k (0.37)k (0.63)8≠k
Calculons la probabilité P (3 Æ X Æ 7).

˙ Première méthode
P (3 Æ X Æ 7) = P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6) + P (X = 7)
Or

– P (X = 3) = C83 (0.37)3 (0.63)8≠3 = 0.2815114

– P (X = 4) = C84 (0.37)4 (0.63)8≠4 = 0.2066651
– P (X = 5) = C85 (0.37)5 (0.63)8≠5 = 0.09709979
– P (X = 6) = C86 (0.37)6 (0.63)8≠6 = 0.02851343
– P (X = 7) = C87 (0.37)5 (0.63)8≠7 = 0.004784567
Donc
P (3 Æ X Æ 7) = 0.2815114 + 0.2066651 + 0.09709979 + 0.02851343 + 0.004784567

= 0.6185743
soit 0.62
˙ Deuxième méthode
P (3 Æ X Æ 7) = 1 ≠ [P (X = 0) + P (X = 1) + P (X = 2) + P (X = 8)]
Or
– P (X = 0) = C80 (0.37)0 (0.63)8≠0 = 0.02481558
– P (X = 1) = C81 (0.37)1 (0.63)8≠1 = 0.1165938
– P (X = 2) = C82 (0.37)2 (0.63)8≠2 = 0.2396651
– P (X = 8) = C88 (0.37)8 (0.63)8≠8 = 0.0003512479
Donc
P (3 Æ X Æ 7) = 1 ≠ [0.02481558 + 0.1165938 + 0.2396651 + 0.0003512479]

= 0.6185743 soit 0.62
On suppose qu’une variable aléatoire X suit une loi binomiale de paramètre n = 5

et p = 0, 6.
1. A l’aide de la calculatrice, dresser un tableau représentant la loi de la variable
X avec les probabilités arrondis au millième près.
2. En déduire les probabilités suivantes arrondis au centième près :
(a) P (X Æ 1) ; (b) P (X > 1).
Solution: On suppose qu’une variable aléatoire X suit la loi binomiale de para-

mètre n = 5 et p = 0.6. Alors
P (X = k) = C5k (0.6)k (1 ≠ 0.6)5≠k = C5k (0.6)k (0.4)5≠k
1. Tableau de loi de probabilités de X. Pour simplifier, nous posons :
pk = P (X = k) = C5k (0.6)k (0.4)5≠k
xk 0 1 2 3 4 5 T otal
pk 0.01 0.077 0.23 0.346 0.259 0.078 1

(a) P (X Æ 1) = P (X = 0)+P (X = 1). Or d’après la question 1), nous avons

– P (X = 0) = 0.01.
– P (X = 1) = 0.077 .
Donc, P (X Æ 1) = 0.01 + 0.077 = 0.087.
(b)
P (X > 1) = 1 ≠ P (X Æ 1) = 1 ≠ 0.087 = 0.913
Un vaccin est en phase de test sur une population de 100 individus. 30 d’entre eux
réagissent avec ce vaccin avec de fortes fièvres. Chaque phase de test est effectué
sur un groupe de 5 individus choisis au hasard et indépendamment entre chaque
test. Notons X la variable aléatoire qui associe à chaque phase de test le nombre
d’individu ayant eu une réaction avec de fortes fièvres.
1. Justifier que la variable aléatoire X suit une loi binomiale dont on précisera
les valeurs des paramètres.
2. Déterminer la probabilité pour que 2 individus aient réagi au vaccin avec de
la fièvre sur une phase de test.
3. Sur une phase de test, quelle est la probabilité qu’au moins 4 individus aient
réagi avec de la fièvre.
Solution:
1. Justifions que X suit une loi binomiale.
– Un vaccin est en phase de test sur une population de 100 individus. 30 d’entre
eux réagissent avec ce vaccin avec une forte fièvre. Donc, la probabilité
30
d’avoir une forte fièvre est p = 100 = 0.3.
– Chacun phase de test est effectué sur un groupe de 5 individus choisir au
hasard et indépendamment entre chaque test. Donc les événements sont
INDÉPENDANTS.
On répète alors n = 5 fois une épreuve de Bernoulli de paramètre p = 0.3
dont les événements sont INDÉPENDANTS. Ainsi, X suit une loi binomiale
de paramètres n = 5 et p = 0.3. Dans ce cas la loi de probabilité de X est :
P (X = k) = C5k (0.3)k (1 ≠ 0.3)5≠k = C5k (0.3)k (0.7)5≠k
2. Déterminons la probabilité que 2 aient réagi au vaccin avec une forte fièvre
sur une phase de test.
P (X = 2) = C52 (0.3)2 (0.7)5≠2 = 0.3087
3. Déterminons la probabilité qu’au moins 4 aient réagi au vaccin avec une forte
fièvre sur une phase de test.
P (X Ø 4) = P (X = 4) + P (X = 5)
Avec

– P (X = 4) = C54 (0.3)4 (0.7)5≠4 = 0.02835 .

– P (X = 4) = C55 (0.3)5 (0.7)5≠5 = 0.00243
Nous obtenons
P (X Ø 4) = 0.02835 + 0.00243 = 0.03078
Dix personnes postulent pour un emploi dans une entreprise. Les études de leurs
candidatures sont faites indépendamment les unes des autres. On désigne par X la
variable aléatoire donnant le nombre de personnes recrutées parmi les 10 personnes.
On sait que 38% des candidats ont été recrutés.
1. Justifier que X suit une loi binomiale de paramètre n = 10 et p = 0, 38.
2. Calculer la probabilité qu’au moins une des dix personnes soit recrutées. On
donnera la valeur exacte puis une valeur du résultat arrondie à 10≠3 près.
Solution:
1. Justifions que X suit une loi binomiale de paramètres n = 10 et p = 0.38
– Le nombre de personnes recrutées est 10. Donc n = 10.
– On sait que 38% des candidats ont été recrutés. Donc la probabilité d’être
recrutée est p = 38% = 0.38.
– Les études des candidatures sont faites indépendamment les unes des autres.
Donc les événements sont indépendants.
Ainsi, On répète n = 10 fois une épreuve de Bernoulli de paramètre p =
0.38 et les événements sont indépendants. Donc X suit une loi binomiale de
paramètres n = 10 et p = 0.38. Dans ce cas la loi de probabilité de X est :
P (X = k) = C10
k
(0.38)k (1 ≠ 0.38)10≠k = C10
k
(0.38)k (0.62)10≠k
2. Déterminons la probabilité qu’au moins une des 10 personnes soit recrutée.
P (X Ø 1) = 1 ≠ P (X = 0)
Avec
0
P (X = 0) = C10 (0.38)0 (0.62)10≠0 = 0.6210
Nous obtenons
P (X Ø 1) = 1 ≠ 0.6210 = 0.991607 soit 0.992
3.3 Loi géométrique et loi de poison

3.3.1 Loi géométrique G(p), p œ ]0; 1[
• Comme pour le schéma de la loi binomiale, on considère des épreuves de Ber-
noulli indépendantes et de paramètre p.

• Le nombre d’épreuves n’est pas fixé à l’avance : on s’arrête lorsque le succès

est obtenu pour la première fois.
• Ainsi, le caractère aléatoire n’est pas le nombre de succès, mais le nombre
d’épreuves :
X="nombre d’épreuves nécessaires au 1er succès".
Si X est une v.a. à valeurs dans N telle que décrite ci-dessus, on dit que X suit une
loi géométrique de paramètre p. On note : X ≥ G(p)
• La loi de probabilité de la variable aléatoire X est
P(X = i) = p(1 ≠ p)i≠1 pour tout i œ Nú .
1
• E(X) = .
p
1≠p
• Var(X) = .
p2
Cette loi modélise une série d’"échec" suivie du premier "succès".
3.3.2 Loi de Poisson P(⁄), ⁄ > 0

On dit que la variable aléatoire X sur l’espace probabilisé ( , A, P) suit une loi
de Poisson de paramètre ⁄ si et seulement si
⁄k
P(X = k) = e≠⁄ pour tout k œ N. (3.1)
k!
On note X ≥ P(⁄)
Si X ≥ P(⁄). Alors
• E(X) = ⁄.
• Var(X) = ⁄.
Cette loi discrète fréquemment utilisée en modélisation, en particulier pour les files
d’attente.
3.3.3 Théorème d’approximation

Pour n assez grand et p proche de 0, la loi binomiale B(n, p) peut être approxi-
mée par la loi de Poisson P(⁄), avec ⁄ = np.
En pratique : si X est une variable aléatoire suivant la loi binomiale B(n, p)

avec n Ø 0, p Æ 0, 1 et np Æ 15, on peut approximer la loi de X par la loi de Poisson
de paramètre np.
C’est ce théorème qui justifie le fait que la loi de Poisson est utilisée comme mo-
dèle de certaines expériences aléatoires (nombre de clients entrant dans un magasin,
nombre de coquilles dans une page de journal,...).
Remarque :
La loi de Poisson est aussi appelée loi des évènements rares.

3.3.4 travail en autonomie

Une urne contient 1 boule blanche et 99 boules noires. On fait 300 tirages avec
remise. On considère X la v.a. égale au nombre de fois que l’on a tiré la boule
blanche.
1. Déterminer la loi de X.
2. Trouver une approximation de la loi de X
Solution:
1
1. La loi de X. X suit une loi binomiale de paramètre n = 300 et p = 100
= 0.01
1
2. Approximation de la loi de X. Puisque n = 300 Ø 30, p = 100 = 0.01 Æ 0.1
et np = 300 ◊ 0.01 = 3 < 15, on peut approximer la loi de X par la loi de
Poisson de paramètre ⁄ = np = 3.
3.4 Point a retenir et bibliographie

3.4.1 Point a retenir
Variables aléatoires et lois de probabilités
Une variable aléatoire est une application, qui à une éventualité fait correspondre
un nombre généralement, mais tu comprendras mieux au fur et à mesure avec des
exemples.
Prenons un exemple justement. Supposons que l’on a un dé. On définit la variable

aléatoire X ainsi :
si l’on obtient 1 ou 2, on gagne 2 euros, donc X vaut +2
si l’on obtient 3 ou 4, on ne gagne rien, donc X vaut 0
si l’on obtient 5 ou 6, on perd 3 euros, donc X vaut ≠3.
X correspond ici au gain algébrique. « Algébrique » signifie que le gain est

négatif quand on perd, et positif quand on gagne. On peut résumer la situation par
un tableau :
valeur du dé {1; 2} {3; 4} {5; 6}
X +2 0 -3
On définit alors une LOI DE PROBABILITÉ, qui correspond à la probabilité

d’obtenir chacune des valeurs de X, donc +2, 0 et ≠3.
Quand on te demande de déterminer la loi de probabilité d’une variable aléatoire

X il faut donc :
1. déterminer toutes les valeurs que peut prendre X, que l’on note x1 , x2 , x3 , . . .

2. Pour chaque valeur, déterminer la probabilité : p1 , p2 , . . . que l’on note aussi

P (X = x1 ), P (X = x2 ), . . ..
Ici on est dans le cas ci-dessus où tous les événements (1; 2; 3; 4; 5; 6) ont la même
2 1
probabilité d’être tirés. On a donc P (X = 2) = P ({1; 2}) = = .
6 3
De même :
2 1 2 1
P (X = 0) = P ({3; 4}) = = et P (X = ≠3) = P ({5; 6}) = = .
6 3 6 3
On peut donc compléter notre tableau :
valeur du dé {1; 2} {3; 4} {5; 6}
X +2 0 -3
1 1 1
P (X = x)
3 3 3
Et voilà, on a déterminé notre loi de probabilité ! C’est tout simplement la dernière
ligne, où on a toutes les probabilités pour chaque valeur de X. Ici c’est un cas par-
1
ticulier, ce sont toutes les mêmes probabilités : .
3
Une petite remarque au passage : pour dire toutes les possibilités de X, on le
note comme pour un ensemble, avec des accolades, mais on note X ( ). Dans notre
exemple, X ( ) = {≠3; 0; +2}. Si possible, remets les valeurs dans l’ordre croissant
comme ici, c’est toujours mieux d’écrire {≠3; 0; +2} que {+2; ≠3; 0}.
Ce qui est important c’est que tu retiennes la méthode pour déterminer une loi
de probabilité : déterminer toutes les valeurs possibles que peut prendre la variable
aléatoire, puis la probabilité de chacune de ces valeurs.
Une propriété très importante : Si X ( ) = {x1 , . . . , xn }, la somme des pro-

babilités pour une variable aléatoire vaut 1 ! ! ! ! : P (X = x1 ) + P (X = x2 ) + . . . +
1 1 1
P (X = xn ) = 1 Dans notre exemple c’est bien le cas, puisque + + = 1.
3 3 3
Cette propriété a deux utilités :
˝ Tout d’abord pour vérifier si ce que l’on a trouvé est juste. On additionne toutes
les probabilités et on voit si ça vaut 1. Attention cependant, ce n’est pas parce
que ça vaut 1 que c’est juste, mais si ça ne vaut pas 1, c’est FORCEMENT
FAUX ! !. A ce moment-là il faut chercher où tu as fait une erreur.
˝ Deuxième utilisation : calculer une probabilité !
Imaginons que X puisse valoir 5, 6 ou 7, et que l’on sait que P (X = 5) = 12
et P (X = 7) = 13 , et que l’on cherche P (X = 6). On dit tout simplement :
P (X = 5) + P (X = 6) + P (X = 7) = 1.
Donc P (X = 6) = 1 ≠ P (X = 5) ≠ P (X = 7). Et voilà, on a trouvé P (X = 6)
sans avoir à trouver une autre méthode. L’inconvénient c’est que si on s’est
trompé à P (X = 5) ou P (X = 7), P (X = 6) est faux. N’utilise donc cette mé-
thode que si tu es certain des résultats que tu as trouvés avant.

Il est fondamental que tu t’entraînes avec ces exercices sur les variables aléatoires
voir exercices d’applications page ) pour être au point sur la méthode et les calculs
à effectuer.
Espérance et variance/écart-type
L’espérance, c’est en gros ce qu’on peut ESPÉRER obtenir EN MOYENNE
comme résultat à la fin de l’expérience. Si on reprend l’exemple au dessus avec le
dé, l’espérance de X correspond au gain moyen que l’on a en lançant le dé.
Il y a bien sûr une formule pour l’espérance de X, que l’on note E (X) : Si on a
X ( ) = {x1 , . . . , xn },alors E (X) = x1 P (X = x1 ) + . . . + xn P (X = xn ). Reprenons
notre exemple de tout à l’heure : X ( ) = {≠3, 0, +2}. Alors :
E (X) = ≠3 ◊ P (X = ≠3) + 0 ◊ P (X = 0) + 2 ◊ P (X = 2)
1 1 1
≠3◊ +0◊ +2◊
3 3 3
≠1
= .
3
L’espérance est de ≠1/3, donc négative, ce qui est logique vu que l’on perd
plus d’argent qu’on ne gagne et qu’il y autant de possibilités de perdre, gagner, ou
n’avoir rien du tout. Vérifie toujours la cohérence du résultat avec la situation, ça
peut t’aider à vérifier si tu t’es trompé ou pas. L’espérance de ≠1/3 signifie que
EN MOYENNE, si on joue un très grand nombre de fois, c’est comme si on avait
perdu ≠1/3 d’euros à chaque partie.
En plus de l’espérance, on peut calculer la variance de X, notée V (X). La formule

est la suivante
V (X) = [x1 ≠ E (X)]2 P (X = x1 ) + . . . + [xn ≠ E (X)]2 P (X = xn ) .
Comme tu le vois c’est un peu horrible, mais en fait c’est la même formule qu’au-
dessus sauf qu’on remplace xi par [xi ≠ E (X)]2 . Il y a alors une autre formule pour
calculer plus facilement la variance :
V (X) = x21 P (X = x1 ) + . . . + x2n P (X = xn ) ≠ [E (X)]2 .
On va utiliser cette formule pour calculer la variance de l’exemple ci-dessus :

3 42
2 2 ≠1 2 25
V (X) = (≠3) ◊ P (X = ≠3) + (0) ◊ P (X = 0) + (2) ≠ = .
3 9
Avec la deuxième formule c’est plus rapide, et ce n’est pas si long que ça.
Remarquons au passage que la variance est toujours positive car c’est une somme
de valeurs positives (d’après la première formule).
La variance en elle-même n a pas beaucoup d’importance, c’est l’écart-type qui

est intéressant. Il est noté ‡ (prononcer sigma) et a tout simplement pour formule :

Ò
‡ (X) = V (X). L’écart-type représente la dispersion autour de la moyenne. Avec
un petit exemple ce sera plus simple. On va prendre le dernier contrôle de ta classe.
Supposons que la moyenne soit de 12, et que l’écart-type soit de 2. Cela signifie que
la majorité des notes sont entre 12 ≠ 2 et 12 + 2, donc la plupart des élèves ont entre
10 et 14.
A noter que dans le cas où l’on a des lois particulières (comme la loi discrète
usuelle), il y a une formule toute faite très simple pour l’espérance et la variance,
donc pas besoin de longs calculs.
Épreuve de Bernoulli et loi binômiale

On arrive là à une partie intéressante car on la retrouve souvent dans les exer-
cices. Tout d’abord sache qu’il y a une ÉPREUVE de Bernoulli et un SCHÉMA de
Bernoulli, fait attention à bien faire la différence.
Commençons par le commencement : une ÉPREUVE de Bernoulli, c’est une

épreuve où il y a 2 issues : succès, ou échec.
– A pile ou face, on peut dire que pile est un succès, et face un échec. Lancer
une pièce est donc une épreuve de Bernoulli.
– Avec un dé, on peut dire que obtenir un 5 est un succès, et obtenir un autre
chiffre un échec. Dans ce cas-là, un lancer de dé correspond à une épreuve de
Bernoulli.
Il y a alors 2 paramètres : p, qui est la probabilité de succès, et q, qui est la proba-
bilité d’échec. Comme il n’y a que 2 possibilités et que la somme des probabilités
vaut 1, on a donc : p + q = 1. c’est-à-dire q = 1 ≠ p. Ainsi, il suffit de donner la
valeur de p, et on a automatiquement la valeur de q. Par exemple, si p = 0, 6, alors
q = 1 ≠ 0, 6 = 0, 4.
On peut alors avoir des variables aléatoires que l’on dit distribuées selon des
épreuves de Bernoulli. Mais on peut répéter plusieurs fois de suite cette expérience,
n fois de suite : c’est ce qu’on appelle un schéma de Bernoulli. Un schéma de
Bernoulli, c’est donc quand on fait n fois de suite DE FAÇON INDÉPENDANTE
une épreuve de Bernoulli, tout simplement. Une variable aléatoire peut bien sûr
suivre un schéma de Bernoulli, et on compte le nombre de succès : c’est ce qu’on
appelle une loi binomiale.
ATTENTION !
• Pour une ÉPREUVE de Bernoulli il n’y a qu’un paramètre (la probabilité de
succès p).
• Mais un SCHÉMA de Bernoulli (ou loi binomiale), il y a 2 paramètres : p, et
n, le nombre de fois que l’on répète l’expérience.
• Pour que l’on puisse avoir une loi binomiale, on met l’accent sur le fait que
les événements devaient être INDÉPENDANTS. Généralement il n’y a pas
de piège à ce niveau là, mais il faut absolument que tu justifies !. En effet,
parfois tu dois prouver que c’est une loi binomiale. Il faut alors que tu dises «

comme on répète n fois une épreuve de Bernoulli et que les événements sont
INDÉPENDANTS, X suit une loi binomiale ». N’oublie pas ce petit détail, car
ainsi le correcteur verra que tu as bien compris le cours.
Complémentaire
Nous avons parlé dans le cours du complémentaire : nous allons voir ici comment
l’utiliser. Tout d’abord : ATTENTION !
˝ Le contraire (ou complémentaire) de Ø est <,
˝ de même que le contraire de Æ est > ! ! !
˝ Ce qu’il faut retenir, c’est que quand il y a le « égal » dans un signe, obliga-
toirement il n’est pas dans l’autre ! !.
Ainsi :
P (X Ø k) = 1 ≠ P (X < k) ;
P (X > k) = 1 ≠ P (X Æ k) ;
P (X Ø k) = 1 ≠ P (X < k) ;
P (X < k) = 1 ≠ P (X Ø k) .
Ce qu’il faut retenir encore : quand il y a AU MOINS..., AU PLUS..., PLUS

DE... , MOINS DE..., EXACTEMENT... dans la question, on passe souvent
par le complémentaire ! De plus,
˝ au moins k veut dire Ø k, donc le complémentaire est : < k ;
˝ au plus k veut dire Æ k, donc le complémentaire est : > k ;
˝ moins de k veut dire < k, donc le complémentaire est : Ø k ;
˝ plus de k veut dire > k, donc le complémentaire est : Æ k.
3.5 Points à retenir et renvoie à la bibliothèque

⌅ Une variable aléatoire est dite discrètes lorsqu’elle est à valeurs dans l’ensemble
N ou une partie de N.
⌅ En dehors des lois usuelles, en fonction du problème posé, l’on peut construire
une variable aléatoire et étudier ses propriétés.

Ces documents, à part [1], peuvent trouver à la bibliothèque de iua.
1. Livres de mathématiques (Première et Terminale),CIAM,
2. Masiéri Walder : Statistique et calcul de probabilités, : travaux pratiques, énon-
cés, et solutions, Dalloz.
3. Tierno oumar sow : probabilité et statistique mathématique, FUPA édition

4. Gerald Baillargeon : Probabilités, statistiques et technique de régression , les

éditions SMCS
5. Esther amicet : Introduction aux probabilités et a la statistique, édition gaetan
morin

S’exerce
Une urne contient sept boules : une rouge, deux jaunes et quatre vertes. Un joueur
tire au hasard une boule. Si elle est rouge, il gagne 10 euro, si elle est jaune, il perd
5 euro, si elle est verte, il tire une deuxième boule de l’urne sans avoir replacé la
première boule tirée. Si cette deuxième boule est rouge, il gagne 8 euro, sinon il perd
4 euro.
1. Construire un arbre pondéré représentant l’ensemble des éventualités de ce
jeu.
2. Soit X la variable aléatoire associant à chaque tirage le gain algébrique du
joueur (une perte est comptée négativement).
(a) Établir la loi de probabilité de la variable X.
(b) Calculer l’espérance de la variable X.
(c) Calculer la variance et l’écart-type de la variable X.
(d) Les conditions de jeu restent identiques. Indiquer le montant du gain algé-
brique qu’il faut attribuer à un joueur lorsque la boule tirée au deuxième
tirage est rouge, pour que l ?espérance de X soit nulle.
On considère un dé rouge et un dé vert, cubique, équilibrés.

Le dé rouge comporte : deux faces numérotées ≠1 ; deux faces numérotées 0 ;
deux faces numérotées 1.
Le dé vert comporte : une face numérotées 0 ; trois faces numérotées 1 ; deux
faces numérotées 2.
Les élèves de baccalauréat d’un centre de formation se répartissent selon les trois
enseignements de spécialité : mathématiques, arabe et anglais. Nous savons de plus
que : 37% des candidats ont choisi mathématiques ; 25% des candidats ont choisi
l’anglais ; 21% des candidats ont choisi mathématiques et ont obtenu le baccalau-
réat ; 32.5% des candidats ont choisi l’arabe et ont obtenu le baccalauréat. De plus,
parmi les candidats ayant choisi l’anglais, 72, 5% ont obtenu le baccalauréat.
On interroge un candidat pris au hasard. On note : M l’évènement "le candidat a

choisi mathématiques" ; S l’évènement "le candidat a choisi l’arabe" ; L l’évènement
"le candidat a choisi l’anglais" ; R l’évènement "le candidat a obtenu le baccalauréat".
On pourra faire un arbre pour faciliter la réponse aux questions. Les résultats
seront arrondis au millième.

1. Traduire en termes de probabilités les informations numériques données ci-

dessus.
2. (a) Déterminer la probabilité pour que ce candidat ait choisi l’arabe.
(b) Déterminer la probabilité pour que ce candidat ait choisi l’anglais et ait
réussi aux épreuves du baccalauréat.
3. Quelle est la probabilité pour que ce candidat ait choisi l’anglais et ait échoué
au baccalauréat ?
4. Ce candidat a choisi mathématique. Quelle est la probabilité qu’il n’ait pas
obtenu le baccalauréat ?
5. Montrer que le pourcentage de réussite au baccalauréat pour des candidats de
l’arabe dans cette école est 71.6%.
6. On interroge successivement au hasard et de façon indépendante 10 candidates.
(a) Quelle est la probabilité qu’au moins l’un d’entre eux soit reçu ?
(b) Quelle est la probabilité que deux candidats sur dix (10) exactement
soient reçus ?
Ce tableau donne la répartition des 100 employés d’une entreprise en fonction de

leur salaire (en millions de Francs), noté Sa, et le nombre d’ancienneté (en années),
noté Na, dans cette entreprise.
Na \ Sa. 80 à 100 100 à 150 150 à 200 200 à 250 250 à 300
Moins de 5 6 5 4 7 3
5 à 10 4 3 2 5 1
10 à 15 8 6 4 10 2
15 à 20 5 4 4 7 2
plus de 20 2 2 1 2 1
¸ Partie 1 : Quelle est la probabilité de choisir au hasard :

1. Un employé dont le salaire est compris entre 200 000 et 250 000 ?
2. Un employé qui a plus de 20 ans d’expérience ?
¸ Partie 2 : Au cours d’une enquête statistique, 30 employés ont été choisis au
hasard. Soit X la variable aléatoire qui compte les employés, dont le salaire
est compris entre 200 000 et 250 000 parmi les 30 employés choisis.
1. Donner la loi de X.
2. Donner
(a) l’espérance
(b) l’écart type de X
(c) la fonction de répartition de X.
S’exercer 3.5.5

On considère une urne contenant 11 boules. Certaines sont rondes, d’autres carrés.
Certaines sont blanches,d’autres sont rayés. Elles sont représentés ci-dessous :
On suppose qu’en appuyant sur un bouton, les boules sortent au hasard de l’urne.
On vient de constituer une expérience aléatoire suivant la loi d’équiprobabilité.
On associe un gain à chacune des boules de la manière suivante :
¶ Une boule rapporte 1 euro alors qu’un carré rapporte 2 euro.
¶ De plus, si l’élément est rayé, le gain est augmenté de 1 euro.
Cette association d’une valeur à chaque évènement élémentaire constitue une va-
riable aléatoire. Notons la X.
1. Déterminer la loi de probabilité de la variable X lorsque le contenu de l’urne
est représenté ci-dessous :
2. Déterminer la loi de probabilité de la variable X lorsque le contenu de l’urne

est représenté ci-dessous :
S’exercer 3.5.6
Un jeu consiste à lancer quatre fois successivement un pièce de monnaie équilibré.

A chaque lancer, on note la face obtenue.
1. (a) Construire un arbre de probabilité représentant cette expérience aléatoire.
(b) En admettant que les sorties de cette expérience sont équiprobables, don-
ner la probabilité d’un événement élémentaire.
On associe à chaque sortie de cette expérience aléatoire un gain :
le gain est de 0 euro si le côté face n’apparait pas ;
2. Associer à chaque événement élémentaire le gain qui lui est associé.
3. A chaque sortie de cette expérience, on note X le gain obtenu.
L’événement "le gain obtenu est égal à 4 euro se note {X = 4}.
L’événement "le gain est supérieur ou égal à 4 euro" se note {X Ø 4}.
Déterminer les probabilités des événements ci-dessous
(a) {X = 10}.
(b) {X = 4}.
(c) {X Ø 4}.
4. Compléter le tableau ci-dessous :

k 0 1 2 4 10
P(X)
S’exercer 3.5.7
Soit X une variable aléatoire dont la loi de probabilité est donnée ci-dessous :
xi 0 1 2 3
P(X = xi ) 0,15 0,24 0,35 0,261
1. Justifier que le tableau ci-dessous représente bien une loi de probabilité.
2. Déterminer les probabilités suivantes :
(a) P(X Ø 2) ;
(b) P(X < 2) ;
(c) P ({X = 1} fi {X = 3})
S’exercer 3.5.8
On lance deux dès bien équilibres. On gagne si la somme des points obtenus est
égale à 7.
1. Démontrer à l’aide d’un tableau à double entrée que la probabilité de gagner
1
est .
6
2. On lance 5 fois de suite deux dés bien équilibres. On suppose que les jets sont
indépendants.
(a) Justifier que le nombre de succès suit une loi binomiale dont on précisera
les paramètres.
(b) En déduire la probabilité de gagner exactement deux fois.
S’exercer 3.5.9
Une urne contient une boule rouge R, une boule verte V et une boule bleue B. On
tire deux boules l’une après l’autre dans l’urne avec remise.
1. (a) Établir l’arbre aux choix associé à cette expérience
(b) Définir l’univers associé à cette expérience. Et donner son cardinal.
(c) Calculer la probabilité d’obtenir un tirage de couleur différente .
(d) Calculer la probabilité d’obtenir un tirage de même couleur .
(e) Calculer la probabilité d’obtenir une boule verte et une boule bleue.
(f) Calculer la probabilité d’obtenir au moins une boule rouge.
(g) Calculer la probabilité d’obtenir exactement deux boules rouges ou des
boules de couleurs différentes.
2. Pour jouer à ce jeu,on mise 1 000F et on considère la règle du jeu suivante :
– pour chaque boule rouge tirée, on gagne 3000 F CFA ;
– pour chaque boule verte tirée, on gagne 1000 F CFA ;
– pour chaque boule bleue tirée, on perd 4 000 F CFA .

On s’intéresse au montant des gains ou des pertes et .

NB : un gain est égale à ce que on gagne au jeu moins (-1 000 F CFA) et une
pertes est un gain négatif
(a) Soit X la variable aléatoire associée à cette expérience, déterminer les
différentes valeurs possible de X.
(b) Donner la loi de probabilité de X.
(c) Calculer l’espérance mathématique E(X) de X. Ce jeu est -il avantageux
à celui qui joue ?
(d) Calculer sa variance Var(X) et l’écart type ‡(X) de X.

S’exercer 3.5.10
L’unique station-service d’une petite localité, situé sur l’axe routier, a fonctionné
toute une journée avec une seule pomme (manuelle) ; les autres étant en panne
jusqu’en fin fin de journée. On suppose qu’en moyenne, 6 automobilistes sont servis
en 1 heure et que le nombre moyen d’arrivé (ou de passage de véhicules à la station
est une variable aléatoire X suivant la loi de Poisson. Quelle sont les probabilités
pour qu’en 20 minutes 2, 3 ou 4 automobilistes soient servis.
S’exercer 3.5.11
Un vendeur de parfum propose ses produits à des agents de bureau d’une ville de la
Côte d’ivoire. Il visite 72 clients par jour et en moyenne 3 personnes sur 10 paient
un parfum, au prix unitaire de 3 000F.
1. On désigne par X la variable aléatoire donnant la nombre de parfums vendus
en une journée.
(a) Quelle est la loi discrète classique suit la variable aléatoire X ? justifier
votre réponse.
(b) L’approximation de la loi de la variable X à une loi de Poison est-elle
possible ? justifier votre réponse.
2. Calculer l’écart type de la variable aléatoire X.
3. Calculer la probabilité pour que ce vendeur ait une recette journalière supé-
rieure ou égale à 24 000F
S’exercer 3.5.12
Ce tableau donne la répartition des 100 employés d’une entreprise en fonction de

leur salaire (en millions de Francs) et le nombre ancienneté (en années) dans cette
entreprise.
Ancienneté \ Salaire 80 à 100 100 à 150 150 à 200 200 à 250 250 à 300
Moins de 5 6 5 4 7 3
5 à 10 4 3 2 5 1
10 à 15 8 6 4 10 2
15 à 20 5 4 4 7 2
plus de 20 2 2 1 2 1
1. Quelle est la probabilité de choisir au hasard :

(a) Un employé dont le salaire est compris entre 200 000 et 250 000 ?
(b) Un employé qui a plus de 20 ans d’expérience ?
2. Au cours d’une enquête statistique, 30 employés ont été choisis au hasard.
(a) Soit X la variable aléatoire qui compte les employés, dont le salaire est
compris entre 200 000 et 250 000 parmi les 30 employés choisis. Donner
la loi de X et une approximation d celle-ci

S’exercer 3.5.13
Dans une académie, les élèves candidats au baccalauréat série ES se répartissent

en 2017 selon les trois enseignements de spécialité : mathématiques, science écono-
miques et sociales (SES) et langue vivante. Nous savons de plus que :
37% des candidats ont choisi l’enseignement de spécialité mathématiques.
25% des candidats ont choisi l’enseignement de spécialité langue vivante.
21% des candidats ont choisi l’enseignement de spécialité mathématiques et
ont obtenu le baccalauréat.
32.5% des candidats ont choisi l’enseignement de spécialité SES et ont obtenu
le baccalauréat.
De plus, parmi les candidats ayant choisi l’enseignement de spécialité langue
vivante, 72, 5% ont obtenu le baccalauréat.
On interroge un candidat pris au hasard. On note :
M l’évènement "le candidat a choisi l’enseignement de spécialité mathéma-
tiques" ;
S l’évènement "le candidat a choisi l’enseignement de spécialité sciences éco-
nomiques et sociales" ;
L l’évènement "le candidat a choisi l’enseignement de spécialité langue vi-
vante" ;
R l’évènement "le candidat a obtenu le baccalauréat".
On pourra faire un arbre pour faciliter la réponse aux questions. Les résultats seront
arrondis au millième.
1. Traduire en termes de probabilités les informations numériques données ci-
dessus.
2. (a) Déterminer la probabilité pour que ce candidat ait choisi l’enseignement
de SES.
(b) Déterminer la probabilité pour que ce candidat ait choisi l’enseignement
de spécialité langue vivante et ait réussi aux épreuves du baccalauréat.
3. Quelle est la probabilité pour que ce candidat ait choisi l’enseignement de
spécialité langue vivante et ait échoué au baccalauréat ?
4. Ce candidat a choisi l’enseignement de spécialité mathématique. Quelle est la
probabilité qu’il n’ait pas obtenu le baccalauréat ?
5. Montrer que le pourcentage de réussite au baccalauréat pour des candidats de
ES dans cette académie est 71.6%.
6. On interroge successivement au hasard et de façon indépendante trois candi-
dates.
(a) Quelle est la probabilité qu’au moins l’un d’entre eux soit reçu ?
(b) Quelle est la probabilité que deux candidats sur trois exactement soient
reçus ?

Chapitre 4
Lois de probabilités continues
Dans cette partie, l’univers est un intervalle de R, a et b sont deux réels tels
que a < b.
4.1 Loi continues à densité

4.1.1 Préliminaires
⁄ ⁄ b
• Si I = [a; b], alors f (t)dt désigne f (t)dt.
I a
⁄ ⁄ x
• Si I = [a; +Œ[, alors f (t)dt désigne lim f (t)dt.
I xæ+Œ a
4.1.2 Définitions
Définition 4.1.1 Soit I un intervalle. On appelle densité de probabilité sur I
toute fonction f continue et positive sur I telle que
⁄
f (t)dt = 1.
I
Définition 4.1.2 Soit I un intervalle. On dit qu’une variable aléatoire X, à valeurs

dans I, suit une loi de probabilité de densité f sur I, si pour tout intervalle J
inclus dans I :
⁄
P (X œ J) = f (t)dt.
J
Remarque :
• Une telle variable X est dite continue.
⁄ b
• P (X œ [a; b]) pourra être noté P (a Æ X Æ b) et vaut f (x)dx.
a
• P (a Æ X Æ b) est donc égale à l’aire du domaine compris entre Cf (la courbe
représentative de la fonction f ), l’axe des abscisses et les droites d’équations
x = a et x = b.
89
CHAPITRE 4. LOIS DE PROBABILITÉS CONTINUES 90
4.1.3 Propriétés
Propriété 4.1.3 Soit X une variable aléatoire suivant une loi de probabilité de
densité f sur I.
1. P (X œ I) = 1.
⁄ x0
2. Quel que soit x0 dans R, P (X = x0 ) = f (t)dt = 0.
x0
3. P (X œ [a; b]) = P (X œ ]a; b]) = P (X œ [a; b[) = P (X œ ]a; b[)
Remarque :
ú P (X œ [a; b]) = P (a Æ X Æ b), P (X œ ]a; b]) = P (a < X Æ b), P (X œ [a; b[) =
P (a Æ X < b) et P (X œ ]a; b[) = P (a < X < b).
ú On admet pouvoir étendre certaines propriétés sur les lois de probabilités
discrètes aux loi continues, en particulier
P (X œ J, X œ K)
P(XœJ) (X œ K) =
P (X œ J)
4.1.4 Espérance mathématique, variance, écart type

Définition 4.1.4 On définit l’espérance mathématique d’une loi continue de
densité f , non nulle, uniquement sur un intervalle borné [a; b], par
⁄ b
E (X) = xf (x)dx .
a
Définition 4.1.5 On définit la variance et l’écart type d’une loi continue de

densité f , non nulle, uniquement sur un intervalle borné [a; b], par
⁄ b Ò
Var (X) = x2 f (x)dx ≠ (E (X))2 et (X) = Var (X).
a

1 23
Exercice résolu 4.1.6 Soit f : x ‘æ x
4
pour tout x œ [0; 4].
1. Montrer que f est une densité de probabilité sur I = [0; 4].
2. On considère une variable aléatoire continue X dont la densité
1 23
de probabilité
sur [0; 4] est la fonction f définie sur [0; 4] par : f (x) = 4 .
x
(a) Calculer E (X).

(b) Calculer Var (X).
(c) Déduire (X).
Solution
1. Montrons que f est une densité de probabilité sur I = [0; 4]. Nous avons :
ú f est une fonction polynômiale, donc f est continue sur I.
1 23
ú De plus, pour tout x œ [0; 4], x
4
Ø 0, donc f est positive sur I.

⁄ 4
ú Calculons f (x)dx.
0
⁄ 4 ⁄ 4 3 43 C D4
x 1 ⁄4 3 1 x4 44
f (x)dx = dx = 3 x dx = 3 = 4 =1
0 0 4 4 0 4 4 0 4
⁄ 4
ú Conclusion : f est continue et positive sur I avec f (x)dx = 1, f est
0
donc une densité de probabilité sur I.
2. (a) Calculons E (X).
⁄ 4 ⁄ 4 3 43 C D4
x 1 ⁄4 4 1 x5 45 16
E (X) = xf (x)dx = x dx = 3 x dx = 3 = =
0 0 4 4 0 4 5 0 5◊4 3 5
(b) Calculons Var (X).

⁄ 4 ⁄ 4 3 43 3 4
2 2 16 2 2 x
Var (X) = x f (x)dx ≠ (E (X)) = x dx ≠
0 0 4 5
⁄ 4 C D4 A B
1 16 2
1 x 6
(4 )
2 2
1 46 44 43 44
= 3 x5 dx ≠ 2 = 3 ≠ = 3 ≠ = ≠
4 0 5 4 6 0 25 4 6 25 6 25
3 4
1 4 25 ≠ 6 ◊ 4 25 ≠ 24 43
64
= 43 ≠ = 43 ◊ = 43 ◊ = = .
6 25 6 25 25 25
(c) Déduisons (X).
Û
Ò 64 8
(X) Var (X) = = .
25 5
Exercice résolu 4.1.7 On considère une variable aléatoire continue X dont la den-
sité de probabilité f est définie sur [0; 4] par f (x) = 3x
32
(4 ≠ x).
1. Calculer P (1 Æ X Æ 2). Interpréter graphiquement ce résultat en terme d’aire.
2. Calculer E (X).
3. Calculer Var (X).
4. Déduire (X).
Solution
1. X étant une variable aléatoire continue de densité f sur [0; 4], alors
⁄ 2 ⁄ 2 5 62
3x 3 1
P (1 Æ X Æ 2) = f (x)dx = (4 ≠ x) dx = ≠ x3 + 2x2
1 1 32 32 BB 3 1
A A
3 2 3
1 3
= ≠ + 2 ◊ 22 ≠ ≠ + 2 ◊ 12
32 3 3
3 11 11
= ◊ = .
32 3 32
Graphiquement, P (1 Æ X Æ 2) est égale à l’aire en unité d’aires entre la courbe
Cf et les droites d’équations x = 1, x = 2 et y = 0.

2. Calculons E (X).
⁄ 4 ⁄ 4
3x 3 ⁄ 41 2 2
E (X) = xf (x)dx = x◊ (4 ≠ x) dx = 4x ≠ x3 dx
0 0 32 32 0
C D A B
4 4
3 4x 3
x 3 4◊4 3
4 4
3 44
= ≠ = ≠ = ◊ = 2.
32 3 4 0 32 3 4 32 4 ◊ 3
3. Calculons Var (X).

⁄ 4 ⁄ 4
2 3x
2
Var (X) = x f (x)dx ≠ (E (X)) = x2 ◊
(4 ≠ x) dx ≠ (2)2
0 0 32
C D4
3 ⁄ 41 3 4
2 3 4x4 x5
= 4x ≠ x dx ≠ 4 = ≠ ≠4
32 0 32 4 5 0
A B 3 4
3 4 ◊ 44 45 3 ◊ 45 1 1
= ≠ ≠4= ≠ ≠4
32 4 5 32 4 5
3 ◊ 45 (5 ≠ 4) 3 ◊ 45 3 ◊ 42
= ≠4= ≠4= ≠ 4 = 0, 8.
32 ◊ 4 ◊ 5 32 ◊ 4 ◊ 5 2◊5
4. Déduisons (X).
Ò Ô
(X) Var (X) = 0, 8 = 0, 894.
4.2 Loi uniforme

4.2.1 Définitions
Définition 4.2.1 On appelle loi uniforme sur [a; b], la loi de probabilité dont la
1
densité est la fonction constante égale à sur [a; b]. Cette fonction s’écrit aussi :
b≠a
Y
_ 1
] , si x œ [a; b]
f (x) = b ≠ a .
_
[0 sinon
On note X ≥ U ([a; b]) et sa courbe représentative est donnée par :
Remarque : Cette loi est la loi des phénomènes continus uniformément repartis
sur [a; b]. C’est la loi correspondant au choix d’un nombre au hasard dans [a; b].

4.2.2 Propriétés
Propriété 4.2.2 Si X est une variable aléatoire suivant une loi uniforme sur [a; b]
et [c; d] un intervalle de [a; b], alors
d≠c
P (X œ [c; d]) =
b≠a
Preuve : Si X est une variable aléatoire suivant une loi uniforme sur [a; b], la densité
1
de X est donc la fonction f définie sur [a; b] par : f (x) = . Dans ce cas, nous
b≠a
pouvons avoir :
⁄ d 5 6d
1 x d≠c
P (X œ [c; d]) = dx = = . ⇤
c b≠a b≠a c b≠a
Propriété 4.2.3 Soit X une variable aléatoire suivant une loi uniforme sur [a; b].
L’espérance mathématique de la variable aléatoire X est :
a+b
E (X) =
2
Preuve : Soit X une variable aléatoire suivant une loi uniforme sur [a; b]. La densité
1
de X est donc la fonction f définie sur [a; b] par : f (x) = . Par définition de
⁄ b≠a
b
l’espérance de X : E (X) = xf (x)dx, c’est à dire
a
⁄ b C Db
x 1 x2 b 2 ≠ a2 (b + a)(b ≠ a) b+a
E (X) = dx = = = = . ⇤
a b≠a b≠a 2 a
2(b ≠ a) 2(b ≠ a) 2
Propriété 4.2.4 Soit X une variable aléatoire suivant une loi uniforme sur [a; b].
La variance de la variable aléatoire X est :
(b ≠ a)2
Var(X) =
12
Preuve : Soit X une variable aléatoire suivant une loi uniforme sur [a; b]. La densité
1
de X est donc la fonction f définie sur [a; b] par : f (x) = . Par définition de
⁄ b≠a
b
l’espérance de X : Var (X) = x2 f (x)dx ≠ (E (X))2 , c’est à dire
a
⁄ b A B2 C Db
x2 b+a 1 x3 (b + a)2 b 3 ≠ a3 (b + a)2
Var (X) = dx ≠ = ≠ = ≠
a b≠a 2 b≠a 3 a 22 3(b ≠ a) 4
4 (b ≠ a ) ≠ 3 (b ≠ a) (b + 2ba + a )
3 3 2 2
=
3(b ≠ a) ◊ 4
4b ≠ 4a ≠ 3b3 ≠ 6ab2 ≠ 3a2 b + 3ab2 + 6a2 b + 3a3
3 3
=
12(b ≠ a)
b ≠ 3b a + 3ba ≠ a
3 2 2 3
(b ≠ a)3 (b ≠ a)2
= = = . ⇤
12(b ≠ a) 12(b ≠ a) 12


1
Soit a et b deux réels, avec a < b, et f : x ‘æ b≠a pour tout x œ [a; b]. Montrer que
f est une densité de probabilité sur I = [a; b].
Solution:
– Comme b > a, f est bien continue et positive sur I.

⁄ b
– Calculons f (x)dx.
a
⁄ b ⁄ b
1 1 b≠a
f (x)dx = dx = [x]ba = = 1.
a a b≠a b≠a b≠a
⁄ b
f est continue et positive sur I avec f (x)dx = 1. f est donc une densité de
a
probabilité sur I = [a; b].
Une variable aléatoire X suit la loi uniforme sur l’intervalle [≠5; 5].
1. Calculer les probabilités suivantes :
(a) P (≠2 Æ X Æ 1) ; (b) P (X Æ 3) ; (c) P (X Ø 4, 5).
2. Calculer les probabilités conditionnelles suivantes :
(a) P(XØ0) (≠1 Æ X Æ 3) ; (b) P(XØ3) (X Æ 4).
3. (a) Que vaut l’espérance mathématique de X ?

(b) Que vaut la variance et l’écart type de X ?
Solution:
1 1
1. La densité de probabilité de X est la fonction qui prend la valeur 5≠(≠5) = 10
sur l’intervalle [≠5; 5] et 0 partout ailleurs. Pour tous – et — de l’intervalle
[≠5; 5], nous avons donc
⁄ —
1 1 —≠–
P (– Æ X Æ —) = dx = [x]—– =
– 10 10 10
Nous en déduisons immédiatement :
1 ≠ (≠2) 3
(a) P (≠2 Æ X Æ 1) = = 10 = 0, 3 ;
10
(b) P (X Æ 3) = 3≠(≠5)
10
8
= 10 = 45 = 0, 8 ;
5≠4,5 0,5 1
(c) P (X Ø 4, 5) = 10
= 10
= 20
= 0, 05.

2. On applique ici la définition d’une probabilité conditionnelle, c’est à dire, si

P (A fl B)
A ”= ÿ, PA (B) = .
P (A)
P ((≠1 Æ X Æ 3) fl (X Ø 0)) P (0 Æ X Æ 3)
(a) P(XØ0) (≠1 Æ X Æ 3) = = ;
P (X Ø 0) P (X Ø 0)
5 3
Nous avons P (X Ø 0) = 10 et P (0 Æ X Æ 3) = 10 . D’où
3
3 10 3
P(XØ0) (≠1 Æ X Æ 3) = 10
5 = ◊ = = 0, 6.
10
10 5 5
(b)
P ((X Ø 3) fl (X Æ 4)) P (3 Æ X Æ 4)
P(XØ3) (X Æ 4) = =
P (X Ø 3) P (X Ø 3)
1
1 10 1
= 10
2 = ◊ = = 0, 5.
10
10 2 2
3. (a) D’après la Proposition 4.2.3, l’espérance mathématique de la loi uniforme

sur un intervalle [a; b] est b+a
2
. Nous avons donc E (X) = ≠5+5 2
= 0.
L’espérance mathématique de X est nulle.
(b) D’après la Proposition 4.2.4, la variance de la loi uniforme sur un inter-
2 2
valle [a; b] est (b≠a) . Nous avons donc Var (X) = (5≠(≠5))
2
12 12
= 10
12
= 100
12
=
25 25
3
. La variance de X est Ò
Var (X) = 3 . Puisque, par définition l’écart
Ò Ô
type de X est (X) = Var (X), nous avons : (X) = 25 3
= 533.
4.3 Loi exponentielle

4.3.1 Définitions
Définition 4.3.1 Soit ⁄ un réel stric-
tement positif. La fonction f définie
sur [0; +Œ[ par f (x) = ⁄e≠⁄x est la
densité d’une loi de probabilité ,
appelée loi exponentielle de paramétré
⁄. Cette fonction s’écrit aussi :
Y
]⁄e≠⁄x si x Ø 0
f (x) = [ .
0 si x < 0
On note X ≥ E(⁄) et sa courbe repré-

sentative est donnée par :

Remarque : On rencontre généralement cette loi lorsqu’il s’agit de représenter un

temps d’attente avant l’arrivée d’un événement spécifié. Cette loi modélise aussi la
durée de vie de certains objets ou éléments. Elle présente ma particularité d’être
"sans vieillissement", c’est à dire que, pour tout réels t et h positifs, la probabilité
conditionnelle de (X Ø t + h) sachant (X Ø t) est égale à la probabilité de (X Ø h) :
P(XØt) (X Ø h + t) = P (X Ø h) . En d’autres termes, la probabilité pour un objet
de durer au moins un certain temps t reste la même quel que soit l’"âge" de l’objet.
4.3.2 Propriétés
Propriété 4.3.2 Soit X une variable aléatoire suivant une loi exponentielle de pa-
ramètre ⁄.
1. Pour tout réel t positif : P (X Æ t) = 1 ≠ e≠⁄t et P (X Ø t) = e≠⁄t
2. Pour tous réels positifs t et h, P(XØt) (X Ø h + t) = P (X Ø h) "sans vieillis-
sement".
3. X admet une espérance E (X) définie par : E (X) = ⁄1 .
1
4. X admet une variance Var(X) définie par : Var(X) = ⁄2
.
Preuve : On rappelle que la densité f d’une variable aléatoire suivant une loi ex-
ponentielle est définie pour tout x œ [0; +Œ[ par f (x) = ⁄e≠⁄x .
⁄ t
1. Pour tout t œ [0; +Œ[, P (X Æ t) = ⁄e≠⁄x dx. Or, une primitive de la fonc-
0
tion x ‘æ ⁄e≠⁄x est la fonction x ‘æ ≠e≠⁄x sur l’intervalle [0; +Œ[. Donc
⁄ t Ë Èt
P (X Æ t) = ⁄e≠⁄x dx = ≠e≠⁄x = 1 ≠ e≠⁄t . (4.1)
0 0
Pour tout t œ [0; +Œ[, l’événement (X Ø t) est le complémentaire de l’événe-

ment (X Æ t), donc
1 2
P (X Æ t) = 1 ≠ P (X Æ t) = 1 ≠ 1 ≠ e≠⁄t = e≠⁄t . (4.2)
2. Pour tous t et h :
P ((X Ø t) fl (X Ø h + t))
P(XØt) (X Ø h + t) =
P (X Ø t)
De plus, (X Ø t) fl (X Ø h + t) = (X Ø h + t) puisque [t + h; +Œ[ µ [t; +Œ[

pour tout h Ø 0. Or, d’après (4.1) ci-dessus : P (X Ø t + h) = e≠⁄(t+h) et
P (X Ø t) = e≠⁄t) . Donc
e≠⁄(t+h)
P(XØt) (X Ø h + t) = = P (X Ø h) = e≠⁄h = P (X Ø h) .
e≠⁄t
3. ⁄Comme la fonction x ‘æ x ◊ f (x) est continue sur [0; +Œ[, la fonction x ‘æ

x
t ◊ f (t)dt est la primitive sur [0; +Œ[ de la fonction x ‘æ x ◊ f (x) qui
0
s’annule en 0.

• Montrons d’abord que la fonction F : x ‘æ ≠xe≠⁄x ≠ ⁄1 e≠⁄x + ⁄1 est la

primitive de la fonction x ‘æ ⁄xe≠⁄x sur R+ qui s’annule en 0.
F est dérivable sur R+ et pour tout x dans R+ et pour tout x œ R+
F (x) = ≠e≠⁄x + ⁄xe≠⁄x + e≠⁄x = ⁄xe≠⁄x .

Õ
De plus, F (0) = 0 ◊ e≠⁄◊0 ≠ ⁄1 e≠⁄◊0 + ⁄1 = ≠ ⁄1 + ⁄1 = 0. Ainsi, F est la

primitive sur [0; +Œ[ de x ‘æ ⁄xe≠⁄x qui s’annule en 0.
1
• Montrons que lim F (x) = sur l’intervalle [0; +Œ[.
xæ+Œ Ë⁄ È
On remarque que F (x) = ⁄1 ≠⁄xe≠⁄x ≠ ⁄1 e≠⁄x + ⁄1 .
D’une part, lim (≠⁄x) = ≠Œ, car ⁄ > 0 et lim ueu = 0. Donc, par
xæ+Œ 1 2 uæ≠Œ
composition : lim ≠⁄xe≠⁄x = 0.
xæ+Œ 1 2
D’autre part, lim eu = 0, donc par composition : lim ≠e≠⁄x = 0.
uæ≠Œ xæ+Œ
1
Ainsi par somme, lim F (x) = .
xæ+Œ ⁄
⁄ x
1
Conclusion : On a montré que t⁄e≠⁄t dt = F (x) et que lim F (x) = :
0 xæ+Œ ⁄
⁄ x
1
E (X) = lim t⁄e≠⁄t dt = lim F (x) = . ⇤
xæ+Œ 0 xæ+Œ ⁄

Soit ⁄ un réel strictement positif et f : x ‘æ ⁄e≠⁄x pour tout x œ R+ . Montrer que

f est une densité de probabilité sur l’intervalle I = [0; +Œ[.
Solution:
• ⁄ > 0 et pour tout x œ R+ , e≠⁄x > 0, donc f est bien positive sur I = [0; +Œ[.
• f est bien continue sur I = [0; +Œ[ comme composée de deux fonctions
continues : x ‘æ ⁄ et x ⁄‘æ e≠⁄x .
x
• Montrons que : lim f (t)dt = 1.
xæ+Œ 0
Nous avons, pour tout x > 0,
⁄ x ⁄ x ⁄ x Ë Èx
f (t)dt = ⁄e ≠⁄x
dt = ⁄ e≠⁄x dt = ≠e≠⁄t = 1 ≠ e≠⁄x . (4.3)
0 0 0 0
Comme ⁄ > 0, lim ≠⁄x = ≠Œ, et, d’autre part, lim ex = 0 ; donc par
xæ+Œ xæ≠Œ
composition lim e≠⁄x = 0. Ainsi, d’après (4.3),
xæ+Œ
⁄ x
lim f (t)dt = lim 1 ≠ e≠⁄x = 1.
xæ+Œ 0 xæ+Œ
⁄ x
On a montré que f est positive et continue sur I = [0; +Œ[ avec lim f (t)dt = 1 ;
xæ+Œ 0
c’est donc une densité de probabilité sur I = [0; +Œ[.

Soit X une variable aléatoire suivant une loi exponentielle de paramètre 12 .

1. Donner la densité de la variable aléatoire X.
2. Calculer P (X Æ 4), puis en donner une valeur approchée à 0, 01 près.
3. En déduire P (X > 4).
4. Sachant que (X Ø 2), calculer P (X Ø 4)
Solution:
1. La densité de probabilité d’une variable aléatoire suivant une loi exponentielle
de paramètre 12 est la fonction f définie pour tout x œ [0; +Œ[ par f (x) =
1 ≠ 12 x
2
e .
⁄ 4
2. On sait que P (X Æ 4) = f (x)dx, donc
0
⁄ 4
1 ≠1x Ë 1
È4
P (X Æ 4) = e 2 dx = ≠e≠ 2 x = 1 ≠ e≠2 .
0 2 0
A 0, 001 près, nous avons P (X Æ 4) ¥ 0, 86.

3. Les événements (X Æ 4) et (X > 4) sont contraire dans . Donc
1 2
P (X > 4) = 1 ≠ P (X Æ 4) = 1 ≠ 1 ≠ e≠2 = e≠2 .
4. On cherche P(XØ2) (X Ø 6). Or X suit une loi de durée de vie sans vieillisse-
ment, donc : P(XØ2) (X Ø 6) = P (X Ø 4) d’après le point 2. de la Propriété
4.3.2. De plus X est une variable continue, donc P (X Ø 4) = P (X > 4). D’où,
d’après la question 3., nous obtenons : P(XØ2) (X Ø 6) = e≠2 .
Un matériel électronique a une durée moyenne de vie de 3 000 heures. Sa durée de

vie, en heure, est une variable aléatoire T qui suit une loi exponentielle de paramètre
⁄.
1. Déterminer ⁄.
2. Calculer la probabilité que la matériel tombe en panne avant 2 000 heures
d’utilisation.
3. Calculer la probabilité que la matériel fonctionne encore encore après 4 000
heures d’utilisation.
4. Sachant que le matériel n’a connu aucune défaillance pendant les 3 000 pre-
mières heures d’utilisation, quelle est la probabilité qu’il fonctionne encore
après 7 000 heures ?
Solution:

1. La durée de vie moyenne, établie statistiquement, constitue une bonne esti-

mation de l’espérance mathématique de la variable T . On considérera donc ici
que E (T ) = 3 000. Sachant par ailleurs que T suit une loi exponentielle de
paramètre ⁄, on a E (T ) = ⁄1 . On en déduit alors que ⁄ = 3 000
1
.
2. On cherche la probabilité que la durée de vie du matériel soit inférieur à 2 000
heures, c’est à dire la probabilité de l’événement (T Æ 2 000). Nous avons :
⁄ 2000
1 ≠ 1 x Ë 1
È2000
P (T Æ 2 000) = e 3000 dx = ≠e≠ 3000 x
0 3000 0
1 1 x 2000 2
= 1 ≠ e≠ 3000 ◊e = 1 ≠ e≠ 3000 = 1 ≠ e≠ 3
≠ 3000
Soit encore P (T Æ 2 000) ¥ 0; 264.

3. On doit calculer ici P(T Ø3 000) (T Ø 7 000), c’est à dire
P(T Ø3 000) (T Ø 3 000 + 4 000) .
La loi étant une loi dite "sans vieillissement", nous avons
P(T Ø3 000) (T Ø 7 000) = P (T Ø 4 000)

2
qui a été calculé à la question précédente. Donc P(T Ø3 000) (T Ø 7 000) = e≠ 3
Une étude statistique a montré que la durée de vie en années X d’un disque dur
DD était une variable aléatoire suivant une loi exponentielle et que la durée de vie
moyenne d’un disque dur DD était de 5 ans.
1. Déterminer le paramètre ⁄ de la loi exponentielle suivie par X.
2. Le disque du DD est garanti 2 ans. Quelle proportion, à 10≠3 près, de disque
durs DD sera retournée au fournisseur pour cause de panne ?
3. Calculer P (X Ø 3) et interpréter ce résultat.
4. Sachant qu’un disque dur DD n’est plus sous garantie, quelle est la probabilité,
à 0, 01 près, que sa durée de vie totale dépasse 5 ans ?
Solution:
1. La durée de vie moyenne d’une variable aléatoire suivant la loi exponentielle
de paramètre ⁄ est égale à ⁄1 .Nous avons E (X) = 5, donc ⁄ = 15 .
⁄ 2
1 ≠1x
2. On calcule P (X Æ 2). D’après la question 1., P (X Æ 2) = e 5 dx. Donc
0 5
Ë 1
È2 1 2
P (X Æ 2) = ≠e≠ 5 x = 1 ≠ e≠ 5 ◊2 = 1 ≠ e≠ 5 ¥ 0, 330 à 0, 001 près.
0
Ainsi, le fournisseur aura environ 33%, à 0, 1% près, de retour pour cause de

panne.
1 3
3. P (X Ø 3) = e≠ 5 ◊3 = e≠ 5 . La probabilité que la durée de vie du disque du
3
dépasse 3 ans est égale à e≠ 5 .

4. On cherche P(XØ2) (X Ø 5). La variable aléatoire X suit une loi de durée de

vie sans vieillissement, donc P(XØ2) (X Ø 5) = P (X Ø 3). Donc d’après la
3
question 3. P(XØ2) (X Ø 5) = e≠ 5 .
Exercice résolu 4.3.7 (devoir à rendre)
Un réparateur de vélos a acheté 30% de son stock de pneus à un premier fournis-
seur, 40% à un deuxième et le reste à un troisième. Le premier fournisseur produit
80% de pneus sans défaut, le deuxième 95% et le troisième 85%.
1. Le réparateur prend au hasard un pneu de son stock.
(a) Construire un arbre de probabilité traduisant la situation, et montrer que
la probabilité que ce pneu soit sans défaut est égale à 0, 875.
(b) Sachant que le pneu choisi est sans défaut, quelle est la probabilité qu’il
provienne du deuxième fournisseur ? On donnera la valeur arrondie su
résultat à 10≠3 .
2. On note X la variable aléatoire continue qui donne le nombre de kilométrés
parcourus par un pneu, sans crevaison. On fait l’hypothèse que X suit une loi
exponentielle de paramètre ⁄ > 0.
(a) Montrer que P (500 Æ X Æ 1 000) = e≠500⁄ ≠ e≠1000⁄ .
(b) La probabilité que le pneu parcoure entre 500 et 1 000 kilomètre sans
crevaison étant égale à 14 , déterminer le paramètre ⁄.
4.4 Loi normale N (m; ‡ 2)

4.4.1 Loi normale centrée réduite N (0; 1)
4.4.1.1 Définitions
Définition 4.4.1 La variable aléatoire

X suit la loi normale centrée ré-
duite, notée N (0; 1), si elle admet
pour densité de probabilité la fonction
f définie sur R par
1 x2
f (x) = Ô e≠ 2 , x œ R.
2fi
Remarque :
⁄ y
• La fonction f est continue, positive et on vérifie que f (t)dt vaut 1 lorsque
≠y
y tend vers +Œ. Il s’agit bien d’une densité de probabilité.
⁄ +Œ
1 x2
• Pour tout réel a et b tels que a Æ b, P (a Æ X) = Ô e≠ 2 dx ;
a 2fi
⁄ b ⁄ b
1 ≠ x2 1 x2
P (a Æ X Æ b) = Ô e dx et P (X Æ b) =
2 Ô e≠ 2 dx.
a 2fi ≠Œ 2fi

• Pour tout réel a et b tels que a Æ b,
P (a Æ X Æ b) = P (X Æ b) ≠ P (X Æ a)
• La densité f est paire, donc sa courbe est symétrique par rapport à l’axe des
ordonnée.
• L’aire de la partie du plan situé sous la courbe de f , au dessus de l’axe des
1
abscisses et à droite de l’axe des ordonnées est égale à .
2
• Pour tout réel u, P (X Æ ≠u) = P (X Ø u).
4.4.1.2 Propriétés
Propriété 4.4.2 Soit X une variable aléatoire suivant la loi N (0; 1). L’espérance
mathématique de X vaut E (X) = 0.
Preuve : L’espérance mathématique de X est définie par :

⁄ 0 ⁄ y
E (X) = lim tf (t)dt + lim tf (t)dt.
xæ≠Œ x yæ+Œ 0
On cherche dont dans un premier temps à calculer les intégrales intervenant dans
la définition de E (X). Pour cela il nous faut trouver une primitive de la fonction
2
Ô1 te≠ 2 ≠t2
g : t ‘æ tf (t) = . On observe que g = ≠ Ô12fi u eu avec u(t) = donc
t Õ
2fi 2
1 2Õ
u (t) = ≠t. Or = . Un primitive de g est donc la fonction G définie
Õ ≠1 Õ u ≠1 u
Ô
2fi
ue Ô
2fi
e
sur R par :
1 1 t2
G(t) = ≠ Ô eu(t) = ≠ Ô e≠ 2 .
2fi 2fi
On peut à présent calculer les intégrales intervenant dans la définition de E (X) :
⁄ 0
≠1 1 x2
tf (t)dt = [G(t)]0x = G(0) ≠ G(x) = Ô + Ô e≠ 2
x 2fi 2fi
⁄ y
≠1 2
1
tf (t)dt = [G(t)]y0 = G(x) ≠ G(0) = Ô e≠ 2 + Ô .
y
0 2fi 2fi
x2 y2
Par composition des limites, nous avons lim e≠ 2 = lim e≠ 2 = 0. Ainsi nous
xæ≠Œ yæ+Œ
obtenons :
⁄ 0 ⁄ y
≠1 1
E (X) = lim tf (t)dt + lim tf (t)dt = Ô + Ô = 0. ⇤
xæ≠Œ x yæ+Œ 0 2fi 2fi
Propriété 4.4.3 Soit X une variable aléatoire suivant la loi N (0; 1). L’variance
de X vaut Var (X) = 1.
Preuve : (A faire en exercice)
Remarque : Le 0 et le 1 de la notation N (0; 1) font respectivement référence à

l’espérance et à la variance de la loi normale centrée réduite.

4.4.1.4 Calcul de probabilités : Table de la loi normale

Soit z œ R et X la variable aléatoire de loi N (0; 1) (la surface à gauche de z).
Table de la loi normale nous permet de trouver la valeur de P (X Æ z). Dans la suite,
nous posons (z) = P (X Æ z). Ainsi, pour tout z œ R
⁄ z
1 1 2
(z) = Ô e≠ 2 x dx
≠Œ 2fi
La fonction est appelée fonction de répartition de la loi normale centrée réduite.
Voici quelques exemples illustratifs.
Exemple 4.4.4
On suppose que Z suit la loi N (0; 1) et on veut trouver P (Z Æ 1, 26). Puisque

1, 26 peut s’écrire sous la forme 1, 26 = 1, 20 + 0, 06, on trouve P (Z Æ 1, 26) à
l’intersection de la ligne "1,2" et de la colonne "0,06" de la table précédent. On
obtient P (Z Æ 1, 26) = (1, 26) = 0, 8962. Bref, la surface à gauche de 1, 26 sous la
densité de la loi N (0; 1) est égale à 0, 8962

Exemple 4.4.5
On suppose que Z suit la loi N (0; 1) et on veut trouver P (Z Æ ≠0, 94). En utilisant
le fait que la densité de la loi normale est symétrique et en procédant comme à
l’exemple 4.4.4, nous obtenons
P (Z Æ ≠0, 94) = P (Z Ø 0, 94) = 1 ≠ P (Z Æ 0, 94) = 1 ≠ 0, 8264 = 0, 1736
4.4.1.4 Intervalle associé à une probabilité donnée

Propriété 4.4.6 Soit X une variable aléatoire suivant la loi N (0; 1). Pour tout –
dans ]0; 1[, il existe un unique réel positif u– tel que :
P (≠u– Æ X Æ u– ) = 1 ≠ –.
Remarque : Il n’existe pas de formule exprimant u– en fonction de –. A – donné,

on peut néanmoins approcher u– par des méthodes numériques. Ces valeurs sont
disponibles dans les tableurs et les calculatrices. On relève en particulier : u0,05 =
1, 96 et u0,01 = 2, 58. Une variable suivant la loi N (0; 1) donc à 95% fluctue entre
≠1, 96 et 1, 96, et à 99% entre ≠2, 58 et 2, 58.
Application pratique : Soit X une variable aléatoire suivant la loi N (0; 1). Nous
souhaitons trouver, pour – œ ]0; 1[, le réel positif u– tel que P (≠u– Æ X Æ u– ).
1. En utilisant la relation P (X Æ ≠u– ) = P (X Ø u– ), montrer que :
P (≠u– Æ X Æ u– ) = 2P (X Æ u– ) ≠ 1 .
2. En déduire que (u– ) = 1 ≠ –2 .

3. Donner une valeur approchée de u– lorsque
(a) – = 0, 01 ; (b) – = 0, 05 ; (c) – = 0, 1.
Solution:
1. Nous avons : P (≠u– Æ X Æ u– ) = P (X Æ u– ) ≠ P (X Æ ≠u– ). D’après la
relation de symétrie P (X Æ ≠u– ) = P (X Ø u– ), nous pouvons écrire :
P (≠u– Æ X Æ u– ) = P (X Æ u– ) ≠ P (X Ø u– ) .

Or P (X Æ u– ) = 1 ≠ P (X < u– ) et P (X < u– ) = P (X Æ u– ) car X est

continue. Ainsi, nous obtenons :
P (≠u– Æ X Æ u– ) = P (X Æ u– ) ≠ {1 ≠ P (X Æ u– )} = 2P (X Æ u– ) ≠ 1.
2. Par définition de (u– ) nous écrivons : (u– ) = P (X Æ u– ). En utilisant la

question 1., nous avons :
P (≠u– Æ X Æ u– ) = 2 (u– ) ≠ 1
ceci donne
1
(u– ) = {P (≠u– Æ X Æ u– ) + 1} .
2
Or par définition de u– , P (≠u– Æ X Æ u– ) = 1 ≠ –. Ainsi,

1 –
(u– ) = [1 ≠ – + 1] = 1 ≠ .
2 2
3. En suivant l’indication avec y = 1 ≠ –
2
dans la table de la loi normale, nous
obtenons
(a) pour – = 0, 01, (u0,01 ) = 1 ≠ 0,01
2
= 0, 995. Par une lecture inverse dans
la table de la loi normale, nous obtenons : u0,01 = 2, 58 ;
(b) pour – = 0, 05, (u0,05 ) = 1 ≠ 0,05
2
= 0, 975. Par une lecture inverse dans
la table de la loi normale, nous obtenons : u0,05 = 1, 96 ;
(c) pour – = 0, 1, (u0,1 ) = 1 ≠ 0,1
2
= 0, 95. Par une lecture inverse dans la
table de la loi normale, nous obtenons : u0,1 = 1, 64.
4.4.1.4 Travail en autonomie

Soit X une variable aléatoire suivant la loi N (0; 1). Calculer à 10≠4 près
1. P (X Æ 2) ; 2. P (X Ø 0, 5), 3. P (≠1 Æ X Æ 2).
Solution: Nous utilisons la table de loi normale centrée réduite.

1. Nous avons P (X Æ 2) = (2). D’après la table de loi normale centrée réduite= (2) =
(2, 0 + 0, 00) = 0, 5793. Donc, P (X Æ 2) = 0, 5793.
2. Nous avons
P (X Ø 0, 5) = 1 ≠ P (X Æ 0, 5) = 1 ≠ (0, 5)
D’après la table de loi normale centrée réduite (0, 5) = (0, 5 + 0, 00) =

0, 6915. Donc
P (X Ø 0, 5) = 1 ≠ 0, 6915 = 0, 3085.

3. Nous avons P (≠1 Æ X Æ 2) = P (X Æ 2) ≠ P (X Æ ≠1). Or la densité de la

loi normale est symétrique, donc : P (X Æ ≠1) = P (X Ø 1) = 1 ≠ P (X Æ 1).
Alors, nous pouvons avoir :
P (≠1 Æ X Æ 2) = P (X Æ 2) ≠ [1 ≠ P (X Æ 1)] = (2) ≠ 1 + (1).
D’après la table de la loi normale centrée réduite : (2) = (2, 0 + 0, 00) =

0, 5793 et (1) = (1, 0 + 0, 00) = 0, 5398. Ainsi
P (≠1 Æ X Æ 2) = 0, 5793 ≠ 1 + 0, 5398 = 0, 1191.
Une variable aléatoire X suit la loi normale centrée redite N (0; 1). Déterminer des
valeurs approchées à 10≠3 prés de
1. P (X Æ 0, 155) ; 3. P (≠1, 58 Æ X Æ 2, 12).

2. P (X Ø 1, 48) ;
Solution:
1. Nous avons P (X Æ 0, 155) = (0, 155). Or d’après la table de la loi normale
(0, 155) = (0, 15 + 0, 05) = 0, 9394. Donc
P (X Æ 0, 155) = 0, 9394 soit 0, 939 à 10≠3 prés.
2. Nous avons P (X Ø 1, 48) = 1 ≠ P (X Æ 1, 48) = 1 ≠ (1, 48). Or d’après la

table de la loi normale (1, 48) = (1, 4 + 0, 08) = 0, 9306. Donc
P (X Ø 1, 48) = 0, 9306 soit 0, 930 à 10≠3 prés.
3. Nous avons
P (≠1, 58 Æ X Æ 2, 12) = P (X Æ 2, 12) ≠ P (X Æ ≠1, 589)

= P (X Æ 2, 12) ≠ [1 ≠ P (X Æ 1, 58)]
= (2, 12) ≠ [1 ≠ (1, 58)] .
D’après la table de la loi normale : (2, 12) = (2, 1 + 0, 02) = 0, 9830 et

(1, 58) = (1, 5 + 0, 08) = 0, 9429. Donc
P (≠1, 58 Æ X Æ 2, 12) = 0, 9830 ≠ [1 ≠ 0, 9429]

= 0, 9259 soit 0, 926 à 10≠3 prés.
Une variable aléatoire X suit la loi normale centrée redite N (0; 1).
1. Déterminer le réel a vérifiant P (X Æ a) = 0, 375.
2. Déterminer le réel b vérifiant P (X Ø b) = 0, 834.
3. Déterminer le réel u0,3 vérifiant P (≠u0,3 Æ X Æ u0,3 ) = 0, 7.

Solution: Nous utilisons le fait que la densité de probabilité de la loi normale

centrée réduite est symétrique : pour tout z œ R, P (X Æ z) = P (X Ø ≠z) et la
table de la loi normale centrée réduite.
1. Déterminons le réel a vérifiant P (X Æ a) = 0, 375.
Nous avons P (X Æ a) = 0, 375 … (a) = 0, 375. Or on ne peut pas trouver
directement par lecture inverse dans la table de loi normale centrée réduite car
0, 375 < 0, 5. Nous utilisons alors la propriété de symétrie de la densité de la
loi normale et nous obtenons :
0, 375 = P (X Æ a) = P (X Ø ≠a) = 1 ≠ P (X Æ ≠a) .
Donc
1 ≠ P (X Æ ≠a) = 0, 375 … P (X Æ ≠a) = 1 ≠ 0, 375 = 0, 625.
Or d’après la table de la loi normale centrée réduite (0, 32) = 0, 6255 soit
0, 625 à 10≠3 près. Donc nous avons
P (X Æ ≠a) = 1 ≠ 0, 375 = 0, 625 = (0, 32) = P (X Æ 0, 32) à 10≠3 près .
D’où ≠a = 0, 32, c’est à dire a = ≠0, 32.

2. Déterminons le réel b vérifiant P (X Ø b) = 0, 834.
Par symétrie de la loi normale, nous avons
0, 834 = P (X Ø b) = P (X Æ ≠b) = (≠b).
Or d’après la table de la loi normale centrée réduite (0, 97) = 0, 834. Donc
nous avons
(≠b) = (0, 97) = P (X Æ 0, 97) .
D’où ≠b = 0, 97, c’est à dire b = ≠0, 97.

3. Déterminons le réel u0,3 vérifiant P (≠u0,3 Æ X Æ u0,3 ) = 0, 7.
Nous la méthode utilisée dans le Corollaire 4.4.1. Alors, nous pouvons écrire :
0, 7 = P (≠u0,3 Æ X Æ u0,3 ) = P (X Æ u0,3 ) ≠ P (X Æ ≠u0,3 )

= P (X Æ u0,3 ) ≠ [1 ≠ P (X Æ ≠u0,3 )] = 2P (X Æ u0,3 ) ≠ 1 = 2 (u0,3 ) ≠ 1.
Nous avons donc

1 + 0, 7 1, 7
2 (u0,3 ) ≠ 1 = 0, 7 … (u0,3 ) = = = 0, 85.
2 3
Or par une lecture inverse dans la table de la loi normale centrée réduite,
(1, 04) = 0, 85 à 10≠2 près. Donc, nous avons :
(u0,03 ) = 0, 85 = (1, 04) . D’où u0,3 = 1, 04.

4.4.2 Loi normale N (m; ‡ 2 )

4.4.2.1 Définitions
Définition 4.4.10 Soit µ œ R et ‡ > 0. La variable aléatoire X suit une loi normale
X ≠µ
N (µ, ‡ 2 ) si la variable Z = suit une loi normale N (0; 1).
‡
On note X ≥ N (m, ‡ ). 2
Remarque :
1. Lorsque µ = 0 et ‡ = 1, la loi normale N (µ, ‡ 2 ) est la loi normale centrée
réduite.
2. Si la variable aléatoire X suit la loi N (m; ‡ 2 ), alors sa densité f est définie sur
R par :
3 4
1 (x ≠ m)2
f (x) = Ô exp ≠ , x œ R.
2fi‡ 2‡ 2
Propriété 4.4.11 Si X suit une loi N (µ, ‡ 2 ), alors :
• son espérance mathématique vaut : E(X) = m.
• sa variance vaut : Var(X) = ‡ 2 .
• son écart type vaut ‡.
Remarque : Interprétation :
• Le paramètre µ de la loi N (µ, ‡ 2 )

est un paramètre de position : il lo-
calise la zone où les réalisation de X
ont le plus de chances d’apparaître.
• Le paramètre ‡ de la loi N (µ, ‡ 2 )

est un paramètre de dispersion : il
correspond à l’écart type. Plus ‡ est
élevé, plus les réalisations de X sont
dispersées autour de l’espérance µ.
X ≠m
Remarque : Si X ≥ N (m, ‡ 2 ), alors en posant Y = , Y suit la loi normale
‡2
centrée réduite N (0, 1).
• En pratique on est souvent amené à faire ce changement de variable pour
utiliser les valeurs de la loi centrée réduite.
• Ces valeurs peuvent être données par une table de valeurs de la fonctions de
répartition.

Propriété 4.4.12 Intervalle de fluctuation d’un loi N (µ, ‡ 2 ). Si X suit une

loi N (m, ‡ 2 ), sa dispersion autour de µ dépend de ‡ de la fonction suivante (à 10≠3
près) :
• P (µ ≠ ‡ Æ X Æ µ + ‡) ¥ 0, 683 (à 68, 3%) ;
• P (µ ≠ 2‡ Æ X Æ µ + 2‡) ¥ 0, 954 (à 95, 4%) ;
• P (µ ≠ 3‡ Æ X Æ µ + 3‡) ¥ 0, 997 (à 99, 7%).
Exercice d’application 4.4.13 Si X suit la loi N (10, 9), on a µ = 10 et ‡ = 3.

Donc les réalisations de X fluctuent à plus de 95% dans l’intervalle
[10 ≠ 2 ◊ 3; 10 + 2 ◊ 3] soit [4; 16] .

Exercice résolu 4.4.14 Centrer et réduire un loi N (µ; ‡ 2 )
Soit X une variable aléatoire suivant la loi N (113; 25). Soit Z = X≠113
5
.
1. Quelle est la loi de Z ?
2. Exprimer l’événement 110 Æ X Æ 120 à l’aide de Z.
3. Que vaut P (≠0, 6 Æ Z Æ 1, 4) à 10≠4 près ? En déduire P (110 Æ X Æ 120) à
10≠4 .
Solution:
1. La variable aléatoire X suit une loi normale d’espérance µ = 113 et e variance
‡ 2 = 25. Par définition la variable Z = X≠113
5
= X≠µ
‡
suit la loi N (0; 1).
2. Pour faire intervenir Z, on procède en deux étapes :
(a) On centre X, c’est à dire on retranche µ de X : on obtient X ≠ µ.
(b) puis on reduit, c’est à dire on dive X ≠ µ par ‡ : on obtient Z.
Ainsi,
110 Æ X Æ 120 … 110 ≠ 113 Æ X ≠ 113 Æ 120 ≠ 113 (on centre)

110 ≠ 113 X ≠ 113 120 ≠ 113
… Æ Æ (on réduit).
5 5 5
Donc 110 Æ X Æ 120 … ≠ 35 Æ Z Æ 7
5
… ≠0, 6 Æ Z Æ 1, 4.
3. Puisque Z suit la loi N (0; 1), on obtient directement : P (≠0, 6 Æ Z Æ 1, 4) =
0, 6450 à 10≠4 près.
D’après la question 2., les événements 110 Æ X Æ 120 et ≠0, 6 Æ Z Æ 1, 4
coïncident. Donc leur probabilité est la même :
P (110 Æ X Æ 120) = P (≠0, 6 Æ Z Æ 1, 4) = 0, 6450 à 10≠4 près.
Soit X une variable aléatoire suivant la loi N (20; 25). Calculer les probabilités
suivantes :

1. P (X Æ 28) ; 3. P (X Ø 12) ; 5. P (12 Æ X Æ 28).

2. P (X Ø 28) ; 4. P (X Æ 12) ;
Solution:
1. P (X Æ 28) =?.
A B 3 4
X ≠ 20 28 ≠ 20 X ≠ 20 8
P (X Æ 28) = P Ô Æ Ô =P Æ = 1, 6 = (1, 6)
25 25 5 5
Or d’après la table de la loi normale centrée réduite (1, 6) = 0, 9452. D’où
P (X Æ 28) = 0, 9452.
2. P (X Ø 28) =?. Nous utilisons la réponse de la question précédente.
P (X Ø 28) = 1 ≠ P (X Æ 28) = 1 ≠ 0, 9452 = 0, 0548
3. P (X Ø 12) =? Nous utilisons la symétrie de la loi normale.

A B A B
X ≠ 20 12 ≠ 20 X ≠ 20 ≠8
P (X Ø 12) = P Ô Ø Ô =P Ô Ø
25 25 25 5
A B A B
X ≠ 20 X ≠ 20
=P Ô Ø ≠1, 6 = 1 ≠ P Ô Æ ≠1, 6
25 25
A B C A BD
X ≠ 20 X ≠ 20
=1≠P Ô Ø 1, 6 (1, 6) = 1 ≠ 1 ≠ P Ô Æ 1, 6
25 25
A B
X ≠ 20
=P Ô Æ 1, 6 = (1, 6) = 0, 9452 .
25
4. P (X Æ 12) =?. Nous utilisons la réponse de la question précédente.
P (X Æ 12) = 1 ≠ P (X Æ 12) = 1 ≠ 0, 9452 = 0, 0548.
5. P (12 Æ X Æ 28) =?.

Nous utilisons la symétrie de la loi normale. Nous avons :
A B
12 ≠ 20 X ≠ 20 28 ≠ 20
P (12 Æ X Æ 28) = P Ô Æ Ô Æ Ô
25 25 25
A B
X ≠ 20
= P ≠1, 6 Æ Ô Æ 1, 6
25
A B
X ≠ 20
= 2P Ô Æ 1, 6 ≠ 1 = 2 (1, 6) ≠ 1
25
= 2 ◊ 0, 9452 ≠ 1 = 0, 8904.
Une entreprise dispose d’un parc de 150 camions. La distance parcourue par un ca-
mion dans une journée est une variable aléatoire X suivant la loi normale N (120; 196).
Calculer la probabilité qu’un camion, au cours d’une journée, parcourt une distance
comprise entre 110 et 130 kilomètre (arrondir à 0, 001 près).

Solution: Il suffit de calculer P (110 Æ X Æ 130). Nous avons :

A B
110 ≠ 120 X ≠ 120 130 ≠ 120
P (110 Æ X Æ 130) = P Ô Æ Ô Æ Ô
196 196 196
A B
X ≠ 120
= P ≠0, 71 Æ Ô Æ 0, 71 = 2 (0, 71) ≠ 1
196
= 2 ◊ 0, 7611 ≠ 1 = 0, 522
Soit la variable aléatoire X suivant la loi normale N (20; 25). Déterminer la valeur
du nombre a à 10≠3ú2 près dans chaque cas.
1. P (X Æ a) = 0, 99 ;
2. P (X Æ a) = 0, 01 ;
Solution:
1. Nous avons :
A B 3 4
X ≠ 20 a ≠ 20 X ≠ 20 a ≠ 20
0, 99 = P (X Æ a) = P Ô Æ Ô =P Æ
25 25 5 5
3 4
a ≠ 20
= .
5
Nos trouve par lecture inverse dans la table de la loi normale centrée réduite
que : 0, 99 = (2, 33). Donc nous obtenons :
3 4
a ≠ 20 a ≠ 20
= 0, 99 = (2, 33) … = 2, 33.
5 5
a ≠ 20
= 2, 33 … a ≠ 20 = 2, 33 ◊ 5 = 11, 65 … a = 11, 65 + 20 = 31, 65.
5
D’où a = 31, 65.
2. Nous avons
A B 3 4
X ≠ 20 a ≠ 20 X ≠ 20 a ≠ 20
0, 01 = P (X Æ a) = P Ô Æ Ô =P Æ
25 25 5 5
3 4
a ≠ 20
= .
5
Or 0, 01 < 0, 5 et 0, 01 = 1 ≠ 0, 99. On trouve par lecture inverse dans la
table de la loi normale que 0, 99 = (2, 33) à 10≠2 près. Donc, en utilisant la
propriété de symétrie de la loi normale, nous pouvons écrire :
3 4
a ≠ 20
= 1 ≠ (2, 33) = 1 ≠ P (X Æ 2, 33)
5
= 1 ≠ P (X Ø ≠2, 33) = 1 ≠ [1 ≠ P (X Æ ≠2, 33)] = P (X Æ ≠2, 33)
= (≠2, 33) .

3 4
a ≠ 20 a ≠ 20
= (≠2, 33) … = ≠2, 33
5 5
… a ≠ 20 = ≠2, 33 ◊ 5 = ≠11, 65
… a = ≠11, 65 + 20 = ≠9, 65
Ainsi, a = ≠9, 65.
Exercice résolu 4.4.18 Étudier la dispersion d’une variable aléatoire suivant une
loi normale
Une entreprise de confiture annonce sur ces emballages une teneur en fruits de 60
grammes pour 100 grammes de confitures. Le procédé de fabrication est soumis à
quelques aléas. On considère que la teneur en fruits pour 100 grammes de confitures
fluctue selon la loi N (60; 9).
1. Quelle est la probabilité que la teneur en fruit soit différente de plus de 5
grammes de la valeur annoncée sur l’emballage ?
2. Dans quel intervalle fluctue la teneur en fruit avec une probabilité de 0, 95.
Ces résultats ne satisfont pas la qualité de l’entreprise : en présence de trop
peu de fruits, le client risque de dénoncer une publicité mensongère et à l’in-
verse, l’excès de fruits augmente le coût de fabrication d’un pot de confiture et
diminue sa rentabilité. Le service qualité demande donc au service technique
de modifier l’écart type ‡ pour rendre la teneur en fruits moins fluctuante.
3. Celui-ci doit-il pour cela augmenter ou diminuer la valeur de ‡ ?
4. Plus précisément, le service qualité souhaite que la teneur en fruit fluctue
désormais à 95% dans l’intervalle [58; 62].
5. Quelle valeur de ‡ le service technique doit-il atteindre ?
Solution:
1. Soit X la teneur en fruits dans un pot de 100 grammes. D’après l’énoncé X
suit la loi normale N (60; 9). La teneur en fruits est annoncé à 60 grammes.
Elle s’en ’carte de plus de 5 grammes si X Æ 55 ou si X Ø 65. On cherche
donc
P [(X Ø 65) fi (X Æ 55)] = 1 ≠ P [55 Æ X Æ 65]
C D
55 ≠ 60 X ≠ 60 65 ≠ 60
=1≠P Ô Æ Ô Æ Ô
9 9 9
C D
≠5 X ≠ 60 5
=1≠P Æ Ô Æ
3 9 3
5 3 4 6
5
=1≠ 2◊ ≠ 1 = 2 ≠ 2 ◊ (1, 67)
3
= 2 ≠ 2 ◊ 0, 9525 = 0, 095 à 10≠3 près.
2. D’après le cours, nous savons qu’une variable aléatoire suivant une loi N (µ; ‡ 2 )
fluctue à 95% dans l’intervalle [µ ≠ 2‡; µ + 2‡]. Puisqu’ici µ = 60 et ‡ = 3, la
teneur en fruits fluctue à 95% dans l’intervalle
[µ ≠ 2‡; µ + 2‡] = [60 ≠ 2 ◊ 3; 60 + 2 ◊ 3] = [54; 66] .

3. L’écart-type ‡ quantifie la dispersées de la variable aléatoire X. Plus ‡ est

élevé, plus les réalisation de X sont dispersées. Il faut donc diminuer ‡ pour
réduire l’intervalle de fluctuation de X.
4. On souhaite que l’intervalle [µ ≠ 2‡; µ + 2‡] soit égale à [58; 62]. Puisque, µ =
60, cela implique ‡ = 1.
4.4.3 Théorème de Moivre-Laplace

La loi binomiale est très utilisée en modélisation, mais certaines probabilités sont
impossibles à calculer pour la loi binomiale. Grâce au théorème suivant, le calcul de
ces probabilités est rendu possible à l’aide de la loi normale. C’est historiquement
la première motivation de l’utilisation de la loi normale en pratique.
Théorème 4.4.19 (Théorème de Moivre-Laplace)
Soit n un entier non nul et p un nombre réel dans [0; 1]. Soit Xn une variable
aléatoire suivant une loi binomiale B (n; p). Alors, pour tous réels a et b,
Q R
⁄ b
Xn ≠ np 1 x2
lim P aa Æ Ò Æ bb = P (a Æ Z Æ b) = Ô e≠ 2 dx
næ+Œ
np(1 ≠ p) a 2fi
où Z suit la loi normale centrée réduite N (0; 1).

Application pratique : On considère que la limite dans le théorème de Moivre-
Laplace est pratiquement atteinte lorsqu’on a simultanément n Ø 30, np Ø 5 et
n(1 ≠ p) Ø 5. Dans ces conditions, on a donc pour tous réels a et b,
Q R
Xn ≠ np
P aa Æ Ò Æ bb ¥ P (a Æ Z Æ b)
np(1 ≠ p)
où Z suit la loi normale centrée réduite N (0; 1).
Corollaire 4.4.20 (Intervalle de fluctuations de Fn ). Si Xn suit une loi bi-
nomiale B (n; p), alors la fréquence se succès Fn = Xnn vérifie
Q Ò Ò R
p(1 ≠ p) p(1 ≠ p)
lim P ap ≠ u– Ô Æ Fn Æ p + u– Ô b=1≠–
næ+Œ n n
où u– vérifie P (≠u– Æ Z Æ u– ) = 1 ≠ – pour Z suivant la loi N (0; 1)

Application pratique : Pour – = 0, 05, u0,05 = 1, 96. On en déduit que lorsque
n Ø 30, np Ø 5 et n(1 ≠ p) Ø 5, la fréquence de succès Fn fluctue avec une
probabilité de 0,95 dans l’intervalle
S Ò Ò T
p(1 ≠ p) p(1 ≠ p)
Up ≠ 1, 96 Ô ; p + 1, 96 Ô V.
n n
Cet intervalle est dénommé : intervalle de fluctuations asymptotique à 95%

de Fn .

Corollaire 4.4.21 (Intervalle de fluctuations de Fn simplifié). Si Xn suit une

loi binomiale B (n; p), alors pour tout p œ ]0; 1[, il existe un entier n0 tel que pour
tout n Ø n0 ,
A B
1 1
P p ≠ Ô Æ Fn Æ p + Ô > 0, 95.
n n

1 2
Soit X une variable aléatoire suivant la loi N 180; 16 . On souhaite calculer
3 4
X ≠ 30
P ≠0, 5 Æ Æ 1, 2 .
5
1. Est-il raisonnable d’utiliser l’approximation normale fournie par le théorème
de Moivre-Laplace pour calculer cette probabilité ?
2. Donner une valeur approchée de la probabilité demandée à 10≠2 près en utili-
sant l’approximation de Moivre-Laplace.
Solution:
1. Le théorème de Moivre-Laplace permet d’approcher en pratique une loi bino-
miale B (n; p) par une loi normale dès que n Ø 30, np Ø 5 et n(1 ≠ p) Ø 5.
Dans notre cas n = 1180 et2 p = 16 . Donc n Ø 30, np = 180 ◊ 16 = 30 Ø 5
et n(1 ≠ p) = 180 ◊ 1 ≠ 16 = 150 Ø 5. Les trois conditions sont bien réali-
sées. Il est donc raisonnable d’utiliser l’approximation normale fournie par le
théorème de Moivre-Laplace.
Ò Ú 1 2
2. On remarque que np(1 ≠ p) = 180 ◊ 16 ◊ 1 ≠ 1
6
= 5. Ainsi, la probabilité
demandée s’écrit :
Q R
3 4
X ≠ 30 X ≠ np
P ≠0, 5 Æ Æ 1, 2 = P a≠0, 5 Æ Ò Æ 1, 2b
5 np(1 ≠ p)
¥ P (≠0, 5 Æ Z Æ 1, 2)
où Z suit la loi N (0; 1). Nous obtenons donc : P (≠0, 5 Æ Z Æ 1, 2) ¥ 0, 58 à

10≠2 près.
Exercice résolu 4.4.23 Établir l’intervalle de fluctuations d’une fréquence
On considère que la probabilité qu’une personne tirée au hasard soit une fille est de
50%.
1. Dans quel intervalle fluctue la fréquence des filles dans un échantillon de 35
personnes tirées au hasard ?
2. Dans une classe de 35 élèves, on dénombre 13 filles. Peut-on considérer qu’il y
a une sous-représentation des filles dans cette classe ?

Solution:
1. Considérons l’expérience de Bernoulli : "être une fille". Elle arrive avec une
probabilité p = 0, 5 et est indépendante d’une personne à l’autre. Ainsi le
nombre de filles parmi n = 35 personnes prises au hasard suit une loi binomiale
B (35; 0, 5). Puisque n = 35 Ø 30, np = n(1≠p) = 17, 5 Ø 5, on peut appliquer
l’approximation normale fournie par le théorème de Moivre-Laplace. D’après
le Corollaire 4.4.20 de ce théorème, nous pouvons affirmer que la fréquence F
de filles appartient avec une probabilité de 0, 95 à l’intervalle
S Ò Ò T
0, 5(1 ≠ 0, 5) 0, 5(1 ≠ 0, 5)
U0, 5 ≠ 1, 96 Ô ; 0, 5 + 1, 96 Ô V = [0, 33; 0, 67] à 10≠2 près.
35 35
2. On observe dans ce cas F = 13 35

= 0, 37. Il y a certes moins de filles que de
garçon dans cette classe mais d’après la question précédente, cette différence
est conforme au fluctuations possibles de F sous l’hypothèse p = 0, 5. On ne
peut donc pas affirmer qu’il y a une sous-présentations des filles dans cette
classe.
Exercice résolu 4.4.24 Approcher la loi binomiale par une loi normale
Une compagnie de taxis possède 100 véhicules. On considère que chacun des véhicules
a une probabilité de 0, 1 d’être en panne. Soit X le nombre de véhicules en panne
dans cette compagnie.
1. Quelle est la loi de X ? Donner l’expression de P (X = k) pour tout k =
0, 1, · · · , 100.
On souhaite connaitre la probabilité qu’il y ait entre 0 et 5 taxis en panne.
2. Calculer P (0 Æ X Æ 5).
3. Est-il raisonnable d’utiliser l’approximation normale fournie par le théorème
de Moivre-Laplace pour calculer la probabilité précédente ?
4. Donner une valeur approchée de la probabilité demandée à l’aide de l’approxi-
mation précédente.
Solution:
1. Nous sommes en présence d’un schéma de Bernoulli dans lequel le "succès" est
la panne d’un taxi, qui survient de façon indépendante pour chaque véhicule et
avec une probabilité de 0, 1. La variable X, qui compte le nombre de "succès"
parmi 100 taxis, suit une loi binomiale B (100; 0, 1). On a par définition de la
loi binomiale, pour tout k = 0, 1, · · · , 100.
P (X = k) = C100
k
0, 1k (1 ≠ 0, 1)100≠k = C100
k
0, 1k ◊ 0, 9100≠k .
2. Nous avons :
P (0 Æ X Æ 5) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4)
+ P (X = 5)
0
= C100 0, 10 ◊ 0, 9100≠0 + C100
1
0, 11 ◊ 0, 9100≠1 + C100
2
0, 12 ◊ 0, 9100≠2
3
+ C100 0, 13 ◊ 0, 9100≠3 + C100
4
0, 14 ◊ 0, 9100≠4 + C100
5
0, 15 ◊ 0, 9100≠5
= 0, 058.

3. Le théorème de Moivre-Laplace permet d’approcher en pratique une loi bino-

miale B (n; p) par une loi normale dès que n Ø 30, np Ø 5 et n(1 ≠ p) Ø 5.
Dans notre cas n = 100 et p = 0, 1. Donc n Ø 30, np = 0, 1 ◊ 100 = 10 Ø 5
et n(1 ≠ p) = 100 ◊ (1 ≠ 0, 1) = 90 Ø 5. Ainsi, ces trois conditions sont bien
réalisées. Il est donc raisonnable d’utiliser l’approximation normale fournie par
le théorème de Moivre-Laplce.
4. Afin de pouvoir utiliser le théorème de Moivre-Laplace, il faut centre X, c’est
à dire lui retrancher son espérance, puis réduire, c’est à dire diviser par l’écart
type :
3 4 3 4
0 ≠ 10 X ≠ 10 5 ≠ 10 ≠10 X ≠ 10 ≠5
P (0 Æ X Æ 5) = P Æ Æ =P Æ Æ
3 3 3 3 3 3
3 4
X ≠ 10
= P ≠3, 33 Æ Æ ≠1, 67
3
3 4 3 4
X ≠ 10 X ≠ 10
=P Æ ≠1, 67 ≠ P Æ ≠3, 33
3 3
3 4 3 4
X ≠ 10 X ≠ 10
=P Ø 1, 67 ≠ P Ø 3, 33
3 3
3 4 5 3 46
X ≠ 10 X ≠ 10
=1≠P Æ 1, 67 ≠ 1 ≠ P Æ 3, 33
3 3
3 4 3 4
X ≠ 10 X ≠ 10
=P Æ 3, 33 ≠ P Æ 1, 67
3 3
= (3, 33) ≠ (1, 67) = 0, 9996 ≠ 0, 9525
= 0, 0471.
4.4.4 Intervalle de confiance

Propriété 4.4.25 Soit n œ Nú et p œ ]0; 1[. Soit Xn la variable aléatoire suivant
une loi binomiale B(n; p). Si n Ø 30, np Ø 5 et n(1 ≠ p) Ø 5, alors
A B
Xn 1 Xn 1
P ≠Ô ÆpÆ +Ô Ø 0, 95.
n n n n
Remarque :
• Dans plus de 95% des réalisations de la variable aléatoire Xn ,
C J
1 1
p œ f ≠ Ô ;f + Ô
n n
Xn
où f est la fréquence observée (la réalisation de correspondante).
n
C J
1 1
• L’intervalle f ≠ Ô ; f + Ô est appelé intervalle de confiance au niveau
n n
de confiance 0, 95 pour p.

Application pratique : Lorsqu’un caractère touche une proportion p inconnu de

la population, on déterminer la fréquence f de réalisation de ce caractère sur un
échantillon de taille Pour n Ø 30. Si nf Ø 5 et n(1 ≠ f ) Ø 5, on peut conclure qu’un
intervalle de confiance au niveau de confiance 0, 95 pour p est :
C J
1 1
f ≠ Ô ;f + Ô .
n n
On dit que l’on a estimé la proportion p dans la population totale par un intervalle
de confiance à partir de la fréquence f observée sur l’échantillon.

Exercice résolu 4.4.26 Apporter un intervalle de confiance à un sondage
Le 18 avril 2002, un institut de sondage annonce que sur un échantillon représentatif

de 1 020 personnes :
204 ont déclaré vouloir voter pour Jacques Chirac ;
184 ont déclaré vouloir voter pour Lionel Jospin ;
139 ont déclaré vouloir voter pour Jean-Marie Le Pen.
1. Déterminer les intervalle de confiance au niveau de confiance 0, 95 de la pro-
portion de votes pour chacun des trois candidats.
2. Les résultats du premier tour de l’élection étaient : Jacques Chirac 19, 9%,
Jean-Marie Le Pen 16, 9% et Lionel Jospin 16, 2%. Ces résultats étaient-ils
conformes aux prévisions ?
Solution:
1. Sur l’échantillon de taille n = 1 020, la fréquence observée d’intentions de vote
204
pour Jacques Chirac est f = = 0, 20
1 020
n = 1 020, n ◊ f = 204 Ø 5 et n ◊ (1 ≠ f ) = 816 Ø 5, donc un intervalle de
confiance au niveau 0, 95 de la proportion de vote dans la population totale
est
C J C D
1 1 1 1
f ≠ Ô ;f + Ô = 0, 2 ≠ Ô ; 0, 2 + Ô
n n 1 020 1 020
soit [0, 169; 0, 231] en arrondissant les bornes à 0, 001 près.

De meme pour Lionel Jospin :
C D
184 1 184 1
≠Ô ; +Ô = [0, 149; 0, 212]
1 020 1 020 1 020 1 020
Enfin pour Jean-Marie Le Pen :
C D
139 1 139 1
≠Ô ; +Ô = [0, 105; 0, 168] .
1 020 1 020 1 020 1 020

19, 9
2. On constate que = 0, 199 œ [0, 169; 0, 231] ; 0, 169 œ [0, 149; 0, 212] mais
100
0, 162 œ
/ [0, 149; 0, 212].
Les fréquences de votes réelles pour Jacques Chirac et Lionel Jospin sont bien
dans leurs intervalles de confiance au seuil 0, 95 mais celle concernant Jean-
Marie Le Pen n’y est pas.
Au niveau de confiance 0, 95, les résultats concernant Jacques Chirac et Lionel
Jospin étaient conformes aux prévisions, mais pas celui concernant Jean-Marie
Le Pen.
4.5 Points à retenir et Bibliographie

Densité de probabilité
• La probabilité de l’événement (a Æ X Æ b) est l’intégrale de a à b de f , où f
est la densité de probabilité associé à la variable aléatoire X.
• La densité de probabilité est une fonction qui dépend des caractéristiques
de l’expérience et sera toujours donnée dans l’énoncé.
• Lorsqu’une variable aléatoire suit une loi continue à densité, les probabilités
se calculent à l’aide d’intégrales et peuvent s’interpréter géométriquement par
des aires de domaines situés entre la courbe représentatives de la densité et
l’axe des abscisses.
• Si X est une telle variable aléatoire, la,probabilité de X soit comprise entre
deux réels a et b (inégalités large ou strictes donnent le même résultat). C’est
l’intégrale de a à b de la fonction de densité.
Loi uniforme
• Dans le cas d’une variable uniforme sur un intervalle, il n’est pas nécessaire de
poser systématiquement le calcul de la probabilité P (– Æ X Æ —) sous forme
d’intégral.
• La loi de probabilité uniforme prolonge à un intervalle de R la notion
d’équiprobabilité sur un univers fini. Cette loi, très simple à mettre en oeuvre,
modélise des phénomènes dus au pur hasard, comme le tirage aléatoire d’un
nombre dans un intervalle donné.
Loi exponentielle
• L’espérance mathématique d’une loi exponentielle est l’inverse de son para-
mètre.
• Les formules permettant de calculer des probabilités associées à une loi ex-
ponentielle doivent etre connues, même si elles sont parfois rappelées dans
l’énonces.

• Il est également nécessaire de connaitre l’expression de l’espérance mathéma-

tique et de la variance.
• La propriété caractéristique de "non vieillissement" de cette loi peut être uti-
lisée pour obtenir rapidement certaines probabilités conditionnelles.
• La loi exponentielle permet entre autres de modéliser la durée de vie d’un
atome radioactif ou d’un composant électronique.
Loi normale
• La loi normale est sans doute la loi de probabilité la plus connue et la plus
utilisée. Elle permet de modéliser de très nombreux phénomènes et sert égale-
ment d’approximation à d’autre lois et notamment à la loi binomiale lorsque
le nombre d’expérience devient grand.
• L’expression de la densité de loi normale centrée réduite doit être connue, mais
est inutilisable dans la pratique.
• Les applications numériques se font essentiellement à la calculatrice (ou sur
ordinateur). Mais dans ce cours nous utilisons la table de loi.
4.5.2 Bibliographie
¶ ANGOT P. et DUBOIS F. (2014) : Maths obligatoire + spécialité : Objectif
BAC TS,Hachette livre 2014.
¶ Livre de Mathématiques : maths repères terminale S, hachette éducation.
¶ richard Issac : une introduction aux probabilités, Vudbert, Springer
¶ Bouzitat C., Bouzitat P. et Pages G. : Statistique, probabilité, estimation ponc-
tuelle : cours et exercices d’applications , édition CUJAS
¶ Fouastie J., Laslier J.F. Probabilités et statistiques.
¶ Gerald Baillargeon : Probabilités, statistiques et technique de régression , les
éditions SMCS
¶ Esther amicet : Introduction aux probabilités et a la statistique, édition gaetan
morin

4.6 Exercices
S’exercer 4.6.1
Montrer que la fonction f définie sur l’intervalle [0; 1] par : f (x) = 2x est une densité
de probabilité sur [0; 1].
S’exercer 4.6.2
Montrer que la fonction f définie sur l’intervalle [≠1; 1] par : f (x) = 12 x + 12 est une
densité de probabilité sur [≠1; 1].
S’exercer 4.6.3
1
Soit f (x) = x
une densité de probabilité définie sur [1; a], a œ R.
1. Déterminer a.
2. Déterminer b sachant que P (X < b) = 0, 6.
S’exercer 4.6.4
Soit la fonction f définie sur R par

Y
]a(x ≠ x2 ) si x œ [0; 1]
f (x) = .
[0 sinon
1. (a) Déterminer a pour que la fonction f soit une densité de probabilité.

(b) Construire, pour la valeur de a précédemment trouvé, la courbe repré-
sentative de f .
2. On pose = 6 et on désigne par X une variable aléatoire dont f est la densité
de probabilité. Calculer la probabilité de chacun des événements suivants :
1 2 1 2
1 1 2
(a) P 4
ÆXÆ 2
; (b) P X Ø 3
.
3. On admet que l’espérance mathématique de X est donnée par

⁄ 1
E (X) = tf (t)dt.
0
Calculer E (X).
4. Calculer la variance de X.
S’exercer 4.6.5
X suit une loi uniforme sur [≠2; 3].

1. Donner sa fonction de densité f et la représenter dans un repère orthonormé
d’unité 2 cm
2. Calculer les probabilités et apparaitre sur le graphique les domaines corres-
pondants :

(a) P (X œ [≠1; 2]) ;

(b) P (X = 1) ;
(c) P (X Ø) ;
3. Déterminer l’espérance de la variable X.
S’exercer 4.6.6
Soit X une variable aléatoire suivant une loi uniforme sur [2; 5]. Calculer

1. P (X = 3, 5) ; 3. E (X) ; 5. (X).
2. P (3 Æ X Æ 4) ; 4. Var (X) ;
S’exercer 4.6.7
Soit X une variable aléatoire suivant une loi uniforme sur [≠3; 5]. Calculer
1. P (X = 0) ; 3. E (X) ; 5. (X).
2. P (≠1 Æ X Æ 2) ; 4. Var (X) ;
S’exercer 4.6.8 Tirage aléatoire
On choisir un nombre réel au hasard X dans l’intervalle [0; 1].

1. Quelle est la loi de X ?
2. Quelle est la probabilité qu’il soit compris entre 0, 15 et 0, 4 ?
3. Quelle est la probabilité qu’il comporte exactement un chiffre après la virgule ?
4. Quelle est la probabilité que sa deuxième décimale soit un 9 sachant qu’il est
inférieur à 0, 5 ?
S’exercer 4.6.9
Soit X une variable aléatoire suivant une loi uniforme sur [≠4; 3]. Tracer la densité
de probabilité de X et le domaine dont l’aire correspondant à P (≠1 Æ X Æ 1).
S’exercer 4.6.10
Soit X une variable aléatoire suivant une loi uniforme sur [≠3; ≠1]. Calculer
1. P (X Æ 1) ; 3. E (X) ; 5. (X).
2. P (≠2 Æ X Æ ≠1, 5) ; 4. Var (X) ;
S’exercer 4.6.11
Soit X une variable aléatoire suivant une loi uniforme sur [≠10; 40]. Calculer
1. P (≠5 Æ X Æ 25) ; 3. P (10 < X < 50) 5. Var (X) ;

2. P (X Ø 10) ; 4. E (X) ; 6. (X).
S’exercer 4.6.12
Une personne arrive à son bureau entre 8 heures et 9 heures 30. L’heure exacte
d’arrivée est une variable aléatoire uniforme sur cette période.
1. Calculer la probabilité que la personne arrive

(a) à 8 heures 30 exactement ; (c) avant 8 heures 15 ;

(b) entre 8 heures 30 et 9 heures ; (d) après 8 heures 45.
2. Calculer la probabilité que la personne n’arrive pas entre 8 heures 15 et 9

heures 15.
3. La personne n’est pas encore arrivés à 9 heures. Calculer la probabilité qu’elle
arrive avant 9 heures 15.
S’exercer 4.6.13
Sur les paquets de céréales NINOLAC, la masse indiquée est de 375 g. Statisti-
quement, on a jamais trouvé de paquet pesant moins de 365 g et plus de 385 g. A
l’intérieur de cette fourchette, on estime que les masses sont uniformément reparties.
1. Déterminer la densité de X, variable aléatoire continue modélisant la masse
d’un parquet de céréales.
2. Que représente 375 g par rapport à la loi de X.
3. Calculer la probabilité qu’un paquet de céréales ait une masse comprise entre
365 g et 370 g.
S’exercer 4.6.14
Soit X une variable aléatoire suivant une loi exponentielle de paramètre 0, 01.
1. Donner la densité f de X.
2. Calculer P (X > 2) et P (3 Æ X Æ 5).
S’exercer 4.6.15
Soit X une variable aléatoire suivant une loi exponentielle d’espérance 1 000. Déter-
miner la densité de probabilité de X et calculer P (X Æ 5).
S’exercer 4.6.16
Soit X une variable aléatoire suivant une loi exponentielle dont la densité de proba-
2
bilité est la fonction f définie sur [0; +Œ[ par f (x) = 23 e≠ 3 x
1. Déterminer le paramètre ⁄ de cette loi.
2. Calculer E (X), puis P (3 Æ X Æ 6).
S’exercer 4.6.17
La durée X (en heures) d’un match de tennis suit la loi exponentielle de paramètre
0, 34. Quelle est la probabilité que le match dure plus de 5 heures.
S’exercer 4.6.18
Soit X une variable aléatoire suivant une loi exponentielle de paramètre 0, 512.
1. Déterminer la densité f de X.

2. Calculer P (X Ø 1).
S’exercer 4.6.19
Soit X une variable aléatoire suivant une loi exponentielle d’espérance 14 . Déterminer
la densité de probabilité de X et calculer P(XØ1) (X Ø 2)
S’exercer 4.6.20
Soit X une variable aléatoire dont la densité de probabilité est la fonction f définie
sur [0; +Œ[ par
1 ≠1x
f (x) = e 10 .
10
1. Déterminer le paramètre ⁄ de cette loi
2. Calculer E (X), puis P (X > 100).
S’exercer 4.6.21
Le temps d’attente X (en minutes) à un feu tricolore suit une loi exponentielle de
paramètre 1. Montrer que la probabilité que l’attente soit supérieure à 2 minutes
est égale à 0, 135 à 10≠3 près.
S’exercer 4.6.22
Soit X une variable aléatoire exponentielle dont la densité de probabilité est telle
que P (X Æ 3) = 23 .
1. Déterminer la densité de probabilité de X,
2. Déterminer l’ espérance de X.
3. Calculer P(XØ2) (X Ø 5).
S’exercer 4.6.23
La durée de vie, en heures, des ampoules fluo-compactes est une variable aléatoire
T , qui suit une loi exponentielle de moyenne 10 000.
1. Donner la densité de cette variable T .
2. Sachant qu’une ampoule a déjà fonctionné pendant 7 000 heures, quelle est la
probabilité qe sa durée de vie dépasse 12 000 heures ?
S’exercer 4.6.24
On admet que la durée d’attente, en minute, au départ d’une certaine remontée

mécanique dans une station de sport d’hiver, est, en période de vacances scolaire
d’hiver, une variable aléatoire qui suit la loi exponentielle de paramètre ⁄ = 0, 05.
1. Calculer, en minute, le temps moyen d’attente au départ de cette remontée
mécanique.
Pour les questions suivantes, les résultats seront donnés arrondis à la deuxième
décimale
2. Calculer la probabilité d’attente au départ de cette remonté mécanique :

(a) moins de 10 minutes ; (b) moins de 30 minutes ;
3. Calculer la probabilité que le temps d’attente au départ de cette remontée

mécanique soir compris entre 10 et 30 minutes.
4. Un Skieur arrive au départ de la remontée mécanique, ; un panneau indique
que le temps d’attente est d’au moins 10 minutes. Calculer la probabilité qu’il
soit inférieur à 30 minutes.
S’exercer 4.6.25
On s’intéresse à la durée de vie, exprimée en semaines, d’un composant électronique.

On modélise cette situation par une loi de probabilité de variable aléatoire T de durée
de vie sans vieillissement (loi exponentielle) définie sur l’intervalle [0; +Œ[. Une étude
statistique, montrant qu’ environ 50% d’un lot important de ces composants sont
encore en état de marche au bout de 100 semaines, permet de poser
P (T Ø 100) = 0, 5.
1. Déterminer la valeur exacte de ⁄.

2. Quelle est la probabilité qu’un de ces composants pris au hasard ait une durée
de vie supérieure à 300 semaines ?
3. On admet que la durée de⁄ vie moyenne dm de ces composants est la limite
x
quand x tend vers +Œ de ⁄te≠⁄t dt.
0
(a) Montrer que la fonction F : t ‘æ te≠⁄t ≠ ⁄1 e≠⁄t est une primitive sur
[0; +Œ[ de la fonction f :t ‘æ ⁄te≠⁄t .
(b) En déduire dm : on donnera la valeur exacte et une valeur approchée
décimale à la semaine près.
S’exercer 4.6.26
Soit X une variable aléatoire suivant la loi N (0; 1). On note f la densité de proba-
bilité de X.
1. Donner l’expression de f (x) pour tout x œ R.
2. Tracer la courbe représentative de f sur [≠4; 4].
3. Hachurer sur cette représentation la région dont l’aire correspond à
P (≠2 < X Æ 2)
4. Hachurer sur cette représentation la région dont l’aire correspond à
P [(≠1 < X Æ 0) fi (1 < X < 2)]
S’exercer 4.6.27
Soit X une variable aléatoire suivant la loi N (0; 1).

En utilisant le fait que P (X < 2) = 0, 98, calculer les probabilité suivantes :

1. P (X < 2) ; 3. P (X < ≠2) ;

2. P (X > 2) ; 4. P (0 < X < 2).
S’exercer 4.6.28

En utilisant le fait que P (X < 1) = 0, 84, calculer les probabilité suivantes :
1. P (X Æ 1) ; 3. P (X Æ ≠1) ;
2. P (X > 1) ; 4. P (0 < X < 1).
S’exercer 4.6.29
Soit X une variable aléatoire suivant la loi N (10; 25). Que valent l’espérance , la
variance et l’écart type de X ?
S’exercer 4.6.30
Soit X une variable aléatoire suivant la loi N (10; 25) et Z une variable aléatoire
suivant la loi normale centrée réduite. Exprimer les probabilités suivantes en fonction
de Z.
1. P (4 Æ X Æ 17) ; 2. P (X < 13) ; 3. P (X > 9).
S’exercer 4.6.31
Soit X une variable aléatoire suivant la loi N (113; 25). Calculer à 10≠4 près, .
P (110 Æ X Æ 120) .
S’exercer 4.6.32
Une variable aléatoire X suit la loi normale centrée redite N (24; 6, 52 ).

1. Calculer
(a) P (18 Æ X Æ 20) ; (b) P (X Æ 27) ; (c) P (X Ø 22).
2. La variable aléatoire X suit la loi normale N (m; 6, 52 ). Déterminer m pour

que P (X Æ 22) = 0, 95.
S’exercer 4.6.33
Soit X une variable aléatoire suivant la loi N (10; 25) et Z une variable aléatoire
suivant la loi normale centrée réduite. 3 4
x ≠ 10
1. Soit x œ R. Montrer que : P (X Æ x) = P Z Æ .
5
2. En déduire le réel x tel que P (X Æ x) = 0, 95.
S’exercer 4.6.34

1. Que valent 2. Calculer P (30 Æ X Æ 40).

(a) l’espérance de X ?
3. Calculer P (X < 30).
(b) la variance de X ?
(c) l’écart type de X ? 4. En déduire P (X > 40) .
S’exercer 4.6.35
Une variable aléatoire X suit la loi normale centrée réduite N (0; 1).
1. Déterminer, des valeurs approchées à 10≠3 près de
(a) P (≠0, 5 Æ X Æ 0, 5) (b) P (X Ø 1, 8). (c) P (X Æ ≠0, 7)
2. Déterminer le réel a vérifiant P (X Æ a) ¥ 0, 85.

3. Déterminer le réel b vérifiant P (X Ø b) ¥ 0, 675.
4. Déterminer le réel u0,2 vérifiant P (≠u0,2 Æ X Æ u0,2 ) ¥ 0, 8.
S’exercer 4.6.36

1. Que valent l’espérance , la variance et l’écart type de X ?
2. Donner x tel que P (X Æ x) = 0, 8.
3. Donner y tel que P (X Ø y) = 0, 8.
4. Donner x > 0 tel que P (≠x Æ X ≠ 20 Æ x) = 0, 8 .
S’exercer 4.6.37
Le samedi, le nombre X de clients d’un hypermarché est une variable aléatoire qui
suit la loi normale de moyenne 2 000 et d’écart type 300. Calculer les probabilités
qu’un samedi il y ait :
1. plus de 2 500 clients ;
2. moins de 1 800 clients ;
3. entre 1 700 et 2 200 clients.
S’exercer 4.6.38
Une étude statistique réalisée dans une cafétéria permet d’admettre que la va-
riable aléatoire X qui, pendant un mois donné, associe à un client choisi au hasard
sa note en euro, suit la loi normale de moyenne m = 11 et d’écart type 3, 5.
1. Déterminer la probabilité qu’un client choisi au hasard paye une note supé-
rieure ou égale à 15 euros.
2. Déterminer la probabilité qu’un client choisi au hasard paye une note comprise
entre 9 et 12 euros.
3. Déterminer le montant a tel que P (X Ø a) ¥ 0, 10.

S’exercer 4.6.39 (Tirer du Sujet de devoir 2018-2019 de L1 SCE.ECO.)
Une entreprise fabrique deux types de pièces, notées a et b, pour du matériel cel-
lulaire. Les pièces sont réalisées dans deux matériaux différents, métal et coltran.
Arrondir tous les résultats à 10≠2 dans tout cet exercice.
En décembre 2018 ; Monsieur TAPE, le directeur de l’usine décide d’exporter

les pièces fabriquées par son entreprise. Les pièces destinées à l’exportation sont
conditionnées par colis de 100. On prélève au hasard 100 pièces pour vérification
dans un stock destiné à l’exportation. Le stock est assez important pour que l’on
puisse assimiler ce prélèvement à tirage avec remise de 100 pièces. On considère la
variable aléatoire Z qui, à tout prélèvement de 100 pièces, associe le nombre de pièces
en coltran. On admet que la variable aléatoire Z suit le loi binomiale de paramètres
100 et 0, 1.
1. On considère que la loi suivie par Z peut être approché par une loi de Poisson.
Déterminer le paramètre ⁄ de cette loi de Poisson.
2. On désigne par Z1 une variable aléatoire suivant la loi de Poisson de paramètre
⁄ où ⁄ est la valeur obtenue en (a). Calculer P (Z1 Æ 5).
S’exercer 4.6.40 (Tirer du Sujet d’examen 2018-2019 de L1 SCE. ECO.)
Une entreprise fabrique deux types de pièces, notées a et b, pour du matériel cel-
lulaire. Les pièces sont réalisées dans deux matériaux différents, métal et coltran.
Arrondir tous les résultats à 10≠2 dans tout cet exercice.
En décembre 2019 ; Monsieur Gba, le directeur de l’usine commande une enquête
concernant la masse des pièces. Soit Y la variable aléatoire qui associe à chaque pièce
tirée dans un stock important sa masse en kilogrammes. Y suit une loi normale de
paramètres µ = 90 et ‡ = 15.
1. Déterminer P (90 Æ Y Æ 120), puis interpréter ce résultat.
2. Monsieur Gba précise qu’il augmentera la masse des pièces si plus de 2% des
pièces ont masse supérieurs à 150 000 gramme. Quelle sera alors sa décision ?
S’exercer 4.6.41 Loi exponentielle : le cours
X suit une loi exponentielle de paramètre ⁄ = 2.

1. Déterminer sa fonction de densité f
2. Calculer les probabilités suivantes
(a) P (X œ [1; 2]) ;
(b) P (X = 1) ; P (X Ø 1) ;
S’exercer 4.6.42 Durée de vie d’une ampoule
Une ampoule a une durée de vie en heures noté T . On suppose qu’elle suit une loi
exponentielle de paramètre ⁄ = 20 1000 = 5 ◊ 10≠5 .
1. Quelle est la probabilité que l’ampoule dure moins de 4 000 heures ?

2. Quelle est la probabilité que l’ampoule dure plus de 10 000 heures ?

3. Quelle est la probabilité que l’ampoule dure plus de 10 000 heures sachant
qu’elle a duré plus de 4 000 heures ?
4. Combien de temps peut-on espérer faire fonctionner cette ampoule ? Le fa-
briquant annonce que son ampoule a été améliorer : son nouveau paramètre,
noté –, assure une durée de vie supérieure à 10 000 heures avec une probabilité
égale à 0, 95. Déterminer –
S’exercer 4.6.43 Loi normale centrée réduite
X suit une loi normale centrée réduite N (0; 1).

1. Donner sa fonction de densité f et la représenter dans un repérer orthogonal
d’unité 2 cm en abscisse et 5 cm en ordonnée.
2. Calculer les probabilités (arrondis à 0, 001) près ) et faire apparaitre sur le
graphique les domaines corresponds :
(a) P (X œ [≠1; 2]).
(b) P (X œ [≠2; 2]).
(c) P (X = 1).
(d) P (X Æ 2).
(e) P (X Æ ≠1).
(f) P (X Ø 1).
3. Déterminer l’espérance de la variable X
S’exercer 4.6.44 Loi normale N (‹; ‡ 2 )
A la naissance ; le poids en kg des nouveaux nés est une variable aléatoire X qui peut
être modélisée par une loi normale de moyenne ‹ = 3, 4 et d’écart-type ‡ = 0, 5.
1. Dans la réalité, on ne peut pas avoir de poids négatif ; vérifier que P (X < 0)
est très petite pour la loi proposée.
2. Quelle est la probabilité qu’un nouveau né ait un poids compris entre 2, 9 kg
et 3, 9 kg à la naissance ?
X ≠ 3, 4
3. Quelle loi suit la variable aléatoire Z = ?
0, 5
4. Calculer la probabilité qu’un nouveau né pèse moins de 2, 8 kg à la naissance.
(a) En utilisant le fait que : P (≠1, 2 < Z Æ 0) ¥ 0, 385 à 0, 001 prés.
(b) En utilisant le fait que : P (Z < 1, 2) ¥ 0, 885 à 0, 001 près.
(c) En utilisant la table des lois usuelles.
S’exercer 4.6.45 Intervalle de fluctuation asymptotique, test de dépistage
Les baguettes du batteur Travis Backer (du groupe Blink 182) mesurent 414 mm
de long. Le fabriquant certifie en fait que la longueur L, en mm, d’une baguette
produite dans son usine suit une loi normale de moyenne 414 et d’écart-type 1.

1. Montrer que P (413 Æ L Æ 415) ¥ 0, 68 à 10≠2 près.

2. Le contrat stipule que les baguettes livrées à Travis doivent avoir une longueur
comprise entre 413 et 415 mm. On prélève 100 baguettes au hasard produites
au cours d’une journée. On suppose que le nombre total de baguettes produites
est suffisant pour qu’on puisse assimiler ce contrôle à 100 tirages successifs
identiques indépendants d’une même épreuve de Bernoulli de paramètre p =
0, 68.
(a) Donner l’intervalle de fluctuation asymptotique au seuil de 95% de la
fréquence des baguettes conformes
(b) Sur les 100 baguettes testées, 61 sont conformes. Faut-il, au seul de 95%,
procéder à un réglage de la machine ?
S’exercer 4.6.46 Intervalle de confiance, test de dépistage
Une angine peut être due à un virus (on parle d’angine virale) ou à une bactérie
(on parle d’angine bactérienne). Seuls les angines bactériennes sont effacement com-
battues par les antibiotiques. Un laboratoire a mis au point un test basé sur un
prélèvement de salive afin de savoir si l’angine nécessite la prise d’antibiotiques : ce
test doit être positif si l’angine est bactérienne, négatif sinon.
Sur 400 malades atteints d’une angine bactérienne, le test a été positif 336
fois.
Sur 100 malades atteints d’une angine virale, le test a été positif 15 fois.
1. (a) Déterminer la proportion de malades ayant un test positif parmi ceux
ayant une angine bactérienne.
(b) En déduire un intervalle de confiance au niveau de confiance 0, 95 de
la sensibilité du test (c’est-à-dire la proportion de tests positifs lorsque
l’angine est bactérienne)
2. Déterminer un intervalle de confiance au niveau de confiance 0, 95 de la spéci-
ficité du test ( c’est-à-dire la proportion de tests négatifs lorsque l’angine n’est
pas bactérienne)
3. Un test est satisfaisant quand sa sensibilité et sa spécificité dépassent toutes
les deux 90%. Peut-on, au niveau de confiance 0, 95, affirmer que ce test est
satisfaisant ?
S’exercer 4.6.47 Loi uniforme
Yann arrive à l’arrêt de bus de Port-Neuf entre 7h et 7h30. On fait l’hypothèse qu’il
peut y arriver à tout instant avec les mêmes chances.
On note X l’heure, représentée par le nombre de minutes après 7h, où Yann arrive
à cet arrêt.
1. Quelle loi peut-on attribuer à X ? Quelle est sa densité ?
2. Quelle est la probabilité que Yann arrive :
(a) entre 7h11 et 7h22 ?

(b) après 7h28 ?

(c) à 7h13 exactement ?
3. A partir de 7 heures le matin, les bus passent toutes les quinze minutes à cet
arrêt. Quelle est la probabilité que Yann attende :
(a) moins de cinq minutes le prochain bus ?
(b) plus de dix minutes le prochain bus ?
S’exercer 4.6.48 Temps d’attente
On modélise le temps entre deux clients à un guichet par une variable aléatoire X
suivant une loi exponentielle de paramètre ⁄ >⁄0.
t
Le temps moyen d’attente est donné par lim ⁄xe≠⁄x dx.
tæ+Œ 0
1. (a) Déterminer deux réels a et b tels que la fonction définie par :
g(x) = (ax + b)e≠⁄x
soit une primitive de la fonction x ‘æ ⁄xe≠⁄x sur [0; +Œ[.

st
(b) En déduire l’expression de 0 ⁄xe≠⁄x dx en fonction de t Ø 0.
1
(c) Vérifier alors que le temps moyen d’attente entre deux clients est .
⁄
2. Le temps moyen d’attente est de 5 min. Quelle est la probabilité d’attendre :
(a) plus de 10 minutes ?
(b) plus de 10 minutes ?
Quelle est la probabilité d’attendre encore 5 minutes sachant qu’on a déjà
attendu 10 minutes ? Comment expliquez-vous ce résultat ?
S’exercer 4.6.49 Loi normales et vaches à lait
On admet que la production laitière annuelle, en litres, d’une vache laitière peut
être modélisée par une variable aléatoire à densité X, suivant une loi normale de
moyenne ‹ = 5 000 et d’écart-type ‡ = 300.
Les résultats seront arrondis à 0, 001 près.
1. Calculer la probabilité qu’une vache produise entre 4 900 et 5 100 litres de lait
par an.
2. Calculer la probabilité qu’elle produise moins de 4 800 litres par an :
(a) Première méthode : en approchant P (X Æ x) par P (≠1099 Æ X Æ x).
(b) Deuxième méthode : après avoir justifier la propriété :
" si x Æ ‹, P (X Æ x) = 0, 5 ≠ P (x Æ X Æ ‹)".
3. Calculer la probabilité qu’une vache produise plus de 5 250 litres par an :
(a) Première méthode : en approchant P (X Ø x) par P (x Æ X Æ 1099 ).
(b) Deuxième méthode : après avoir justifier la propriété :
" si x Ø ‹, P (X Ø x) = 0, 5 ≠ P (‹ Æ X Æ x)".

4. Sachant que, si Z suit une loi normale centrée réduite, P (Z Æ a) = 0, 2 …

a = ≠0, 842 (arrondi à 0, 001 près),calculer la production maximale prévisible
des 20% de vaches les moins productives du troupeau, c’est-à-dire la valeur x
telle que P (X Æ x) = 0, 20.Arrondir au litre.
5. Sachant que, si Z suit une loi normale centrée réduite, P (Z Æ a) = 0, 7 …
a = 0, 524 (arrondi à 0, 001 près), calculer la production minimale prévisible
des 30% des vaches les plus productive.
S’exercer 4.6.50 Sondage
Un candidat à une élection a interrogé 250 personnes sur un marché. 54% ont promis
de voter pour lui.
1. Ce sondage lui assure-il d’être élu au niveau de confiance 0, 95 ?
2. Quel est le nombre minimal n Ø 30 de personnes à interroger pour qu’une
proportion de 54% de promesses de vote assure au candidat d’être élu au
niveau de confiance 0, 95 ?
S’exercer 4.6.51 Urne secrète
Un sac contient 400 billets indiscernables au toucher. Chacune est noire ou rouge,
mais on ne connait pas la répartition exacte de chaque couleur.
On répète 50 fois l’expérience suivante : on tire une bille au hasard et on note sa
couleur, puis on la remet dans l’urne. Sur les 50 billes obtenues, 16 sont rouges.
1. Donner, avec un niveau de confiance 0, 95, un encadrement de la proportion
de billes rouges dans le sac.
2. Pour en avoir le coeur net, on vide le sac et on compte : il y avait en fait 190
billes rouges dans le sac.
Était-ce prévisible aux vues de l’intervalle de confiance précèdent ?

Bibliographie
[1] mathématiques (Première et Terminale),CIAM,

[2] C.Degrave : Précis de mathématique,probabilité-statistique 1ère année,BREAL
[3] D.Foata : Calcul des probabilités, cours, exercices et probleme corrigés, 3e édi-
tion, DUNOD
[4] Masiéri Walder : Statistique et calcul de probabilités, : travaux pratiques, énon-
cés, et solutions, Dalloz.
[5] Jean-Pierre : Statistique et probabilités : Cours et exercices corrigés Ed. 5,
Probabilités et mathématiques appliquées Psychologie appliquée, Dunod
[6] Tierno oumar sow : probabilité et statistique mathématique, FUPA édition
[7] richard Issac : une introduction aux probabilités, Vudbert, Springer
[8] Bouzitat C., Bouzitat P. et Pages G. : Statistique, probabilité, estimation ponc-
tuelle : cours et exercices d’applications , edition CUJAS
[9] Fouastie J., Laslier J.F. Probabilités et statistiques
[10] Gerald Baillargeon : Probabilités, statistiques et technique de régression , les
éditions SMCS
[11] Degrave G. et Degrave D. Précis de mathematiques, Probabilités-Statistiques ,
1e année, nouveau programme
[12] Esther amicet Introduction aux probabilités et a la statistique, édition gaetan
morin
132
Table des matières
1 Analyse Combinatoire 2
1.1 Premier outils pour dénombrer . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Le comptage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Les diagrammes . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Arbre de choix . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Compléments sur les ensembles . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Parties d’un ensemble . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Partition d’un ensemble . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Produit cartésien . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Arrangement avec répétition : p-uplets . . . . . . . . . . . . . 12
1.3.2 Arrangements sans répétition . . . . . . . . . . . . . . . . . . 13
1.4 Nombre de permutations . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.1 Permutation Sans répétition . . . . . . . . . . . . . . . . . . . 15
1.4.2 Permutations avec répétitions . . . . . . . . . . . . . . . . . . 16
1.5 Combinaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.1 Combinaison sans répétition . . . . . . . . . . . . . . . . . . . 18
1.5.2 Combinaisons avec répétitions . . . . . . . . . . . . . . . . . . 19
1.6 Points à retenir, Renvoie à la bibliothèque . . . . . . . . . . . . . . . 20
1.6.1 Points à retenir . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6.2 Renvoi à la bibliothèque . . . . . . . . . . . . . . . . . . . . . 20
2 La théorie des probabilités 23

2.1 Expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.1 Notion d’expérience aléatoire . . . . . . . . . . . . . . . . . . 23
2.1.2 Notion d’évènement . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.3 Quelques définitions utiles . . . . . . . . . . . . . . . . . . . . 25
2.2 Calcul de probabilités : axiomes et propriétés . . . . . . . . . . . . . . 26
2.2.1 Formalisation de la notion de probabilité . . . . . . . . . . . . 26
2.2.2 Propriétés d’une probabilité . . . . . . . . . . . . . . . . . . . 27
2.3 Probabilités conditionnelles - Indépendance . . . . . . . . . . . . . . . 29
2.3.1 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . 29
2.3.2 Formule des probabilités totales : cas particulier . . . . . . . . 30
2.3.3 Théorème de Bayes . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.4 Indépendance entre deux évènements . . . . . . . . . . . . . . 31
2.4 Points à retenir et Bibliographie . . . . . . . . . . . . . . . . . . . . . 33
133
TABLE DES MATIÈRES 134
2.4.1 Points à retenir . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3 Loi de probabilités discrètes 40

3.1 Notion de variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.1 variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.2 Loi de probabilité d’une variable aléatoire . . . . . . . . . . . 41
3.1.3 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . 41
3.1.4 Espérance, Variance et écart-type . . . . . . . . . . . . . . . . 41
3.1.5 Travail en autonomie . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Épreuve de Bernoulli et Schéma de Bernoulli . . . . . . . . . . . . . . 60
3.2.1 Épreuve de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . 60
3.2.2 Schéma de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . 60
3.2.3 Épreuve de Bernoulli et Schéma de Bernoulli : ATTENTION ! 62
3.2.4 Loi binomiale B(n, p),n œ Nú , p œ ]0; 1[ . . . . . . . . . . . . . 62
3.2.5 Travaille en autonomie . . . . . . . . . . . . . . . . . . . . . . 62
3.3 Loi géométrique et loi de poison . . . . . . . . . . . . . . . . . . . . 74
3.3.1 Loi géométrique G(p), p œ ]0; 1[ . . . . . . . . . . . . . . . . . 74
3.3.2 Loi de Poisson P(⁄), ⁄ > 0 . . . . . . . . . . . . . . . . . . . 75
3.3.3 Théorème d’approximation . . . . . . . . . . . . . . . . . . . . 75
3.3.4 travail en autonomie . . . . . . . . . . . . . . . . . . . . . . . 76
3.4 Point a retenir et bibliographie . . . . . . . . . . . . . . . . . . . . . 76
3.4.1 Point a retenir . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.5 Points à retenir et renvoie à la bibliothèque . . . . . . . . . . . . . . . 80
3.5.1 Points à retenir . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4 Lois de probabilités continues 89

4.1 Loi continues à densité . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1.1 Préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1.2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.1.4 Espérance mathématique, variance, écart type . . . . . . . . . 90
4.2 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.3 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.3.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.4 Loi normale N (m; ‡ 2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4.1 Loi normale centrée réduite N (0; 1) . . . . . . . . . . . . . . 100
4.4.2 Loi normale N (m; ‡ 2 ) . . . . . . . . . . . . . . . . . . . . . . 107
4.4.3 Théorème de Moivre-Laplace . . . . . . . . . . . . . . . . . . 112
4.4.4 Intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . 115

TABLE DES MATIÈRES 135
4.5 Points à retenir et Bibliographie . . . . . . . . . . . . . . . . . . . . . 117

4.5.1 Points à retenir . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.5.2 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

Probabilit2 Math - Copie

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilit2 Math - Copie

Transféré par

Droits d'auteur :

Formats disponibles

COURS DE PROBABILITÉ

LICENCE 1 ETUDE DE DEVELOPPEMENT

Pour quantifier une probabilité, on aura besoin de savoir déterminer le nombre de

Séances de cours et modes de contrôles

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

Le but de ce chapitre est d’apprendre à dénombrer des ensembles finis. La com-

1.1 Premier outils pour dénombrer

Soit E l’ensemble défini par : E = {1; 2; 3; 4}.

– Choisir trois éléments de E

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

1.1.2 Les diagrammes

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

1.1.3 Arbre de choix

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

1.2 Compléments sur les ensembles

1.2.1 Parties d’un ensemble

Soit E = {1; 2; 5; 7}.

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

1.2.2 Partition d’un ensemble

Remarque : Lorsque A ﬂ B = ÿ, on dit que les ensembles A et B sont disjoints.

Des parties d’un ensemble E forment une partition de E si

Propriété 1.2.5 Soit E un ensemble fini et E1 , E2 , E3 , · · · , Ep des ensembles

Card(E) = Card(E1 ) + Card(E2 ) + Card(E3 ) + · · · + Card(Ep )

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

1.2.3 Produit cartésien

Soit A et B deux ensembles. On appelle produit cartésien de A et B l’ensemble des

Au cours d’un examen, un candidat doit choisir successivement deux sujets : un

On note m1 , m2 , m3 et p1 , p2 , p3 , m4 les sujets proposés respectivement en mathé-

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

• Cette définition s’étend à un nombre quelconque d’ensemble ; le produit carté-

Propriété 1.2.8 Pour tous ensembles finis A et B, on a :

Card (A ◊ B) = Card (A) ◊ Card (B)

On peut généraliser la propriété précédente à p ensemble.

Card (E1 ◊ E2 ◊ · · · ◊ Ep ) = Card (E1 ) ◊ Card (E2 ) ◊ · · · ◊ Card (Ep ) .

• Pour tout ensemble E à n éléments, on a : Card (E p ) = np

Soit E un ensemble à n éléments et p un nombre entier naturel non nul. On appelle

Propriété 1.3.2 Le nombre de p-uplets d’un ensemble à n éléments est np .

Soit E = {1; 2; 3; 4; 5}.

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

1.3.2 Arrangements sans répétition

Soit E un ensemble à n éléments et p un nombre entier naturel non nul p Æ n. On

Pour déterminer le nombre d’arrangement de p éléments d’un ensemble E à n

Propriété 1.3.6 Le nombre d’arrangement de p éléments d’un ensemble E à n

Apn = n(n ≠ 1)(n ≠ 2)(n ≠ 3) · · · ≠ n ≠ p + 1).

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

• Le nombre de facteur du produit n(n ≠ 1)(n ≠ 2)(n ≠ 3) · · · ≠ n ≠ p + 1) est

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

1.4 Nombre de permutations

1.4.1 Permutation Sans répétition

Le nombre 2537 est une permutation du nombre 3752.

Propriété 1.4.2 Le nombre de permutations de n éléments distincts est

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

On se propose de déterminer le nombre de façons de disposer 5 drapeaux de 5 pays

1.4.2 Permutations avec répétitions

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

Propriété 1.4.6 Considérons un ensemble de n objets divisés en p groupes d’élé-

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

1.5.1 Combinaison sans répétition

présenté par Dr KOUAHO Jean-Claude: (+225)57 323 114/(+225) 06 628 184

Propriété 1.5.4 Soit n et p deux nombres entiers naturels tels que : p Æ n.

1.5.2 Combinaisons avec répétitions