Cours de Probabilités Sara GOTTI-1

Module: Probabilités
Professeur: Sara GOTTI

s.gotti@uca.ma
Filière Economie et Gestion (Semestre 2)

Centre Universitaire Elkelaa des Sraghna
2020-2021
PLAN DU COURS
1. Chapitre 1: Introduction et Concepts de Base

2. Chapitre 2: Calcul de Probabilités
3. Chapitre 3: Analyse combinatoire
4. Chapitre 4: Probabilités Conditionnelles
5. Chapitre 5: Variable Aléatoire
6. Chapitre 6: Lois de Probabilités
Sara GOTTI SEG S2, 2020-2021 2

CHAPITRE 1
Introduction et Concepts de Base
• Définition de la théorie des probabilités
• Notions de base
✓Expérience aléatoire
✓L’univers Ω
✓Evènements
✓Operations sur les évènements
✓Cardinal

Chapitre 1: Introduction et Concepts de Base
Définition de la théorie des probabilités
• L’origine de la théorie des probabilités est le jeu de dés,

• La théorie des probabilités est une science qui a pour but l’étude des
expériences aléatoires; c’est la chance d’obtenir un évènement après
une expérience aléatoire,
• Elle fournit des modèles mathématiques afin d’analyser des situations
impliquant l’incertitude,
• Elle vise ainsi à définir des mesures exactes de cette incertitude par
l’intermédiaire de ces modèles.

Notions de base (1)

Expérience aléatoire
• On appelle une expérience ou épreuve aléatoire, toute expérience

entrainant des résultats qui dépendent du hasard; c à d le résultat n’est
pas connu par avance.
• Exemple:
o Lancer un dé
o Lancer une pièce de monnaie
o Observer le nombre de pièces défectueuses dans un lot
o Observer le nombre de clients qui entrent dans un magasin dans une période
précise.

Notions de base (1)

Expérience aléatoire
• On appelle une Pourquoi le lancer d’un

expérience oudéépreuve
est une aléatoire, toute expérience
expérience aléatoire?
entrainant des résultats
Lorsque vous qui
lancezdépendent du hasard; c à d le résultat n’est
un dé vous ne savez
pas connu par pas
avance.
si vous aurez comme résultat 1, 2, 3, 4,
5, ou 6 sur la face supérieure du dé.
• Exemple:
o Lancer un dé
o Lancer une pièce de monnaie
o Observer le nombre de pièces défectueuses dans un lot
o Observer le nombre de clients qui entrent dans un magasin dans une période
précise.

Notions de base (2)

L’univers Ω
• On appelle univers, noté Ω, l’ensemble de tous les résultats possibles

(on dit aussi de toutes les éventualités possibles) d’une expérience
aléatoire.
• Exemple:
o Ex1 : “ lancer d’un dé régulier “
Ω ={1,2,3,4,5,6}
o Ex2 : E : “jet de deux pièces de monnaie distinguables “
Ω ={(P,P) ; (P,F) ; (F,P) ; (F,F)}

Notions de base (3)

Evénement
• On définit un évènement comme un ensemble de résultats possibles de

l’expérience aléatoire.
• Un évènement est un sous-ensemble de l’univers Ω , associé à une
expérience aléatoire, qui peut se réaliser ou non au cours de cette
expérience.
• On note cet évènement par une lettre majuscule (A, B, C, D, E, …).
• Exemple:
▪ Avec l’expérience aléatoire du lancer d’un dé, on peut avoir les événements suivants:
o A: « le numéro obtenu est impair » ; A = {1, 3, 5}
o B: « le numéro obtenu est inférieur ou égal à 3 » ; B = {1, 2, 3}
▪ Avec l’expérience aléatoire du lancer de deux dés, on peut avoir l’événement suivant:
o C : « la somme des deux numéros obtenus est 5 » ; C = {(2,3), (1,4), (3,2), (4,1)}

Notions de base (3)

On se représente la situation 1 à l'aide d'un Diagramme de Venn
Evénement
Ω
• On définit un évènement comme un ensemble de résultats possibles de
l’expérience aléatoire. B
A
• Un évènement est un sous-ensemble de l’univers Ω, associé à une expérience
aléatoire, qui peut se réaliser ou non au cours 5de cette1 expérience.
2
• On note cet évènement par une lettre majuscule (A, 3B, C, D, E, …).
• Exemple:
1. Avec l’expérience aléatoire du lancer d’un dé, on peut avoir les événements suivants:
o A: « le numéro obtenu est impair » ; A = {1, 3, 5}
o B: « le numéro obtenu est inférieur ou égal à 3 » ; B = {1, 2, 3}
2. Avec l’expérience aléatoire du lancer de deux dés, on peut avoir l’événement suivant:
o C : « la somme des deux numéros obtenus est 5 » ; C = {(2,3), (1,4), (3,2), (4,1)}

Notions de base (3)

Evènement: Cas particuliers
• Ω est un évènement, regroupant tous les résultats possibles, appelé

évènement certain.
• Ø est l’évènement impossible; c’est l’événement qui n’est jamais
réalisé.
• On appelle événement élémentaire ω un ensemble de
l'univers (un évènement) constitué d'un seul élément.
• Exemple:
o O: « Obtenir un résultat inferieur à 8 », alors O = Ω
o I: « Obtenir un résultat supérieur à 7 », alors I = Ø
o Ω = {1, 2, 3, 4, 5, 6}, alors ω ={4} est un évènement élémentaire de Ω

Notions de base (4)

Operations sur les événements: Evénement contraire
• Complémentaire ou contraire de A est l’événement constitué des

résultats élémentaires de Ω qui ne sont pas dans A. Soit ω le résultat de
l’expérience :
𝜴
▪ w  𝐴  w A
▪ ( 𝐴se réalise ssi A ne se réalise pas : non A).
• Exemple: A
o Ω et ∅ sont deux évènements contraires.
o Soit A : « obtenir un numéro impair », A = {1, 3, 5}
Alors, l’évènement contraire de A est l’évènement non A: « obtenir un numéro pair »,
𝐴={2, 4, 6}

Notions de base (4)

Operations sur les événements: Réunion des événements
• On dit que l’évènement ≪ A ou B ≫ est réalisé si et seulement si l’un

deux au moins est réalisé :
𝜔 ∈ "A ou B" ֞ 𝜔 ∈ A ou 𝜔 ∈ B ֞ 𝜔 ∈ (A U B) 𝜴
• Exemple:
o On lance un dé équilibré à 6 faces. On note les événements A B
A : « le numéro obtenu est impair »
B : « le numéro obtenu est inférieur ou égal à 4 »
Alors la réunion de A et B
A ou B = A U B={1, 2, 3, 4, 5}

Notions de base (4)

Operations sur les événements: Intersection de deux événements
• L’ évènement "A et B" est constitué des éléments appartenant à la fois à

l’évènement A et à l’évènement B.
• On le note A∩B qui se prononce « A inter B » 𝜴
• 𝜔 ∈ "A et B " ֞ 𝜔 ∈ A et 𝜔 ∈ B ֞ 𝜔 ∈ (A ∩B)
• Exemple: A B
o On lance un dé équilibré à 6 faces. On note les événements
A : « le numéro obtenu est impair »
B : « le numéro obtenu est inférieur ou égal à 4 »
alors l’intersection de A et B est:
A et B = A ∩ B={1, 3}

Notions de base (4)

Operations sur les événements: Évènements incompatibles
• Les évènements A et B sont incompatibles, si A et B ne peuvent pas se

réaliser en même temps ou simultanément.
• Les évènements A et B n’ont pas d’éléments en communs et leur
intersection est l’ensemble vide: A ∩ B = ∅.
• On a A ∩ 𝐴ҧ = ∅. On dit que A et 𝐴ҧ sont incompatibles
• Exemple: 𝜴
o Pour le jet d’un dé à six faces, les évènements :
A: « avoir un nombre pair » et B
B: « avoir un nombre impair »
A
sont incompatibles.

Notions de base (4)

Operations sur les événements: Inclusion d’un événement
• Un événement A entraîne un événement B si la réalisation de A implique

celle de B. On dit que l’événement A est inclus dans l’événement B.
w  A ⇒ w B et donc on dit que A  B ou (A implique B)
• L’implication logique « A ⇒ B » se traduit par l’inclusion A ⊂ B .
• Exemple: 𝜴
o Soit une urne contenant des billes rouges unies et des billes vertes
unies et striées. Si l’on note A: « obtenir une bille striée » et
A B
B: « obtenir une bille verte »
la réalisation de A implique la réalisation de B car A est inclus dans B.

Notions de base (4)

Operations sur les événements: Système complet des évènements
• Soit 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 , n évènements aléatoires. (𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 )

constituent un système complet d’ évènements si ces évènements
forment une partie d Ω, c’est-à-dire:
▪ Ils sont deux à deux incompatibles: pour tout i ≠ j ; 𝐴𝑖 ∩𝐴𝑗 = ∅
▪ Leur réunion est l’ évènement certain Ω; ‫=𝑖𝑛ڂ‬1 𝐴𝑖 = Ω
• On peut aussi noter que A et 𝐴ҧ constituent un système complet
d’évènements. 𝜴
𝐴1 𝐴2 𝐴3 𝐴4

Notions de base (5)

Cardial d’un évènement
• On appelle le nombre d’éléments d’un évènement, le cardinal de cet évènement. On le

note Card.
• A et B sont deux évènements, alors:
Card (A U B) = Card A +Card B – Card (A ∩ B)
• Si A ∩ B = ∅, alors:
Card (A U B) = Card A +Card B (parce que Card (A ∩ B)=0 )
• Exemple:
o Soit les évènements suivants:
A: « Obtenir un nombre pair »; A={2, 4, 6}
B: « Obtenir un multiple de 3 »; B={3, 6}
C: « Obtenir un diviseur de 3 »; C={1, 3}
Card Ω=6 Card A=3 Card (A ∩ C)=Card ∅=0 Card (A U B)=4

Notions de base (5)

Cardial d’un évènement
• Exemple:
o Soit une classe de 30 élèves: Ω
20 élèves étudient l’anglais
7 élèves étudient l’espagnol
E
A
3 élèves étudient les deux langues 17
Question1: combien d’élèves qui n’étudient aucune langue? 3 4
30 - (17+3+4)=6 élèves qui n’étudient aucune langues 6

Notions de base (5)

Cardial d’un évènement Inventaire:
• Exemple: E ഥ
𝑬
෍
Question2: combien d’élèves qui étudient au moins une
langue? A∪ 𝐸 A 3 17 20
A∩E A∩ 𝐸ത A∩E ∪
Card (A∪ 𝐸)=Card A + Card E – Card (A∩ 𝐸) A∩ 𝐸ത
= 20+7-3=24
𝐴ҧ 4 6 10
𝐴ҧ ∩E 𝐴ҧ ∩ 𝐸ത 𝐴ҧ ∩E ∪
𝐴ҧ ∩ 𝐸ത
7 23 30
෍
A∩E∪ A∩ 𝐸ത ∪
𝐴ҧ ∩ E 𝐴ҧ ∩ 𝐸ത

CHAPITRE 2
Calcul de Probabilités
• Définition de la probabilité
• Propriétés de probabilité
• Probabilité uniforme

Chapitre 2: Calcul de Probabilités
Définition de la probabilité
• La probabilité est la fonction permettant de mesurer la chance de réaliser un

évènement.
• On appelle probabilité P toute application de l’ensemble des évènements Ω
dans l’intervalle [0,1], tel que :
𝑷 : ℇ(𝜴)⟶ [𝟎,𝟏]
𝑨⟼𝑷(𝑨)
• Elle satisfait les axiomes de Kolmogorov suivantes :
✓∀ 𝑨 ∈ ℇ(𝜴), 0≤𝑷(𝑨)≤ 1
✓P (Ω)=1
✓∀ 𝑨,𝑩 ∈ℇ(𝜴), 𝑺𝒊 𝑨∩𝑩=∅ , Alors, : P (A U B ) = P (A ) + P (B )

Propriétés de probabilité (1)
• ∀ A événement, on a : 0 ≤ P (A ) ≤ 1
ҧ 1−𝑃 (𝐴)
• Si A événement on a : 𝑃(𝐴)=
Démonstration:
On A U 𝐴ҧ = Ω => P(A U 𝐴ҧ ) = P(Ω)
Et puisque A∩B=∅ donc P(A U 𝐴ҧ ) = P(A) + P(𝐴)ҧ
Alors P(A) + P(𝐴)ҧ = P(Ω) = 1 d’où 𝑃(𝐴)=
ҧ 1−𝑃 (𝐴)
• P(Ø)=0
Démonstration:
On a Ø U Ω = Ω et Ø ∩ Ω = Ø donc P(Ø) = 1-P(Ω)
• Si AB, Alors P (A) < P(B)


• 𝑆𝑖 𝐴 𝑒𝑡 𝐵 𝑠𝑜𝑛𝑡 2 é𝑣é𝑛𝑒𝑚𝑒𝑛𝑡𝑠, 𝑎𝑙𝑜𝑟𝑠 𝑜𝑛 𝑎 :
𝑃(𝐴 𝑈 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃 (𝐴 ∩ 𝐵)
Démonstration:
On a 1 A=A∩ 𝐵 ∪ 𝐴 ∩ 𝐵ത et 2 B=B∩ 𝐴 ∪ 𝐵 ∩ 𝐴ҧ
alors P(A∪ 𝐵) = 𝑃(A∩ 𝐵 ∪ 𝐴 ∩ 𝐵ത ∪ B∩ 𝐴 ∪ 𝐵 ∩ 𝐴ҧ )
P(A∪ 𝐵) = 𝑃(A∩ 𝐵 ∪ 𝐴 ∩ 𝐵ത ∪ 𝐵 ∩ 𝐴ҧ )
ത 𝑠𝑜𝑛𝑡 𝑖𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒𝑠
(A∩ 𝐵) 𝑒𝑡 (𝐴 ∩ 𝐵)
ത et 𝐵 ∩ 𝐴ҧ 𝑠𝑜𝑛𝑡 𝑖𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒s
(𝐴 ∩ 𝐵)
(A∩ 𝐵) 𝑒𝑡 𝐵 ∩ 𝐴ҧ 𝑠𝑜𝑛𝑡 𝑖𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒s
Alors P(A∪ 𝐵) = 𝑃(A∩ 𝐵) + 𝑃(𝐴 ∩ 𝐵)ത +𝑃(𝐵 ∩ 𝐴ҧ ) *
D’après 1 P(A)= 𝑃(A∩ 𝐵) + 𝑃(𝐴 ∩ 𝐵) ത => 𝑃 𝐴 ∩ 𝐵ത =P(A)-𝑃(A∩ 𝐵)
Et d’après 2 P(B)=𝑃(A∩ 𝐵) + 𝑃(𝐵 ∩ 𝐴ҧ ) => 𝑃(𝐵 ∩ 𝐴ҧ ) = P(B)-𝑃(A∩ 𝐵)
On revient à * P(A∪ 𝐵)= 𝑃(A∩ 𝐵) + P(A) - 𝑃(A∩ 𝐵) + P(B)-𝑃(A∩ 𝐵)
On obtient donc 𝑃(𝐴 𝑈 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃 (𝐴 ∩ 𝐵)

• Pour toute famille 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 d’évènements incompatibles 2 à

2.
Alors, 𝑃 𝐴1 ∪ 𝐴2 𝑈 … .∪ 𝐴𝑛 = σ𝑛𝑖=1 𝑃(𝐴𝑖 )
• Pour tout système complet d’évènements 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 et pour tout

évènement B de l’univers Ω, on a :
𝑃 𝐵 = 𝑃 𝐴1 ∩ 𝐵 + 𝑃 𝐴2 ∩ 𝐵 + 𝑃 𝐴3 ∩ 𝐵 … + 𝑃 𝐴𝑛 ∩ 𝐵
C.à.d. ∀ 𝐵 ∈ Ω, 𝑃(𝐵) = σ𝑛𝑖=1 𝑃(𝐴𝑖 ∩ 𝐵) .

Exercice 1:
• Admettons qu’on a une urne qui contient des boules rouges et des
boules blanches et je prélève une boule au hasard.
On donne P(R)=0,7 ; la probabilité que la boule soit rouge est 0,7
P(B)?
R et B constituent deux évènements contraires ou incompatibles (si la
boule n’est pas rouge, elle est blanche).
Alors: P(B)=1-P(R)=1-0,7=0,3

Exercice 2:
• On lance une pièce de monnaie qui n’est pas équilibrée (c à d les deux
faces n’ont pas la même chance de sortie).
On donne P(F)=0,4; la probabilité d’avoir face est de 0,4
P(P)?
P et F constituent deux évènements contraires ou incompatibles.
Alors: P(P)=1-P(F)=1-0,4=0,6

Probabilité uniforme (1)
• Soit Ω un ensemble fini. Il arrive, comme quand on lance un dé

équilibré, que les évènements élémentaires ont tous la même
probabilité. On parle alors d' évènements élémentaires equiprobables.
• Notons p la probabilité de chaque évènement élémentaire. Alors
1 = P(Ω) =σ𝜔∈Ω 𝑃(𝜔) = σ 𝑝 = 𝑝 × 𝐶𝑎𝑟𝑑 Ω
1
• D’où p = P(𝜔) = , pour tout 𝜔
𝐶𝑎𝑟𝑑 Ω
• La probabilité ainsi définie sur l'ensemble s'appelle probabilité
uniforme.


• La probabilité d'un évènement A se calcule :
𝐶𝑎𝑟𝑑 𝐴
σ
P(A) = 𝜔∈A 𝑃(𝜔) =
𝐶𝑎𝑟𝑑 Ω
𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠

P=
𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑝𝑜𝑠𝑠𝑖𝑏𝑙𝑒𝑠
Attention !
▪ Cette formule n'est valable que lorsque les évènements élémentaires sont
bien équiprobables.
▪ Dans ce cas, il suffit de savoir calculer le cardinal des ensembles considérés
pour calculer les probabilités.


• Exemple1:
o Soit une classe de 30 élèves; dont 20 élèves étudient l’anglais, 7 élèves étudient l’espagnol et 3 élèves étudient
les deux langues. On désigne un élève au hasard:
Question1: Quel est la probabilité pour que cet élève étudie l’anglais?
20 2 1
P(A) = = => P(𝐴ҧ) = : la probabilité pour que cet élève n’étudie pas l’anglais
30 3 3
Question2: Quel est la probabilité pour que cet élève étudie l’espagnol?
7 7 23
P(E) = ത =1
=> P(𝐸) − = : la probabilité pour que cet élève n’étudie pas l’espagnol
30 3 30
Question3: Quel est la probabilité pour que cet élève étudie les deux langues?
3 1
P(A∩E) = =
30 10
Question4: Quel est la probabilité pour que cet élève étudie au moins une langue?
𝐶𝑎𝑟𝑑 𝐴 𝐶𝑎𝑟𝑑 𝐸 𝐶𝑎𝑟𝑑 𝐴∩𝐸 20 7 3 24 4
P(A∪E)=P(A) + P(E) - P(A∩E)= + - = + - = =
𝐶𝑎𝑟𝑑 Ω 𝐶𝑎𝑟𝑑 Ω 𝐶𝑎𝑟𝑑 Ω 30 30 30 30 5

• Exemple2:
o Soit une roue que l’on fasse tourner puis elle s’arrête. Quel est la probabilité qu’elle s’arrête
sur 1?
1
La probabilité de chaque triangle est , et comme on a 1 deux fois, alors
6 1
2 1 2 2
𝑃1 = = 2
6 3 1
3
3 1
Et 𝑃2 = = ; la probabilité de s’arrêter sur 2
6 2
1
Et 𝑃3 = ; la probablilité de s’arrêter sur 3
6

• Exemple3:
o Soit l’expérience aléatoire suivante : « jet de deux pièces de monnaie distinguables »
Alors, les cas possibles sont :
Ω={(P,P) ; (P,F) ;(F,P) ; (F,F)} est équiprobable.
Soit l’évènement A: «On obtient au moins une fois P »
Alors, les cas favorables sont: A ={(P,P) ; (P,F) ; (F,P) }.
𝑐𝑎𝑟𝑑(𝐴) 3
Donc : 𝑃(𝐴)= =
𝑐𝑎𝑟𝑑(Ω) 4

• Exemple4:
o On considère l'Expérience aleatoire suivante: « lancer de deux dés de 1 à 4 faces »
On considère que le dé est équilibré.
Soit B l’évènement ≪ la somme des deux numéros obtenus est 5 ≫, on aura :
B= {(1;4),(2;3),(4;1),(3;2)} Inventaire de résultats
Le nombre de résultats possibles est 4 x 4 = 16 1 2 3 4
4 1 1 2 3 4 5
P(B) = =
16 4
2 3 4 5 6
3 4 5 6 7
4 5 6 7 8

• Exemple5:
o Soit l’expérience aléatoire suivante : « lancer trois fois de suite une pièce de monnaie
équilibrée (c-à-d j’ai autant de chance d’avoir pile que de d’avoir face) »
J’utilise l’arbre pondéré pour définir les résultats possibles :
on a 2x2x2=8 résultat possibles
F FFF
F P FFP 1
F FPF A: « Obtenir 3 fois face » A={FFF} => P(A)=
F P P FPP 8
F F PFF 3
P B: « Obtenir 2 fois face » B={FFP, FPF, PFF} => P(B)=
P PFP 8
P F PPF
P PPP

• Exemple5:
o Autre méthode pour calculer P(B) par le biais de l’arbre pondéré.
la pièce de monnaie est équilibrée, donc P(F)=1/2
La probabilité de chaque ligne égal au produit des probabilités des branches de tout le chemin
(en partant de 1er lancer jusqu’au dernier lancer)
F FFF
P(B)=P(FFP)+P(FPF)+P(PFF)
1/2 F 1/2 P FFP P(FFP)= ½ x ½ x ½ =1/8
1/2 F FPF
1/2 F P P FPP P(FPF)= ½ x ½ x ½ =1/8
1/2 1/2 F PFF
P F P(PFF)= ½ x ½ x ½ =1/8
1/2 P PFP
P F PPF
P PPP D’où P(B)=3/8
1/2

CHAPITRE 3
Analyse Combinatoire
• Arrangement avec répétition
• Arrangement sans répétition
• Permutation
• Combinaison

Chapitre 3: Analyse Combinatoire
• La définition de la probabilité d’un évènement se base sur le nombre de cas

favorables et le nombre de cas possibles.
• Pour calculer ces nombres, on utilise les techniques de dénombrement ou l’analyse
combinatoire.
• L’analyse combinatoire est un ensemble de formules qui ont pour objectif de
dénombrer les éléments d’un ensemble fini.
• Exemples:
o Combien de groupes de 4 étudiants que je peux former à partir d’une classe de 20 étudiants?
o On a une urne avec 30 boules (rouges et vertes) et on prélève simultanément 4 boules.
Combien de tirages possibles qui comportent que des boules vertes?
o On a une numérotation à 10 chiffres. Combien de numéro de téléphones différents qu’on peut
former avec ces 10 chiffres?

Arrangement avec répétition
• Soit Ω un ensemble composé de n éléments : card(Ω) = n. Si nous

avons à choisir p éléments parmi n dans une disposition ordonnée (les
places sont distinctes) et avec répétition (on peut choisir le même
élément plusieurs fois),
➢on dit qu’on a un arrangement de p éléments parmi n. Le nombre
d’arrangement avec répétition est 𝑛𝑝 :

• Exemple 1:
On considère une urne qui contient 5 boules numérotées de 1 à 3. on
effectue trois tirages successifs avec remise.
Question: combien y a-t-il de tirages possibles?
1 1
1 5 x 5 x 5= 53 tirages possibles de
2 2 3 boules avec remise
2
3 3
3
4 4
4
5 5 5
5 Choix 5 Choix 5 Choix
pour la 1ère pour la 2ème pour la 3ème
boule boule boule
• Exemple 2:
o Combien de codes formés de 4 chiffres possibles?
Ex: 0 8 5 7
10 x 10 x 10 x 10= 104 = 10000 codes possibles à 4 chiffres
o On considère la numérotation téléphonique à 10 chiffres. Combien de numéros de
téléphones possibles qui commencent par 06?
06 xx xx xx xx : il nous reste 8 chiffres avec 10 valeurs possibles pour chaque
chiffre. Alors 108 numéros possibles.

Arrangement sans répétition

• Soit Ω un ensemble composé de n éléments : card(Ω) = n. Si nous avons à choisir p
éléments parmi n. la disposition est ordonnée et sans répétition et avec répétition (on ne
peut pas choisir le même élément plusieurs fois),
➢On dit qu’on a un arrangement sans répétition de p éléments parmi n.
𝑝 𝑛!
𝐴𝑛 =
𝑛−𝑝 !
Démonstration:
J’ai une urne avec n boules et j’effectue p tirages successifs sans remise:
n (n-1)(n-2)(n-3) ….x(n-(p-1)) tirages possibles sans répétition
𝑛−𝑝 !
je multiplie n (n-1)(n-2)(n-3) ….x(n-p+1) par j’obtiens
𝑛−𝑝 !
n (n−1)(n−2)(n−3) ….(n−(p−1))(n−p)! 𝑛! 𝑝
= = 𝐴𝑛
𝑛−𝑝 ! 𝑛−𝑝 !

Arrangement sans répétition

• Exemple:
o Soit un ensemble de 4 éléments E = {a, b, c, d}.
Les arrangements sans répétition de 3 éléments choisis parmi les 4 éléments de E sont :
4!
𝐴34 = = 4 × 3 × 2 = 24
4−3 !
(a, b, c) est un arrangement mais pas (a, b, b)

Permutation
• Cas particulier d’un arrangement sans répétition:

Si n=p alors:
𝑛 𝑛!
𝐴𝑛 = = n!
0!
➢On appelle le nombre d’arrangement de n éléments parmi n éléments
d’une liste, le nombre de permutations de cette liste.
➢Réaliser une permutation des éléments de Ω, c’est réaliser un tirage
exhaustif sans remise des éléments de Ω en tenant compte de l’ordre
du tirage.

Permutation
• Exemple 1:
Soit un ensemble de 3 éléments de E = {a, b, c}.
Les Permutations de ces 3 éléments de E sont :
𝐴33 = 3! = 3 × 2 × 1 =6

Permutation
• Exemple 2:
o On veut compter le nombre d’anagrammes possibles du mot AMIES (c-à-d le
nombre de permutations possibles des lettres de ce mot)
𝐴55 = 5! = 5 × 4 × 3 × 2 × 1 = 120 anagrammes du mot AMIES
o On veut compter le nombre d’anagrammes possibles du mot AMICALES:
On suppose que les lettres sont distinctes => 8!
Si on permute deux lettres identiques, on trouve le meme mot. On doit donc diviser
le nombre total de permutations
8!
par le nombre de permutations entre les lettres
identiques. On obtient
2!
o On veut compter le nombre d’anagrammes possibles du mot ATTRISTEES:
10!
2! × 2! × 3!

Combinaison (1)
• Soit Ω un ensemble composé de n éléments : card(Ω) = n. Si nous avons à choisir p
éléments parmi n. Si la disposition est non-ordonnée et sans répétition, on dit que l’on a
une combinaison
𝑝 sans répétition de p éléments parmi n. Le nombre de ces combinaisons
se note 𝐶𝑛 .
𝑝
• Le nombre de combinaison de p éléments parmi n, noté 𝐶𝑛 est égal à :
𝑝
𝑝 𝑛× 𝑛−1 × 𝑛−2 …(𝑛−𝑝+1) 𝐴𝑛
𝐶𝑛 = =
𝑝! 𝑝!
Exemple :
Soit E={0,2,5} ,on peut alors constituer :
Une seule combinaison de 3 éléments : {0,2,5}
Six arrangements de 3 éléments : (0,2,5);(0,5,2);(2,0,5);(2,5,0);(5,2,0);(5,0,2)
Trois combinaisons de 2 éléments parmi 3 éléments de E est : 𝐶32 =3
Soit : (0,2);(0,5);(2,5)

Combinaison (1)
Démonstration:
J’ai une urne avec 5 boules numérotées et j’effectue 3 tirages successifs sans remise:
Alors 𝐴35 tirages possibles sans répétition
je peux avoir
(1, 2, 3) (1, 3, 4) (2, 4, 5) ….
(1, 3, 2) …
(3, 2, 1) …
(3, 1, 2) …
(2, 1, 3) …
(2, 3, 1) ….
C’est comme si j’ai pour chaque combinaison 3! Permutations possibles
Alors le nombre des arrangements égal au nombre de combinaisons plus le nombre des permutations
possibles pour chaque combinaison. On peut déduire que:
𝐴35 = 3! 𝐶53
𝑝 𝑝
En général 𝐴𝑛 = 𝑝! 𝐶𝑛

Combinaison (2)
• De façon général avec un ensemble de n éléments, le nombre de

combinaison de p éléments est égal à:
𝑝
𝑝 𝐴𝑛
𝐶𝑛 =
𝑝!
𝑝 𝑛!
Or 𝐴𝑛 =
𝑛−𝑝 !
𝑝 𝑛!
Alors 𝐶𝑛 =
𝑝! 𝑛−𝑝 !

Combinaison (3): Propriétés des coefficients

• De façon général avec un ensemble de n éléments, le nombre de combinaison de p
éléments est égal à:
• 𝐶𝑛0 = 𝐶𝑛𝑛 = 1 ; 𝑜ù 𝑛 ≥ 0
𝑛!
𝐶𝑛0 = =1
0!𝑛!
𝑛−𝑝
• 𝐶𝑛𝑃 = 𝐶𝑛 ; 𝑜ù 0 ≤ 𝑝 ≤ 𝑛
• 𝐶𝑛1 = 𝑛 ; 𝑜ù 𝑛 > 0
𝑛!
𝐶𝑛1 = =n
1!(𝑛−1)!
• 𝐶𝑛𝑛 = 1; 𝑜ù 𝑛 > 0
𝑛!
𝐶𝑛𝑛 = 0!𝑛! = 1

Combinaison (3): Propriétés des coefficients
Démonstration:
𝑛−𝑝
𝐶𝑛𝑃 = 𝐶𝑛 ; 𝑜ù 0 ≤ 𝑝 ≤ 𝑛
𝑛−𝑝 𝑛!
On a 𝐶𝑛 =
(𝑛−𝑝)! 𝑛−𝑛+𝑝 !
𝑛!
=
(𝑛−𝑝)! 𝑝 !
= 𝐶𝑛𝑃

CHAPITRE 4
Probabilités Conditionnelles
• Définition de la probabilité conditionnelle
• Evènements incompatibles
• Formule des probabilités totales
• Evènements indépendants
• Formule de Bayes

Chapitre 4: Probabilités Conditionnelles
• Exemple d’étude:
Soit un lot de 100 articles qui représentent deux types de défauts; le défaut A et le défaut B.
On suppose que 12 articles ont le défaut A, 8 article ont le défaut B et 5 articles ont les deux
défauts.
On note A∩B les articles qui présentent les deux défauts A et B.
𝐶𝑎𝑟𝑑 𝐴 𝐶𝑎𝑟𝑑 𝐴∩𝐵
On a bien sur : P(A) = =0,12 et P(A∩B) = =0,05
𝐶𝑎𝑟𝑑 Ω 𝐶𝑎𝑟𝑑 Ω
Quelle est la probabilité qu’un article qui a le défaut Inventaire des articles
A choisi au hasard aie le défaut B? (*) B 𝑩ഥ σ
On dispose ici d’une information supplémentaire : A 5 7 12
on sait que l’article choisi a le défaut A. 𝐴ҧ 3 85 88
La probabilité cherchée est clairement: σ 8 92 100
𝑃(𝐴∩𝐵)
(par le biais de l’arbre) :
P(A)
P.-S. la probabilité qu’un article aie le défaut A et le défaut B est (*) B A∩B
A 𝐵ത A∩ 𝐵ത
différente de la probabilité qu’un article aie le défaut B sachant
B 𝐴ҧ ∩ 𝐵
qu’il a défaut A. 𝐴ҧ
𝐵ത 𝐴ҧ ∩ 𝐵ത

Définition de la probabilité conditionnelle (1)
• On considère la réalisation de deux événements A et B.

• On appelle la probabilité de l’événement B, sachant que l’événement
A est réalisé, la probabilité conditionnelle de B sachant A et se note
P(B/A).
• Par définition, on a
𝑃(𝐴∩𝐵)
P(B/A) =
P(A)

Définition de la probabilité conditionnelle (2): évènements incompatibles
• Deux événements A et B d'une expérience aléatoire sont dits

incompatibles lorsque l'intersection de deux sous-ensembles A et B est
vide.
Ce qui fait : 𝑃(𝐴∩𝐵)=𝑃(∅)=0
• Alors, Si A et B sont incompatibles alors:
P(B/A)=0 car (P(𝐴∩𝐵)=0)

Formule des probabilités totales (1)
• Soit 𝐴1 , 𝐴2 , … , 𝐴𝑛 un système complet d’évènements non impossibles.

Pour tout B, on a :
𝑃(𝐵)=σ𝑛𝑖=1 𝑃(𝐴𝑖 ∩𝐵)= σ𝑛𝑖=1 P(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )
• Considérons une partition 𝐴1 , 𝐴2 , … , 𝐴𝑛 de l'ensemble des événements
de Ω
Et 𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪ … 𝐴𝑛 =Ω, 𝐴𝑖 ∩ 𝐴𝑗 =∅ 𝑝𝑜𝑢𝑟 𝑖≠𝑗, 𝑎𝑙𝑜𝑟𝑠
𝑃(𝐵)=𝑃(𝐴1 ).𝑃(𝐵/ 𝐴1 )+𝑃(𝐴2 ).𝑃( 𝐵/ 𝐴2 )+ …+𝑃(𝐴𝑛 ).𝑃(𝐵/ 𝐴𝑛 )
Démonstration
𝑃(𝐵)=𝑃(𝐵∩ 𝐴1 )+𝑃(𝐵∩ 𝐴2 )+….𝑃(𝐵∩ 𝐴𝑛 )
alors , 𝑃(𝐵)=𝑃(𝐴1 ).𝑃(𝐵/ 𝐴1 )+𝑃(𝐴2 ).𝑃( 𝐵/ 𝐴2 )+ …+𝑃(𝐴𝑛 ).𝑃(𝐵/ 𝐴𝑛 )

Formule des probabilités totales (2): Cas particulier
• Soit l’événement A. il constitue avec son complémentaire 𝐴ҧ un

système complet d’événements: (on a B= 𝐵∩𝐴 ∪ 𝐵∩𝐴)ҧ
𝑃(𝐵)=𝑃(𝐵∩𝐴 )+𝑃(𝐵∩𝐴)ҧ
Alors ҧ
𝑃(𝐵)=𝑃(𝐴).𝑃(𝐵/ 𝐴)+𝑃(𝐴).𝑃( 𝐵/ 𝐴)ҧ

• Exemple:
• On considère une urne contenant 4 boules blanches et 3 boules noires.
• On tire une à une et sans remise 3 boules de l'urne. Quelle est la probabilité pour que la première
boule tirée soit blanche, la seconde blanche et la troisième noire? B
On note: 3
N --- B∩N∩N
4 6 B 3/5 B
𝐵:𝑙𝑎 𝐵𝑜𝑢𝑙𝑒 𝑡𝑖𝑟é𝑒 𝑒𝑠𝑡 𝑏𝑙𝑎𝑛𝑐ℎ𝑒
7 B N N
𝑁:𝑙𝑎 𝐵𝑜𝑢𝑙𝑒 𝑡𝑖𝑟é𝑒 𝑒𝑠𝑡 𝑁𝑜𝑖𝑟𝑒 B B
Alors on cherche à calculer la probabilité suivante: N N
N B
𝑃(𝐵∩𝐵∩𝑁) N
Ce qui fait : 𝑃(𝐵∩𝐵∩𝑁)=P(𝐵 )×𝑃(𝐵/ 𝐵 ) × 𝑃( 𝑁 / (𝐵∩𝐵))
𝑜𝑛 𝑎,
La première boule tirée soit blanche: 𝑃(𝐵)=4/7
"la seconde blanche" 𝑠𝑎𝑐ℎ𝑎𝑛𝑡 𝑞𝑢𝑒 𝑙𝑎 𝑝𝑟𝑒𝑚𝑖è𝑟𝑒 𝑒𝑠𝑡 𝑏𝑙𝑎𝑛𝑐ℎ𝑒 : 𝑃(𝐵 / 𝐵)=3/6
la troisième noire 𝑠𝑎𝑐ℎ𝑎𝑛𝑡 𝑞𝑢𝑒 𝑙𝑎 𝑝𝑟𝑒𝑚𝑖è𝑟𝑒 𝑒𝑠𝑡 𝑏𝑙𝑎𝑛𝑐ℎ𝑒" et la seconde blanche"
𝑃(𝑁/ 𝐵∩𝐵)=3/5
Alors, 𝑃(𝐵∩𝐵∩𝑁)=P(𝐵 )×𝑃(𝐵/ 𝐵 ) × 𝑃( 𝑁 / (𝐵∩𝐵)) = 4/7×3/6×3/5=6/35

Evènements indépendants (1)

Soit un lot de 100 articles qui représentent deux types de défauts; le défaut A et le défaut B.
On suppose les deux situations suivantes, chacune avec des valeurs de probabilités
différentes. Voir l’arbre pondéré:
Situation 1 Situation 2
0,8 B A∩B 0,8 B A∩B
0,4 A 0,2 𝐵ത A∩ 𝐵ത 0,4 A 0,2 𝐵ത A∩ 𝐵ത
0,3 B 𝐴ҧ ∩ 𝐵 0,8 B 𝐴ҧ ∩ 𝐵
0,6 𝐴ҧ 0,6 𝐴ҧ
0,7 𝐵ത 𝐴ҧ ∩ 𝐵ത 0,2 𝐵ത 𝐴ҧ ∩ 𝐵ത
P(B/A)=0,8 ≠ P(B/𝐴)=0,3ҧ P(B/A)=0,8 = P(B/𝐴)ҧ

Ici la probabilité de B dépend de A Ici la probabilité de B ne change pas si je
C-à-d la le résultat de B est change A
conditionné de A Alors on dis que A et B sont indépendants


Situation 1 Situation 2
0,8 B A∩B 0,8 B A∩B
0,4 A 0,2 𝐵ത A∩ 𝐵ത 0,4 A 0,2 𝐵ത A∩ 𝐵ത
0,3 B 𝐴ҧ ∩ 𝐵 0,8 B 𝐴ҧ ∩ 𝐵
0,6 𝐴ҧ 0,6 𝐴ҧ
0,7 𝐵ത 𝐴ҧ ∩ 𝐵ത 0,2 𝐵ത 𝐴ҧ ∩ 𝐵ത
ҧ
P(B/A)=0,8 ≠ P(B/𝐴)=0,3 P(B/A)=0,8 = P(B/𝐴)ҧ
Théorème de probabilité total Théorème de probabilité total
ҧ ҧ
P(B)=P(B∩ 𝐴)+P(B∩A)
P(B)=P(B∩ 𝐴)+P(B∩A)
P(B)=0,32+0,48=0,80
P(B)=0,32+0,18=0,50
P(B/A) = P(B/𝐴)ҧ = P(B)
P(B/A) ≠ P(B/𝐴)ҧ ≠ P(B) Conséquence:
P(𝐴 ∩ 𝐵)=P(A)×P(B/A)=P(A)×P(B)

• Deux événements E et F sont indépendants lorsque, de manière
intuitive, n'ayant aucune influence l'un sur l'autre.
Ce qui fait 𝑃( 𝐸/𝐹 )=𝑃(𝐸) et
𝑃(𝐸∩𝐹)=𝑃(𝐸)×𝑃(𝐹)


• Exemple 1:
Soit l’univers Ω ={1 , 2 , 3, 4 , 5 , 6}muni de P (Ω)
Soit P1 et P2 les probabilités définies sur (Ω ;P (Ω)):
A={1,3} ; B={3,5} sont-ils indépendants pour 𝑷𝟏 ?

A={1,3} implique (A prend la valeur 1ou la valeur 3)
𝑷𝟏 (𝑨)=𝟏/𝟔+𝟏/𝟔=𝟏/𝟑
B={3,5} implique (B prend la valeur 3 ou la valeur 5)
𝑷𝟏 (𝑩)=𝟏/𝟔+𝟏/𝟑=𝟏/𝟐
et 𝑷𝟏 (𝑨∩𝑩)= 𝑷𝟏 ({𝟑})=𝟏/𝟔
𝑂𝑟, 𝑷𝟏 (𝐴)×𝑷𝟏 (𝐵)=1/6 d’où l’égalité.
Donc A={1,3} ; B={3,5} sont indépendants pour 𝑷𝟏 .


• Exemple 1:
Calculer 𝑷𝟏 (𝐴ҧ ∩ 𝐵)
ത ?
On a A={1,3} ; B={3,5} sont indépendants pour P1 .
Alors 𝑷𝟏 (𝐴ҧ ∩ 𝐵)
ത = 𝑷𝟏 (𝐴)ҧ × 𝑷𝟏 (𝐵)ത
ҧ
𝑷𝟏 (𝐴)=1-𝑷 𝟏 (𝐴)=1-1/3=2/3
ത
𝑷𝟏 (𝐵)=1-𝑷 𝟏 (𝐵)=1-1/2=1/2
𝑷𝟏 (𝐴ҧ ∩ 𝐵)
ത = 2/3×1/2


• Exemple 1:
A={1,3} ; B={3,5} sont-ils indépendants pour 𝑷𝟐 ?

𝑷𝟐 (𝑨)=𝟏/𝟔+𝟏/𝟔=𝟏/𝟑
𝑷𝟐 (𝑩)=𝟏/𝟔+𝟏/6=𝟏/3
et 𝑷𝟐 (𝑨∩𝑩)= 𝑷𝟐 ({𝟑})=𝟏/𝟔
𝑂𝑟, 𝑷𝟏 (𝐴)×𝑷𝟏 (𝐵)=1/9 ≠ 𝑷𝟐 (𝑨∩𝑩)=1/6.
Donc A={1,3} ; B={3,5} ne sont pas indépendants pour 𝑷𝟐 .


• Exemple 2:
Soit une urne avec 10 boules, 7 rouges et 3 blanches. On effectue 2 tirages
successifs avec remise de boules:
7/10 R
7/10 R
3/10 B
P(R/R)=P(R/B) 7/10 R
3/10 B
R et B sont indépendants 3/10 B
Quelle est la probabilité de tirer 2 fois la boule rouge?

P(R∩R)=P(R)×P(R) (ils sont indépendants)
P(R∩R)=0,7×0,7=0,49
Quelle est la probabilité de tirer deux boules de couleurs différentes?
P(R∩B)+ P(B∩R)=0,7×0,3+0,3×0,7=2×0,7×0,3=0,42
Formule de Bayes
• Soit A et B deux évènements tels que 0 < P(A) <1 et P(B) > 0.
Alors,
P(B/A)P(A)
P(A/B) =
𝑃 B
• preuve :
P(A ∩ B)
P(A/B) = (1)
P(B)
P(A ∩ B)
P(B/A)= => P(A ∩ B)=P(B/A) ×P(A) (2)
P(A)
on remplace dans (1) P(A ∩ B) par son expression donnée par (2)
P(B/A)P(A)
On obtient P(A/B) =
𝑃 B
On peut conclure en remplaçant P(B) par son expression donnée par la formule des
probabilités totales; on obtient:
P(B/A)P(A)
P(A/B) =
P(B/A)P(A) + P(B/𝐴ҧ)P(𝐴ҧ)
Formule de Bayes: Formule de Bayes généralisée

• Soit 𝐴1 , 𝐴2 , …, 𝐴𝑛 un système complet d’évènements non impossibles et B non
impossible.
• Pour tout j tel que: 1≤j≤n , on a :
𝑃(𝐴𝑗)×𝑃(𝐵/𝐴𝑗 )
𝑃(𝐴𝑗 /𝐵)=σ𝑛
𝑖=1 (𝑃(𝐴𝑖 )×𝑃(𝐵⁄𝐴𝑖 )
P(B/A)P(A)
On a P(A/B) =
P(B/A)P(A) + P(B/𝐴ҧ )P(𝐴ҧ )
Puis on sait que ,
𝑃(𝐵)=𝑃(𝐴1 ).𝑃(𝐵/𝐴1 )+𝑃(𝐴2 ).𝑃(𝐵/𝐴2 )+…+𝑃(𝐴𝑛 ).𝑃(𝐵/𝐴𝑛 )=σ𝑛𝑖=1 𝑃(𝐴𝑖 )×𝑃(𝐵/𝐴𝑖 )
Alors on peut écrire:
𝑃(𝐴𝑗)×𝑃(𝐵/𝐴𝑗 )
𝑃(𝐴𝑗 /𝐵)=σ𝑛
𝑖=1 (𝑃(𝐴𝑖 )×𝑃(𝐵⁄𝐴𝑖 )

Formule de Bayes
• Exemple:
Soient deux urnes remplies de boules. La première contient 20 boules noires et 30
blanches. la seconde contient 25 boules noires et 25 blanches.
On tire une des urnes au hasard et dans cette urne, on tire une boule au hasard.
Soit B: l’évènement la boule tirée est blanche.
Quelle est la probabilité qu'on ait tiré cette boule dans la première urne
sachant qu'elle est blanche ?
Et soient les deux évènements suivants:
𝑬𝟏 :« On tire dans la première urne. »
𝑬𝟐 :« On tire dans la seconde urne. ».
Comme on tire sans préférence particulière, Alors P(𝑬𝟏 ) = P(𝑬𝟐 ) ;
comme on a certainement tiré dans une des deux urnes, 𝐴𝑙𝑜𝑟𝑠 𝑃(𝑬𝟏 ) + 𝑃(𝑬𝟐 )=1
D’où: 𝑃(𝑬𝟏 ) = 𝑃(𝑬𝟐 ) = ½=0,5 .

Formule de Bayes
• Exemple: (suite)
Comme on tire une boule au hasard dans une des urnes, la probabilité
de B sachant que l’évènement 𝑬𝟏 est réalisé est :
30
𝑃(𝐵 / 𝑬𝟏 )= =0,6
50
De même la probabilité de B sachant l’évènement 𝑬𝟐 réalisé est :
25
𝑃(𝐵 / 𝑬𝟐 )= =0,5
50

Formule de Bayes
• Exemple: (suite)
La formule de Bayes dans le cas discret nous donne donc :
𝑃(𝑬𝟏 )×𝑃(𝐵⁄ 𝑬𝟏 )
𝑃(𝑬𝟏 ⁄𝐵)=
𝑃(𝐵)
𝑃(𝑬𝟏 )×𝑃(𝐵⁄ 𝑬𝟏 )
=
𝑃(𝑬𝟏 )×𝑃(𝐵⁄ 𝑬𝟏 )+𝑃(𝑬𝟐 )×𝑃(𝐵⁄ 𝑬𝟐 )
0,5×0,6
𝑃(𝑬𝟏 ⁄𝐵)= =0,545
0,5×0,6+0,5×0,5
la probabilité qu'on ait tiré cette boule dans la première urne sachant
qu'elle est blanche est 0,545

CHAPITRE 5
Variable Aléatoire
• Variable aléatoire discrète
✓Loi de Probabilité
✓Esperance mathématique
✓Variance
✓Ecart-type
• Variable aléatoire continue
✓Densité de Probabilité
✓Calcul particulier de probabilité
✓Esperance mathématique
✓Variance
✓Ecart-type

Chapitre 5: Variable Aléatoire
Soit une urne contenant 2 boules vertes et 8 boules rouges. On effectue
3 tirages successifs avec remise d’une boule.
La boule verte fait gagner 3 points et la boule rouge fait perdre 2 points.
Notons G le gain du joueur.
On représente les différents gains possibles.
RRR -6
RRV RVR VRR -1
RVV VRV VVR 4
VVV 9
Ω G
On a ainsi défini une application G de dans des gains possibles des

points : {-6, -1, 4, 9}. On dit que S est une variable aléatoire sur Ω.

Variable aléatoire discrète (1)

On appelle variable aléatoire, notée VA, une application X définie sur
l’univers Ω et a des valeurs dans R qui associe à chaque résultat de
l’expérience aléatoire, un nombre réel :
𝑋 : 𝛺→ 𝑅
𝜔⟼𝑋(𝜔)
X(Ω) est l’ensemble des valeurs possibles de X.
NB:
Si 𝑋(Ω) est fini ou dénombrable, X est dite V.A. discrète (VAD)
X est dite V.A. continue (VAC) si 𝑋(Ω) est une réunion d’intervalles de
R.
• Avec le même exemple d’étude. On aimerait connaître la probabilité que le gain du joueur prenne une valeur
donnée, soit P(G = k) pour k entier fixe ∈{-6, -1, 4, 9}. On obtient le tableau des probabilités suivant :
K -6 -1 4 9
P(G=k) 0,512 0,384 0,096 0,008
P(G=-6)=P(RRR)
P(G=-6)=P(R)×P(R)×P(R) (les évènements sont indépendants)
P(G=-6)=(0,8)3 =0,512 0,2
V
P(G=-1)=P(RRV)+P(RVR)+P(VRR) 0,2 V 0,8
R
V
P(G=-1)=P(R)×P(R)×P(V)+P(R)×P(V)×P(R)+P(V)×P(R)×P(R) 0,2 V R R
0,8
P(G=-1)=(0,8)2 × 0,2+(0,8)2 × 0,2+(0,8)2 × 0,2= 0,384 0,2 V V
0,8 R R
P(G=9)=P(VVV)=P(V)×P(V)×P(V)= (0,2)2 =0,008 0,8 R V
P(G=4)=P(RVV)+P(VVR)+P(VRV) 0,8 R --- RRR
P(G=4)= (0,2)2 × 0,8+(0,2)2 × 0,8+(0,2)2 × 0,8= 0,096
• On a muni l’ensemble X(Ω)={-6, -1, 4, 9}de la probabilité PS définie par le tableau des P(G = k).
Cette nouvelle probabilité s’appelle la loi de la variable aléatoire G.


Loi de Probabilité
• On appelle loi de Probabilité d’une variable aléatoire discrète, la

donnée, pour chaque valeur 𝑥𝑖 prise par X, de la Probabilité de
l’évènement (𝑋= 𝑥𝑖 ), notée 𝑝𝑖 :
P(X= 𝑥𝑖 )= 𝑝𝑖
• Il faut noter que:
Si X(Ω) est fini :
σ𝑛𝑖=1 𝑝𝑖 =1


Loi de Probabilité
• Exemple 2:
On lance deux pièces de monnaie.
Soit l’univers Ω ={(p , p) ; (p , f) ; (f, p) ; (f, f)}.
Soit X la VA qui associe le nombre de faces obtenus. Il vaut 0 si on obtient (p, p), 1 si on
obtient (p, f) ou ( f, p) et 2 si on obtient (f, f).
On a : X(Ω)={0,1,2}.
Soit P la probabilité définie par :
On définit alors la loi de probabilité de X dans le tableau suivant:


Esperance mathématique
• En théorie des probabilités, l'espérance mathématique d'une variable
aléatoire réelle est, intuitivement, la valeur que l'on s'attend à trouver, en
moyenne, si l'on répète un grand nombre de fois la même expérience
aléatoire.
• Elle correspond à une moyenne pondérée des valeurs que peut prendre cette
variable.
• Dans le cas où celle-ci prend un nombre fini de valeurs, il s'agit d'une
moyenne pondérée par les probabilités d'apparition de chaque valeur.
• L’Esperance mathématique d’une variable aléatoire discrète, notée E(X), est
la quantité :
𝐸(𝑋)=𝑝𝑖 𝑥𝑖

• Exemple:
Avec le même exemple d’étude. On désire calculer le gain espéré ou le gain
moyen attendu (l'Esperance mathématique).
𝑥𝑖 -6 -1 4 9 total
P(X=𝑥𝑖 ) 0,512 0,384 0,096 0,008 1
𝑥𝑖 𝑝𝑖 -3,072 -0,384 0,384 0,072 -3
E(X)=-3
Le gain moyen est négatif. On peut dire que ce jeu là n’est pas profitable.

Variance
• En théorie des probabilités, la variance est une mesure de
la dispersion d'une distribution de probabilité.
• Elle exprime la moyenne des carrés des écarts à la moyenne, aussi égale à la
différence entre la moyenne des carrés et le carré de la moyenne.
• On appelle Variance d’une variable aléatoire discrète, notée V(X), la
quantité :
𝑽(𝑿)=E[(𝑿−𝑬(𝑿)) 2 ]=σ𝑛𝑖=1(𝑥𝑖 −𝐸(𝑋))2 𝑃𝑖
Propriétés de la Variance :
𝑉(𝑋)≥0
𝑉(𝑋)=E(𝑋 2 )− [𝐸(𝑋)]2 = σ𝑛𝑖=1 𝑥𝑖 2 𝑝𝑖 −[ σ𝑛𝑖=1 𝑥𝑖 𝑝𝑖 ]2
C’est la formule la plus rapide


Variance
• Exemple:
Avec le même exemple d’étude. On désire calculer la variance.
𝑥𝑖 -6 -1 4 9 total
P(X=𝑥𝑖 ) 0,512 0,384 0,096 0,008 1
𝑥𝑖 𝑝𝑖 -3,072 -0,384 0,384 0,072 -3
𝑥𝑖2 𝑝𝑖 18,432 0,384 1,536 0,648 21
V(X) =E(𝑋 2 )− [𝐸(𝑋)]2 = σ𝑛𝑖=1 𝑥𝑖 2 𝑝𝑖 −[ σ𝑛𝑖=1 𝑥𝑖 𝑝𝑖 ]2

V(X)=21 − (−3)2 =21-9=12


Ecart-type
• En probabilité, l'écart type est une mesure de la dispersion d'une
variable aléatoire ; en statistique, il est une mesure de dispersion de
données.
• On calcule l’écart-type d’une variable aléatoire discrète, notée 𝜎 (𝑋 ),
par la racine de la Variance :
𝜎 (𝑋 )= 𝑉(𝑥)


Ecart-type
• Exemple:
Avec le même exemple d’étude. On désire calculer l’ecart-type.
𝑥𝑖 -6 -1 4 9 total
P(X=𝑥𝑖 ) 0,512 0,384 0,096 0,008 1
𝑥𝑖 𝑝𝑖 -3,072 -0,384 0,384 0,072 -3
𝑥𝑖2 𝑝𝑖 18,432 0,384 1,536 0,648 21
𝜎 (𝑋 )= 𝑉(𝑥)= 12=2 3 ≈ 3,46

Variable aléatoire continue (1)

Si les valeurs possibles de X sont réparties de façon continue sur un
intervalle, X est une variable aléatoire continue.
Dans ce cas, on ne considère plus la probabilité que la V.A. prenne une
valeur donnée mais que sa valeur soit comprise dans un intervalle
donné.
C'est le cas quand on veut tester une valeur (l’age, la taille, la
température...).


Soit X la VA discrète définie sur l’intervalle des valeurs [1,4], avec 𝑝𝑖 les
probabilité des 𝑥𝑖 .
On suppose que les 𝑥𝑖 sont des entiers naturels. 𝑝1 x x
𝑝2 x x
P(X=1)=𝑝1 𝑝4 x x
P(X≤2)=P(X=1)+P(X=2) 𝑝3 x x
P(X<2)=P(X=1) x x x x x
0 1 2 3 4
Admettons que j’ai ces valeurs là {1, 2, 3, 4}
dans une urne. Quelle est la probabilité de prélever le 2?
1
P(X=2)=
4
1 1 2 1
P(X≤2)=P(X=1)+P(X=2)= + = =
4 4 4 2


• Exemple d’étude: (suite)
Cette fois ci On suppose que les 𝑥𝑖 sont des réels.
Une infinité de nombres entre 1 et 4.
x x x x
le phénomène ici est continu. 1 2 3 4
Quelle est la probabilité de tomber sur 2?
1
P(X=2) = = 0
∞
1
P(X=3) = = 0
∞
P(1≤X≤4)=1 on est sûr de tomber dans un nombre entre 1 et 4
1 1
P(X≤2)= d’apres l’allure, la partie constitue de tout le trait
3 3
1
P(X<2)=P(X≤2) - P(X=2) = P(X≤2) =
3


• Si les valeurs possibles de X sont réparties de façon continue sur un
intervalle, X est une variable aléatoire continue.
• Dans ce cas, on ne considère plus la probabilité que la V.A. prenne une
valeur donnée mais que sa valeur soit comprise dans un intervalle
donné.
• C'est le cas quand on veut tester une valeur (la taille, la température...).


Densité de Probabilité
• En théorie des probabilités, une variable aléatoire à densité est
une variable aléatoire réelle pour laquelle
la probabilité d’appartenance à un domaine se calcule à l’aide
d’une aire sur ce domaine.
• On dit qu’une variable aléatoire X est à densité s’il existe une fonction
densité 𝑓 de ℝ dans ℝ définie, positive et continue sur ℝ.
• Autrement dit, une fonction 𝑓réelle, définie sur R est une densité de
probabilité si et seulement si :
✓𝑓 𝑒𝑠𝑡 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒 𝑠𝑢𝑟 ℝ,
✓𝑓 𝑒𝑠𝑡 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒 , 𝑐 à 𝑑 , 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑟é𝑒𝑙 𝑥 ;𝑓(𝑥)≥0
✓𝑙′𝑎𝑖𝑟𝑒 𝑑é𝑙𝑖𝑚𝑖𝑡é𝑒 𝑝𝑎𝑟 𝑙𝑎 𝑐𝑜𝑢𝑟𝑏𝑒 𝑑𝑒 𝑙𝑎 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑒𝑠𝑡 é𝑔𝑎𝑙𝑒 à 1


• Exemple 2:
Une compagnie affirme que la durée du vol entre Paris et Marseille est
comprise entre 60 min et 80 min. (entre 60 et 80 une infinité de minutes)
Calculer les probabilités suivantes :
La durée du vol est de 65 min exactement, de 73 min exactement.
P(X=65)=0 P(X=73)=0
La durée du vol est inférieure à 60 min.
P(X<60)=0
La durée du vol est supérieure à 80 min.
P(X>80)=0

• Exemple 2: (suite)
• Je définie une fonction f qui est définie par:
1 1
𝑠𝑖 60 ≤ 𝑥 ≤ 80 x x x
20
f(x)=൝20
0 𝑠𝑖𝑛𝑜𝑛
On voit clairement que la fonction f est continue sur [60, 80] et positive. x x x x x
Quelle est la probabilité que la durée du vol est comprise entre 60 et 80 min? 60 65 70 75 80
P(60≤X≤80)=1 on est sûr que la durée est entre 60 et 80
• On s’intéresse à l’aire totale sur la courbe (délimitée par la courbe et l’axe des X)
L’aire pour X≤60 et pout X≥80 est bien égale à 0
1 1
Entre 60 et 80 on a un rectangle de longueur (80-60=20) et de largeur 20, alors l’aire est égale à 20× 20=1
Par conséquent, cette fonction f s’appelle une densité. Elle est continue, positive et l’aire totale sur sa
courbe est égale à 1.

• Exemple 2: (suite) 1
x x x
Dans le cas d’un phénomène continu pour 20
calculer une probabilité, on calcule une aire.

Quelle est la probabilité que la durée du vol x x x x x
60 65 70 75 80
est comprise entre 65 et 70 min?
L’aire de cette probabilité a une longueur de (70-65=5) et une largeur de
1
.
20
1 1
Alors, P(65≤X≤70)=5× =
20 4


Quelle est la probabilité que la durée du vol 1
20
x x x
soit inferieure à 70 min?

L’aire de cette probabilité a une longueur de
x x x x x
1 60 65 70 75 80
(70-60=10) et une largeur de .
20
Alors, P(X≤70)=P(X≤60)+P(60≤X≤70)
1 1
P(X≤70)= 0 + 10 × =
20 2


• La VA X qui associe la durée de vol entre Paris et Marseille suit la loi uniforme sur l’intervalle [60,
80]. Elle est définie par la fonction densité f: 1
x x x
20
1
𝑠𝑖 60 ≤ 𝑥 ≤ 80
f(x)=൝80−60
x x x x x
60 65 70 75 80


• Généralement:
On dit qu’une VA X suit une loi uniforme sur l’intervalle [a, b] que l’on note X→
𝑈[𝑎, 𝑏] lorsque sa fonction densité associée est définie par:
1 1
x x x
𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏 𝑏−𝑎
f(x)=൝𝑏−𝑎
On dit qu’une fonction f est une densité de probabilité
x x x x x
sur l’intervalle[a, b] si elle est continue, positive et l’aire a b
totale sur sa courbe est égale à 1.


• Exemple 3:
Soit f une fonction densité qui a la courbe ci-après:
Pourquoi cette courbe là représente bien une densité?
Elle est bien positive (elle se trouve au dessus de l’axe des abscisses), 1x
Elle est également continue,
On calcule l’aire totale sur sa courbe:
De -∞ à 1 l’aire est égale à 0 x x x x x
1 2 3
De 3 à +∞ l’aire est égale à 0
𝑙𝑎 𝑏𝑎𝑠𝑒 ×𝑙𝑎 ℎ𝑎𝑢𝑡𝑒𝑢𝑟 (3−1)×1
Il reste à calculer l’aire du triangle = = =1
2 2
Alors cette courbe représente bien la courbe d’une densité de probabilité.


Calcul particulier de probabilité
Si on a une loi uniforme sur l’intervalle [a, b], alors pour tout intervalle
[c, d] inclus dans [a, b], la probabilité que X soit comprise entre c et d
est: 1
x
x x
𝑏−𝑎
𝑑−𝑐
P(c≤X≤d) =
𝑏−𝑎
x x x x x
a c d b


Lorsqu’une variable aléatoire X suit une loi uniforme sur [a,
b], alors l'Esperance mathématique de X est égale à:
𝑎+𝑏
E(X) =
2


Variance
b], alors la variance de X est égale à:
(𝑏−𝑎)2
V(X) =
12


Ecart-type
b], alors l’ecart-type de X est égale à:
𝜎(X) = 𝑉(𝑋)

Cours de Probabilités Sara GOTTI-1

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

Cours de Probabilités Sara GOTTI-1

Transféré par

Droits d'auteur :

Formats disponibles

Module: Probabilités

Professeur: Sara GOTTI

Filière Economie et Gestion (Semestre 2)

1. Chapitre 1: Introduction et Concepts de Base

Sara GOTTI SEG S2, 2020-2021 2

Sara GOTTI SEG S2, 2020-2021 3

Définition de la théorie des probabilités

• L’origine de la théorie des probabilités est le jeu de dés,

Sara GOTTI SEG S2, 2020-2021 4

Notions de base (1)

• On appelle une expérience ou épreuve aléatoire, toute expérience

Sara GOTTI SEG S2, 2020-2021 5

Notions de base (1)

• On appelle une Pourquoi le lancer d’un

Sara GOTTI SEG S2, 2020-2021 6

Notions de base (2)

• On appelle univers, noté Ω, l’ensemble de tous les résultats possibles

Sara GOTTI SEG S2, 2020-2021 7

Notions de base (3)

• On définit un évènement comme un ensemble de résultats possibles de

Sara GOTTI SEG S2, 2020-2021 8

Notions de base (3)

Sara GOTTI SEG S2, 2020-2021 9

Notions de base (3)

• Ω est un évènement, regroupant tous les résultats possibles, appelé

Sara GOTTI SEG S2, 2020-2021 10

Notions de base (4)

• Complémentaire ou contraire de A est l’événement constitué des

Sara GOTTI SEG S2, 2020-2021 11

Notions de base (4)

• On dit que l’évènement ≪ A ou B ≫ est réalisé si et seulement si l’un

Sara GOTTI SEG S2, 2020-2021 12

Notions de base (4)

• L’ évènement "A et B" est constitué des éléments appartenant à la fois à

Sara GOTTI SEG S2, 2020-2021 13

Notions de base (4)

• Les évènements A et B sont incompatibles, si A et B ne peuvent pas se

Sara GOTTI SEG S2, 2020-2021 14

Notions de base (4)

• Un événement A entraîne un événement B si la réalisation de A implique

Sara GOTTI SEG S2, 2020-2021 15

Notions de base (4)

• Soit 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 , n évènements aléatoires. (𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 )

Sara GOTTI SEG S2, 2020-2021 16

Notions de base (5)

• On appelle le nombre d’éléments d’un évènement, le cardinal de cet évènement. On le

Sara GOTTI SEG S2, 2020-2021 17

Notions de base (5)

Sara GOTTI SEG S2, 2020-2021 18

Notions de base (5)

Sara GOTTI SEG S2, 2020-2021 19

Sara GOTTI SEG S2, 2020-2021 20

• La probabilité est la fonction permettant de mesurer la chance de réaliser un

Sara GOTTI SEG S2, 2020-2021 21

Propriétés de probabilité (1)

Sara GOTTI SEG S2, 2020-2021 22

Propriétés de probabilité (2)

Sara GOTTI SEG S2, 2020-2021 23

Propriétés de probabilité (3)

• Pour toute famille 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 d’évènements incompatibles 2 à

• Pour tout système complet d’évènements 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 et pour tout

Sara GOTTI SEG S2, 2020-2021 24

Sara GOTTI SEG S2, 2020-2021 25

Sara GOTTI SEG S2, 2020-2021 26