Cours de Probabilites

Sommaire
Avant-Propos 3
1 Analyse combinatoire ou dénombrement 4

A. Cardinal d’un ensemble fini . . . . . . . . . . . . . . . . . . . . . . . . . 5
B. Principe fondamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
C. Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
D. Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
E. Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
F. Répartition de boules dans des urnes . . . . . . . . . . . . . . . . . . . . 9
G. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Les bases du calcul des probabilités 13

A. Vocabulaire des événements . . . . . . . . . . . . . . . . . . . . . . . . . 13
B. Probabilités : définitions et axiomes . . . . . . . . . . . . . . . . . . . . 17
C. Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . 21
D. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Généralités sur les variables aléatoires 30

A. Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . 31
B. Variables aléatoires continues . . . . . . . . . . . . . . . . . . . . . . . . 39
C. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4 Lois fondamentales discrètes de probabilité 51

A. Loi binômiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
B. Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
C. Approximation d’une loi binomiale par une loi de Poisson . . . . . . . . 58
D. Principaux cas où la loi de Poisson s’applique . . . . . . . . . . . . . . . 60
E. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5 Lois fondamentales continues de probabilité 64

A. Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
B. Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Cours de Mathématiques appliquées Page 1 manin.taha@inphb.ci

2 SOMMAIRE
C. Approximations par une loi normale . . . . . . . . . . . . . . . . . . . . 76

D. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

Avant-Propos
Toute décision, et en particulier toute décision de gestion, engage l’avenir. Elle est
donc forcément prise en situation d’incertitude. Celle-ci affecte les conditions dans
lesquelles l’action envisagée se réalisera et par voie de conséquence les effets qu’elle
produira.
En attribuant à un événement à venir une probabilité, c’est-à-dire un nombre mesurant
les chances qu’il a de se réaliser ou son degré de vraisemblance, on n’élimine pas
l’incertitude mais on la réduit.
L’utilisation de modèles issus de la théorie des probabilités permet d’améliorer la qua-
lité de l’information fournie au décideur et donc la qualité de sa gestion.

Chapitre 1
Analyse combinatoire ou
dénombrement
Examinons d’emblée un problème typique de ceux mettant en jeu la notion de probabi-

lité. Un système de communication est composé de n antennes identiques alignées. Ce
système ne pourra alors capter de signal incident - il sera alors qualifié de fonctionnel
- qu’aussi longtemps que deux antennes consécutives ne seront pas défectueuses. Si on
découvre qu’exactement m des n antennes sont défectueuses, quelle est la probabilité
que ce système reste fonctionnel ?
Étudions par exemple le cas particulier où n = 4 et m = 2. Le système peut alors
se trouver dans l’une des 6 configurations suivantes :
①I 0 1 1 0
❷I 0 1 0 1
③I 1 0 1 0
❹I 0 0 1 1
⑤I 1 0 0 1
❻I 1 1 0 0
où 1 signifie que l’antenne fonctionne et 0 qu’elle est défectueuse.

Comme notre système
sera fonctionnel dans les trois premières configurations ①,❷,③ mais pas dans les trois

dernières ❹,⑤,❻ . Il semble raisonnable d’attribuer à la probabilité cherchée la valeur

3 = 1:
6 2
On pourrait de manière similaire calculer la probabilité que le système fonctionne pour
des valeurs quelconques de m et de n. Plus précisément, il faudrait calculer le nombre
de configurations qui maintiennent le système fonctionnel et de le diviser par le nombre
de toutes les configurations possibles.
Cet exemple permet de réaliser qu’il est souhaitable de disposer d’une méthode
efficace pour dénombrer les différentes situations pouvant se présenter lors d’une ex-

A. Cardinal d’un ensemble fini 5
périence. En fait, bien des problèmes en théorie des probabilités peuvent être résolus
simplement en comptant le nombre de manières différentes selon lesquelles un certain
événement peut se réaliser.
Par convention, on appelle analyse combinatoire la théorie mathématique du dénom-
brement.
A. Cardinal d’un ensemble fini

E étant en ensemble fini, le cardinal de E , noté card(E ), désigne le nombre d’élé-
ments de E . Si E et F sont deux ensembles finis, E F (produit cartésien) désigne
l’ensemble de tous les couples (x; y ) avec x dans E et y dans F , et on a :
card(E F ) = card(E ) card(F ):
B. Principe fondamental
L’action sur le système peut entraîner des résultats qu’on ne peut pas prévoir. Cette
expérience donne des résultats aléatoires dus essentiellement au hasard, on dit que ce
sont des expériences aléatoires ou épreuves aléatoires.
Cependant, pour chacune de ces expériences aléatoires, on peut prévoir tous les
résultats possibles ou éventualités.
Théorème 1.1. Si r expériences aléatoires doivent être réalisées et sont telles que la
première peut produire l’un quelconque de n1 résultats, et si pour chacun d’entre
eux il y a n2 résultats possibles pour la deuxième expérience, et si pour chaque
résultat des deux premières expériences il y en a n3 pour la troisième expérience,
et ainsi de suite, il y aura alors au total n1 n2 : : : nr résultats pour les r expériences
prises ensemble.
Les résultats liés au système peuvent être :

☞ discrets et dénombrables (finis ou non) ;
☞ continus c’est-à-dire susceptibles de prendre toutes les valeurs réelles d’un inter-
valle.
On appelle univers lié à l’épreuve, l’ensemble de toutes les éventualités liées à cette
épreuve ou expérience aléatoire. On le note .
C. Arrangements
Considérons un ensemble E de n éléments données, et un entier p n:
Définition 1.1. On appelle arrangement d’ordre p d’éléments de E , toute suite
ordonnée de p éléments distincts de E.

6 Analyse combinatoire ou dénombrement
On peut aussi interpréter cette éventualité comme le tirage successif sans remise
de p boules dans une urne en contenant n.
Dans ce type de tirage, on tient compte de l’ordre.
Combien d’arrangements distincts d’ordre p d’éléments d’un ensemble E de cardinal n
peut-on obtenir ?
au 1er tirage, il y a n possibilités ;
au 2e tirage, il y a n-1 possibilités ;
au 3e tirage, il y a n-2 possibilités ; et ainsi de suite jusqu’au
au pe tirage, il y a n-p+1 possibilités.
Soit au total :n(n 1) : : : (n p + 1) possibilités.
Symboliquement, on désigne par Apn le nombre de tirages successifs de p éléments
parmi n et se lit "a,n,p" :
Apn = n(n 1) : : : (n p + 1):
D. Permutations
1 Permutations d’objets distinguables

Définition 1.2. On appelle permutation des éléments de E , toute suite ordonnée
de se n éléments.
Remarquons qu’une permutation d’objets distinguables des éléments de E est un

arrangement d’ordre n. Notons par Sn le nombre total de permutations de n éléments :
Sn = Ann = n(n 1)(n 2) 2 1:
Symboliquement, on désigne par n! qui se lit "factorielle n" le nombre de permuta-

tions de n éléments, donc Sn = n! et par convention on pose 0! = 1.
On peut donc réécrire Apn en fonction de n! :
Apn = n(n 1) : : : (n p + 1)
= n(n 1) : : :(n (np) p +: : 1)( n p) : : : 2 1
:21
Apn =
n!
(n p)!
2 Permutations d’objets indistinguables
Il s’agit de déterminer le nombre de permutations dans un ensemble de n objets
quand certains de ces objets sont indistinguables les uns des autres.

D. Permutations 7
Le nombre de permutations différentes de n objets parmi lesquels n1 sont indistinguables

entre eux, n2 autres entre eux également, . . . , nr entre eux (n1 + n2 + : : : + nr = n) est :
n!
n1 !n2 ! : : : nr !
3 Anagrammes
On appelle "alphabet" les caractères et/ou les signes d’une discipline. Un mot dans
cette discipline sera une concaténation de symboles issus de son alphabet. On appelle
longueur d’un mot le nombre de symboles de l’alphabet en question figurant dans l’écri-
ture du mot.
X
Exemples :
En informatique, l’alphabet se résume en 2 caractères 0 et 1
X
(10001 : mot de longueur 5).
En algèbre, on a x6 y 2 z est un mot de longueur 9.
Remarque : La sémantique ne compte pas.
Étant donné un alphabet quelconque, en considérant un mot écrit à partir de cet

alphabet, deux situations sont possibles :
☞ soit le mot est composé de caractères tous distincts ;
☞ soit le mot est composé de sous-groupe distincts de caractères de telle sorte qu’à
l’intérieur d’un sous-groupe les caractères sont identiques entre eux.
Étant donné un mot de longueur p on appelle anagramme de ce mot, tous les autres
mots de même longueur p déduit du premier par permutations de ses signes. Le mot
initial étant pris comme faisant partie des anagrammes de mots.
De manière générale, lorsque la longueur du mot est égale à n, on a :
Cas 1 : mot formé de n caractères distincts :
n! anagrammes distincts.
Cas 2 mot formé de n caractères composés de sous-caractères a1 identiques, sous-

caractères a2 identiques . . . sous-caractères am identiques tels que
a1 + a2 + : : : + am = n, on a :
n!
a1 !a2 ! : : : am !
anagrammes distincts.
Exemple 1 : Combien d’arrangements différents peut-on faire avec les lettres

des mots suivants :
① PINTE ;
❷ PROPOSE ;
③ MISSISSIPPI ;

❹ ARRANGE.
Le nombre d’arrangements différents qu’on peut faire avec les lettres des mots sont :
① 5! = 120
7! = 1 260
❷ 2!2!
11! = 34 650
③ 4!4!2!
7! = 1 260
❹ 2!2!
E. Combinaisons
1 Tirage simultané
Définition 1.3. On appelle combinaison de p éléments pris parmi les n éléments
d’un ensemble E , tout sous-ensemble (ou toute partie) de E comportant p élé-
ments distincts de E
Dans ce type d’expérience aléatoire, on doit ramener en une seule prise p objets.
Une éventualité s’appelle une combinaison de p éléments pris parmi n.
Dans ce type de tirage, on ne tient pas compte de l’ordre.
Combien de tirages distincts de p éléments peut-on réaliser à partir d’un ensemble
contenant n éléments ?
Condition nécessaire : p n:
Un tirage simultané de p éléments est équivalent à une permutation de n objets parmi
lesquels p objets sont identiques entre eux et (n p) autres identiques entre eux :
n!
p!(n p)!
on a au total permutations distinctes.
De manière symbolique, on note Cnp la combinaison de p éléments pris parmi n et

on lit "c,n,p" :
n!
Cnp = :
p!(n p)!
!
Cnp = n = Apn :
p!
En notation anglaise on a
p
2 Propriétés
① Cn0 = Cnn = 1; Cn1 = n 8n 2 N ;
❷ Cnp = Cnn p ;
n n
③ Cnp = Cnn 1p = Cnp 11 8n; p 2 N ;
p p
❹ Cnp = Cnp 1 + Cnp 11 8n; p 2 N .

F. Répartition de boules dans des urnes 9
3 Formule du binôme de Newton

Il s’agit de développer le produit (x + y )n avec x; y 2 R et n 2 N:
Le développement de (x + y )n sera formé de monômes du type Kxi y j où K est un
cœfficient correspondant pour i et j fixés au nombre d’anagrammes ou à la permutation
de i objets identiques entre eux et de j = n i objets identiques entre eux, on aura par
conséquent :
K=
(i + j )! = n! = C i :
i!j ! i!(n i)! n
n
( x + y )n =
X
Donc Cni xi yn i :
i=0
Exemple 2 : Trouver le cœfficient de x3 y 15 z 2 dans le développement de
(x + y + z )20:
20! = 20! 17! = C 3 C 2 = 155 040:
Le cœfficient vaut :
3!15!2! 3!17! 15!2! 20 17
Dans le cas général, trouver le cœfficient de xi y j z k dans le développement de
(x + y + z )n avec i + j + k = n :
K=
(i + j + k)! = n!
= n!
(n i)! = C i C j :
i!j !k! i!j !(n i j )! (n i)!i! (n i j )!j ! n n i
Donc
n! i j k
(x + y + z )n =
X
xy z
(i;j;k) i!j !k!
n n i
= Cni Cnj i xi yj z n
XX
i j:
i=0 j =0
En généralisant, on a les cœfficients multinomiaux :
n!
( x1 + x 2 + : : : + x r ) n =
X
xn1 1 xn2 2 : : : xnr r
(n1 ;n2 ;:::;nr ) n1 !n2 ! nr !
avec n1 + n2 + : : : + nr = n:
F. Répartition de boules dans des urnes

II y a rn possibilités de répartir n boules discernables dans r urnes discernables
également. Cela provient du fait que chaque boule peut être mise dans l’une quelconque
des r urnes. Supposons maintenant que les n boules deviennent indiscernables. Combien
peut-on alors obtenir de répartitions ?

Comme les boules sont indiscernables, le résultat de l’expérience qui consiste à répartir
les n boules dans nos r urnes est décrit par un vecteur (x1 ; x2 ; : : : ; xr ) où xi représente
le nombre de boules contenues dans la i-ème urne. Le problème revient alors à trouver
le nombre de vecteurs (x1 ; x2 ; : : : ; xr ) à composantes entières non négatives tels que
x1 + x2 + : : : + xr = n:
Pour le calculer, commençons par considérer le nombre de solutions entières positives.
Pour cela, imaginons qu’il y a n objets indiscernables alignés et que nous voulons les
diviser en r groupes non vides. Ces objets peuvent être représentés comme suit :
0 0 0 0 0 0 ::: 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
où les 0 représentent les n objets, les points de séparation symbolisant les n 1 espaces
entre ces objets. Pour notre calcul, il suffit de désigner r 1 des n 1 espaces comme
points de division. Si par exemple n = 8 et r = 3 on peut choisir les deux séparations
comme suit :
000j000j00
Le vecteur correspondant sera x1 = 3, x2 = 3, x3 = 2. Comme il y a Cnr 11 choix possibles
nous venons de démontrer la proposition suivante :
Théorème 1.2. II y a Cnr 11 vecteurs distincts à composantes entières et positives

satisfaisant à la relation
x1 + x2 + : : : + xr = n; xi > 0; i = 1; : : : ; r:
Pour obtenir le nombre des solutions non négatives (et non plus positives) il suffit
de remarquer que le nombre de solutions non négatives de x1 + x2 + : : : + xr = n est
le même que celui des solutions positives de y1 + y2 + : : : + yr = n + r (on le voit en
posant yi = xi + 1; i = 1; : : : ; r). Ceci permet de démontrer la proposition suivante, en
utilisant la précédente :
Théorème 1.3. II y a Cnn+r 1 vecteurs distincts à composantes entières et non né-

gatives satisfaisant à la relation
x1 + x2 + : : : + xr = n; xi 0; i = 1; : : : ; r:

G. Exercices 11
G. Exercices
Exercice 01.1 : Parmi les 10 participants à un tournoi d’échec, on compte 4 russes, 3
américains, 2 anglais et un brésilien. Si dans le classement du tournoi on ne peut lire que
la liste des nationalités des joueurs mais pas leur identité, à combien de classements
individuels différents une telle liste correspond-elle ?
Exercice 01.2 : On compose des signaux en alignant des drapeaux suspendus. Com-
bien de ces signaux peut-on former si parmi les drapeaux à disposition 4 sont
blancs, 3 sont rouges, 2 sont bleus et si tous les drapeaux d’une même couleur
sont indistinguables ?
Exercice 01.3 : On veut former un comité comprenant 3 des 20 personnes d’un groupe.
Combien y a-t-il de ces comités ?
Exercice 01.4 : À partir d’un groupe de 5 hommes et de 7 femmes, combien de comi-

tés différents composés de 2 hommes et de 3 femmes peut-on former ? Qu’en
est-il si 2 des femmes s’entendent mal et refusent de siéger simultanément au
comité ?
Exercice 01.5 : Considérons un ensemble de n antennes alignées dont m sont défec-

tueuses et n m en état de marche. Supposons que les antennes défectueuses soient
indiscernables entre elles et que celles qui marchent le soient également entre elles.
Combien de configurations peut-on trouver pour lesquelles deux antennes dé-
fectueuses ne sont jamais voisines ?
Exercice 01.6 : Le poste de police d’une petite ville compte 10 agents. Si l’organisation
de ce poste est d’avoir 5 agents en patrouille, 2 au poste travaillant activement et les 3
autres au poste également mais de réserve, à combien de répartitions de ces agents
en trois groupes ainsi définis peut-on procéder ?
Exercice 01.7 : II faut répartir 10 filles en deux équipes A et B de 5 personnes chacune.

L’équipe A sera placée dans une ligue et l’équipe B dans une autre. Combien y a-t-il
de répartitions possibles ?
Exercice 01.8 : Pour disputer un match de basketball, 10 garçons se répartissent en

deux équipes de 5. De combien de manières peuvent-ils procéder ?
Exercice 01.9 : Combien l’équation x1 + x2 = 3 a-t-elle de solutions entières et

non négatives ?
Exercice 01.10 : Chaque mise doit se monter à un nombre entier de milliers de dollars.
Entre combien de stratégies d’investissement cette personne a-t-elle le choix
si elle décide de risquer la totalité des 20 000 dollars ? Qu’en est-il si on admet
qu’elle puisse n’investir qu’une partie seulement de la somme ?

Exercice 01.11 : De combien de manières peut-on asseoir 8 personnes en rang si :

① aucune restriction n’est mise ;
❷ les personnes A et B veulent être ensemble ;
③ les hommes ne doivent avoir que des voisines et inversement, en supposant
qu’il y a 4 hommes et 4 femmes ;
❹ les hommes qui sont au nombre de 5, doivent rester ensemble ;
⑤ les personnes forment 4 couples de gens mariés et si chaque couple doit
rester réuni ?
Exercice 01.12 : Dans un groupe de 8 femmes et 6 hommes, on doit former un comité

de 3 hommes et 3 femmes. Combien de comités différents peut-on former si :
① 2 des hommes refusent d’être ensemble dans le comité ?
❷ 2 des femmes refusent d’être ensemble dans le comité ?
③ 1 homme et 1 femme refusent d’être ensemble dans le comité ?
Exercice 01.13 : Si 8 tableaux noirs doivent être affectés à 4 écoles, de combien de

manières peut-on les répartir ? Qu’en est-il si chaque école doit recevoir au
moins un tableau ?
Exercice 01.14 : Huit nouveaux professeurs vont être envoyés dans 4 écoles.
Combien y a-t-il d’affectations possibles ?
Qu’en est-il si l’on impose que chaque école recevra deux professeurs ?

Chapitre 2
Les bases du calcul des probabilités
Toute décision, et en particulier toute décision de gestion, engage l’avenir. Elle est
donc forcément prise en situation d’incertitude. Celle-ci affecte les conditions dans
lesquelles l’action envisagée se réalisera et par voie de conséquence les effets qu’elle
produira.
En attribuant à un événement à venir une probabilité, c’est-à-dire un nombre me-
surant les chances qu’il a de se réaliser ou son degré de vraisemblance, on n’élimine
pas l’incertitude mais on la réduit.
L’utilisation de modèles issus de la théorie des probabilités permet d’améliorer la
qualité de l’information fournie au décideur et donc la qualité de sa gestion.
A. Vocabulaire des événements
1 Vocabulaire de base
Une épreuve ou expérience, est une action dont le résultat est soumis au hasard.
L’univers ou reférentiel (noté ) associé à une épreuve est l’ensemble des résultats
possibles. Chacun de ces résultats possibles est appelé une éventualité. Un événe-
ment est un sous-ensemble de l’univers. Un événement ne contenant qu’un élément est
appelé événement élémentaire.
Exemple 1 : On lance un dé et on note le chiffre obtenu. Cela constitue une
épreuve.
L’univers correspondant est l’ensemble = f1; 2; 3; 4; 5; 6g:
Les sous-ensembles de suivants : A1 = f2; 4; 6g; A2 = f1; 2; 3; 4g; A3 = f5g;
A4 = f3; 6g sont des exemples d’événements.
Ils peuvent également être définis par une " phrase ". Par exemple :
A1 = " obtenir un chiffre pair " ;
A2 = " obtenir un résultat inférieur ou égal à 4 ".

14 Les bases du calcul des probabilités
Les événements élémentaires sont ici : f1g; f2g; f3g; f4g; f5g et f6g:
Soit A un événement donné. Si, lors d’une épreuve, on obtient le résultat ! , alors :
– si ! est un élément de A; on dit que A est réalisé,
– si ! n’appartient pas à A, on dit que A n’est pas réalisé.
Exemple 2 : Supposons par exemple que l’on jette le dé et que l’on obtient le
chiffre 3. Avec les notations introduites ci-dessus, on peut dire alors que : les
événements A1 et A3 ne sont pas réalisés, tandis que A2 et A4 le sont.
2 Inclusion
A et B étant deux événements, si A est un sou-ensemble de B (ou une partie de B ),
on note A B , et on dit que l’événement A est inclus dans l’événement B (ou que A
implique B ). Dans ce cas, lorsque A est réalisé, B l’est également.
Exemple 3 : Considérons par exemple l’événement A5 = f2; 4g:

On a f2; 4g f2; 4; 6g, donc chaque fois que l’événement A5 est réalisé, l’événe-
| {z } | {z }
A5 A1
ment A1 l’est également.
3 Événement impossible, événement certain

Parmi les sous-ensembles de figurent l’ensemble vide (noté ;) et lui-même. Ces
deux sous-ensembles sont donc des événements.
Or quel que soit le résultat ! (événement élémentaire) obtenu lors d’une épreuve, il va
de soi que :
☞ ! 62 ; (puisque l’ensemble vide ne contient aucun élément), donc l’événement ;
n’est jamais réalisé. On l’appelle l’événement impossible ;
☞ ! 2 (puisque l’univers contient toutes les éventualités), donc l’événement
est toujours réalisé. On l’appelle l’événement certain.
4 Événement contraire
Soit A un événement. L’événement dit contraire, noté A, est l’événement qui est
réalisé si et seulement si A ne l’est pas.
A est donc le complémentaire dans de A. On peut le représenter à l’aide du schéma
ci-dessous.

A. Vocabulaire des événements 15
Exemple 4 : Reprenons le lancer d’un dé, et considérons à nouveau les 4

événements :
A1 = f2; 4; 6g; A2 = f1; 2; 3; 4g; A3 = f5g; A4 = f3; 6g:
Leurs contraires sont :
A1 = f1; 3; 5g; A2 = f5; 6g; A3 = f1; 2; 3; 4; 6g; A4 = f1; 2; 4; 5g:
Exemple 5 : On dispose de 10 livres dont 3 sont en anglais et les autres en
français. On choisit au hasard 4 de ces livres et on note :
A l’événement : " on obtient au moins 2 livres en anglais ", et
B l’événement : " on obtient exactement 2 livres en anglais ". Déterminer A
et B .
A signifie que l’on obtient 2, 3 ou 4 livres en anglais.
L’événement contraire de A est donc
A = " on obtient 0 ou 1 livre en anglais ",
A = " on obtient au plus 1 livre en anglais ".
L’événement contraire de B est donc
B = " le nombre de livres en anglais obtenu n’est pas 2 ",
B = " on obtient 0 ou 1 ou 3 ou 4 livres en anglais ".
5 Intersection d’événements
A et B étant deux événements, c’est-à-dire deux sous-ensembles de , l’intersection
de A et B , noté A \ B , est l’ensemble des éléments de appartenant à la fois à A et à
B.
A\B est l’événement qui n’est réalisé que si A ET B le sont, et s’appelle

conjonction des événements A et B.
Lorsque A \ B est vide, cela signifie que A et B ne peuvent pas être réalisés simul-
tanément. On dit alors que A et B sont des événements incompatibles.

A et B sont incompatibles si et seulement si A \ B = ;:
6 Réunion d’événements
A et B étant deux événements, la réunion de A et B , notée A [ B , est l’ensemble
des éléments de appartenant soit à A, soit à B , sans exclure les éléments appartenant
à la fois à A et à B s’il y en a.
A [ B est l’événement qui est réalisé si A OU B l’est, et s’appelle disjonction

des événements A et B.
Exemple 6 : Reprenons le lancer d’un dé, et considérons à nouveau les 4

événements :
A1 = f2; 4; 6g; A2 = f1; 2; 3; 4g; A3 = f5g; A4 = f3; 6g:
Les événements A1 et A3 par exemple sont incompatibles puisque A1 \ A3 = ;:
Par ailleurs on a :A1 \ A2 = f2; 4g et A1 [ A2 = f1; 2; 3; 4; 6g:
7 Complémentaire d’une réunion et d’une intersection

On pourra vérifier sur un schéma les propriétés suivantes qu’il est bon de connaître :
A \ B = A [ B et A [ B = A \ B
et que l’on peut généraliser sous la forme :
A1 \ A2 \ : : : \ An = A1 [ A2 [ : : : [ An et A1 [ A2 [ : : : [ An = A1 \ A2 \ : : : \ An :
B. Probabilités : définitions et axiomes 17
B. Probabilités : définitions et axiomes
1 Approche intuitive et statistique de la notion de probabilité

Intuitivement, la notion de probabilité est connue de tous. Chacun sait par exemple
qu’il a vraiment bien peu de chances (une très faible probabilité) de trouver un tigre
le matin dans sa salle de bains, mais qu’il a de très grandes chances (une très forte
probabilité) de trouver au moins une publicité dans sa boîte aux lettres lorsqu’il prendra
son courrier.
Lorsqu’une épreuve peut être répétée à l’identique un très grand nombre de fois, on
peut facilement " mesurer " la probabilité de réaliser telle ou telle éventualité.
Exemple 7 : Au jeu de " pile ou face ", on a une chance sur deux d’obtenir
" face " et une chance sur deux d’obtenir " pile ". On dira que la probabilité
d’obtenir " face " vaut 0,5, de même que la probabilité d’obtenir " pile ".
Au XVIIe siècle, les premières règles du calcul des probabilités ont été établies à partir
de la notion de fréquence observée.
Exemple 8 : Si on jette un dé un très grand nombre de fois (600 fois, 2 000 fois,
n fois. . . ) on constate que la fréquence d’apparition du chiffre 5 par exemple
(c’est-à-dire le rapport du nombre d’obtention du " 5 " au nombre total de
lancers) est voisine de 1=6, et se stabilise autour de la valeur 1=6 lorsque le
nombre n de lancers devient très grand. Pascal, Fermat et d’autres ont adopté
cette " fréquence limite "comme probabilité d’obtenir un " 5 " lors d’un lancer
de dé.
Mais le calcul des probabilités s’est avéré nécessaire dans un grand nombre de domaines
(par exemple en économie, en physique, en médecine. . . ) où la répétition à l’identique
d’une même épreuve est souvent impossible. Vers 1930, Kolmogorov a construit une
théorie mathématique des probabilités, s’appuyant sur l’approche statistique de ses
précurseurs. Basée sur trois axiomes fondamentaux, cette théorie confirme et généralise
les propriétés établies à partir d’expériences.
2 Définition théorique d’une probabilité sur un univers

Une probabilité est une application P permettant d’associer un réel P (A) à tout
événement A et vérifiant les axiomes suivants :
① pour tout événement A : 0 P (A) 1 ;
❷ P( ) = 1;
③ pour tous événements A et B incompatibles P (A [ B ) = P (A) + P (B ):
On dit que P (A) est la probabilité de réaliser l’événement A:

3 Conséquences de la définition
P étant une probabilité définie sur , on a les propriétés suivantes :
a) la probabilité de l’événement impossible est nulle : P (;) = 0:
b) A étant l’événement contraire de A, la probabilité de réaliser A vaut :
P (A) = 1 P (A):
c) Si A B; alors : P (A) P (B ):
d) pour tous événements A et B : P (A [ B ) + P (A \ B ) = P (A) + P (B ):
Exemple 9 : À la sortie d’une chaîne de fabrication, des boulons sont suscep-
tibles de présenter deux défauts.
Un très grand nombre d’observations a permis d’établir que :
X la proportion de boulons fabriqués ayant le défaut a est de 5 % ;
X la proportion de boulons fabriqués ayant le défaut b est de 3 % ;
X la proportion de boulons fabriqués ayant les deux défauts est de 1 % ;
on note :
A l’événement un boulon présente le défaut a ,
B l’événement un boulon présente le défaut b .
Attention : "présenter le défaut a" ne signifie pas "présenter le défaut a seule-
ment".
Déterminer la probabilité qu’un boulon présente :
① le défaut a ou le défaut b ;
❷ le défaut a seulement ;
③ aucun défaut.
① La probabilité qu’un boulon présente le défaut a ou le défaut b vaut P (A [ B ) or

P (A [ B ) = P (A) + P (B ) P (A \ B ) = 0; 05 + 0; 03 0; 01 = 0; 07:
❷ Notons A0 l’événement " un boulon présente le défaut a seulement ". On peut
écrire A0 [ [A \ B ] = A et comme A0 et A \ B sont incompatibles, on a
P (A0 ) + P (A \ B ) = P (A) d’où P (A0 ) = P (A) P (A \ B ) = 0; 05 0; 01 = 0; 04:
③ Notons C l’événement " un boulon ne présente aucun défaut ". L’événement
contraire de C est A [ B , on a donc :
P (C ) = 1 P (C ) = 1 P (A [ B ) = 1 0; 07 = 0; 93:
4 Probabilité sur un univers fini

On suppose dans ce paragraphe que l’univers contient n éléments :
= fa1; a2; a3; : : : ; ang:
Toute application P définie par la donnée des n nombres positifs ou nuls P (a1 ); P (a2 );
. . . , P (an ) tels que P (a1 ) + P (a2 ) + : : : + P (an ) = 1 détermine une probabilité sur
. On obtient la probabilité d’un événement A en ajoutant les probabilités
des éventualités dont la réunion est A:

B. Probabilités : définitions et axiomes 19
Exemple 10 : Soit = f1; 2; 3; 4; 5; 6g et P définie par : P (1) = 0; 1; P (2) = 0; 4;

P (3) = 0; 05; P (4) = 0; 15; P (5) = 0; 2; P (6) = 0; 1:
Ces 6 nombres sont positifs ou nuis et leur somme vaut bien 1. D’après le théorème
ci-dessus, P définit donc une probabilité sur . La probabilité d’obtenir un nombre pair
par exemple est alors : P (f2; 4; 6g) = 0; 4 + 0; 15 + 0; 1 = 0; 65:
Exemple 11 : Sur le même univers = f1; 2; 3; 4; 5; 6g, considérons maintenant
la probabilité P définie par : P (i) = 1=6; i = 1; 2; : : : ; 6:
P définit donc également une probabilité sur . On dit ici que les événements élé-
mentaires sont équiprobables car ils ont tous la même probabilité de se réaliser. La
probabilité de l’événement A " obtenir un nombre inférieur ou égal à 4 " par exemple,
est alors :
P (A) = P f1; 2; 3; 4g = P (1) + P (2) + P (3) + P (4) = 1=6 + 1=6 + 1=6 + 1=6 = 2=3
card(A)
donc P (A) = = nombre de résultats "favorables" :
card( ) nombre total de résultats possibles
Cette formule, établie ici sur un cas particulier est généralisée dans le paragraphe qui
suit.
5 Équiprobabilité sur un univers fini

On a équiprobabilité sur l’univers = fa1; a2; a3; : : : ; ang lorsque tous les
événements élémentaires ont la même probabilité de se réaliser.
On a alors : P (a1 ) = P (a2 ) = : : : = P (an ) =

1 (puisque tous ces nombres sont égaux n
n
et que leur somme vaut 1) et pour tout événement A:
card(A)
P (A) = = nombre
nombre de résultats "favorables"
:
card( ) total de résultats possibles
Exemple 12 : L’entreprise DUBEAU emploie 36 personnes dont 12 femmes.

Un salarié de cette entreprise est tiré au sort pour répondre à un sondage.
Quelle est la probabilité que ce soit un homme ?
L’ensemble des résultats possibles à l’issue du tirage au sort est constitué de 36 éléments.
Notons H l’événement : " le tirage au sort désigne un homme ".
On a : card(H ) = 24, donc P (H ) =
24 = 2 :
36 3
Exemple 13 : Un libraire reçoit un carton de 50 exemplaires d’un livre dont 3
sont dédicacés par l’auteur. On tire au hasard 10 livres du carton. Déterminer
la probabilité des événements :
A : " on obtient les 3 livres dédicacés " ;
B : " on obtient un seul livre dédicacé " ;
C : " on obtient au moins un livre dédicacé ".
Le nombre de tirages possibles de 10 livres parmi 50 est C5010 ; et les nombres de tirages
7 C 3 ; C 9 C 1 et C 10 ;
réalisant A, B et C sont respectivement : C47 3 47 3 47

C477 C33 C479 C31

d’où, P (A) =
C5010
0 ; 006; P ( B ) = C5010
0; 398;
C4710
P (C ) = 1 P (C ) = 1
C5010
0; 496:
6 Probabilité sur un univers infini dénombrable
est dénombrable si on peut numéroter ses éléments. Notons = fa1 ; a2 ; : : : ; an ; : : :g:

La donnée de n nombres positifs ou nuis P (a1 ); P (a2 ); : : : ; P (an ); : : : tels que
+ 1
P (ai ) = 1 définit une probabilité sur .
X
i=1
On obtient la probabilité d’un événement A en ajoutant les probabilités des éventualités
+ 1
P (ai ), est par définition la limite quand n tend
X
dont la réunion est A: La somme
i=1
n
+1 de P (ai ):
X
vers
i=1
Exemple 14 : Notons N l’ensemble des entiers naturels non nuls, et considérons

k
l’application P définie sur N par : P (k) = 21 : Montrer que P définit une
probabilité sur N , puis calculer la probabilité de l’événement : A = f2; 4; 6; 8g:
Pour tout entier k non nul, P (k) est positif, et

Xn
P (k ) =
n
X

1 k = 1 1 + 1 2 + ::: + 1
n
k=1 k=1 2 2 2 2
n premiers termes de la progression géométrique de raison ; et de

1
c’est la somme des
1 ; d’où 2
premier terme
2
1 1 n
n
X
P (k ) =
1 2 =1

1 n;

k=1 2 1 1 2
2
1 n + 1
or lim P (k) = 1; P définit donc bien une probabilité sur N :
= 0; on a donc
X
n!+1 2
i=1
Calculons la probabilité de l’événement : A = f2; 4; 6; 8g:
On a :
P (A) = P (2) + P (4) + P (6) + P (8) =

1 2 + 1 4 + 1 6 + 1 8 0; 332:

2 2 2 2
C. Probabilités conditionnelles 21
C. Probabilités conditionnelles
On considère dans ce paragraphe un univers quelconque sur lequel on a défini une
probabilité P:
1 Définition et notion intuitive

A et B désignant deux événements (avec P (B ) non nul), on appelle probabilité
conditionnelle de A sachant B , le nombre (compris entre 0 et 1) noté P (A=B ) défini
par :
P (A \ B )
P (A=B ) =
P (B )
Exemple 15 : Reprenons la chaîne de fabrication de boulons. On suppose qu’à

la suite d’un incident technique 50 % des boulons présente de défaut a, 30 %
le défaut b et 10 % les deux défauts.
Supposons que l’on prenne un boulon au hasard, on constate qu’il présente le
défaut b, quelle est la probabilité qu’il présente aussi le défaut a ?
Raisonnons d’abord en termes de proportions en nous aidant de l’illustration suivante :
Compte tenu des données, un tiers des boulons présentant le défaut b (grisé) présentent
également le défaut a.
La probabilité de réaliser A si B est réalisé vaut donc 1=3:
On a travaillé ici sur l’univers réduit constitué par les boulons présentant le défaut b.
Appliquons maintenant la définition théorique :
P (A \ B ) 0; 10 1
P (A=B ) = = 0; 30 3 ; on obtient donc bien le même résultat
P (B )
La probabilité de réaliser A sachant que B est réalisé est parfois notée PB (A) (au lieu de
P (A=B )) et on démontre que PB définit une probabilité sur . Il en résulte les propriétés
suivantes, données en parallèles avec les deux notations utilisées :

2 Probabilités composées
Il découle directement de la définition des probabilités conditionnelles que :
P (A \ B ) = P (A) P (B=A):
Exemple 16 : Pour ouvrir un coffre, on dispose d’un trousseau de 5 clefs presque
identiques dont une seule peut ouvrir le coffre. On essaye donc les clefs une
à une, en mettant de côté les clefs essayées qui n’ont pu ouvrir le coffre.
Déterminer la probabilité que l’on parvienne à ouvrir le coffre au deuxième
essai.
Réussir au deuxième essai suppose que la première clef n’était pas la bonne (événement
que nous noterons A) et que la deuxième est la bonne (événement B ). On cherche donc :
P (A \ B ): Or P (A \ B ) = P (A) P (B=A)
P (A) = 4=5; (puisque 4 des 5 clefs ne sont pas bonnes)
P (B=A) = probabilité que la deuxième clef soit la bonne sachant que la première ne
l’était pas
P (B=A) = 1=4 (puisqu’il ne reste plus que 4 clefs dont une seule est bonne),
4 1
P (A \ B ) = = 0; 2:
d’où
5 4
Généralisation : E1 ; E2 ; E3 ; : : : ; En étant n événements donnés, on a :
P (E1 \E2 \E3 \: : :\En ) = P (E1 )P (E2 =E1 )P (E3 =E1 \E2 ): : :P (En =E1 \: : :\En 1 ):

3 Événements indépendants
3.1 Cas de deux événements
Intuitivement, deux événements A et B sont indépendants si la réalisation de l’un

n’a pas d’influence sur la réalisation de l’autre. Dans ce cas, la probabilité de réaliser A
sachant que B est réalisé doit valoir P (A), et puisque
P (A \ B )
P (A=B ) = (en supposant P (B ) 6= 0), on doit avoir :
P (B )
P (A \ B )
P (A) =
P (B )
, ce qui nous conduit à la définition suivante :
Définition 2.1. A et B sont deux événements indépendants si et seulement si
P (A \ B ) = P (A) P (B ):
On veillera à ne pas confondre "événements indépendants" et "événements incompa-
tibles".
Remarquons que si les probabilités P (A) et P (B ) sont non nulles, on peut donner la
définition sous forme :
A et B sont deux événements indépendants si et seulement si
P (A=B ) = P (A);
ou encore :
A et B sont deux événements indépendants si et seulement si
P (B=A) = P (B ):
Exemple 17 : On considère une population de jeunes de 25 ans dont 80 % sont
des étudiants, 70 % sont vaccinés contre l’hépatite B, et 10 % possèdent une
moto. De plus 56 % sont des étudiants vaccinés contre l’hépatite B, et
8 % ont une moto et sont vaccinés contre l’hépatite B. On prend au hasard un
individu de cette population et on note E; V et M les événements suivants :
E = "obtenir un étudiant" ;
V = "obtenir un jeune qui est vacciné contre l’hépatite B" ;
M = "obtenir un jeune qui possède une moto".
Les événements E et V d’une part, et M et V d’autre part sont-ils indépen-
dants ?
Compte tenu des données, on a P (E ) = 0; 8 ; P (V ) = 0; 7 ; P (M ) = 0; 1 ;
P (E \ V ) = 0; 56 et P (M \ V ) = 0; 08:
Avec ces données, on peut écrire P (E \ V ) = P (E ) P (V ) et en déduire que dans cette
| {z } | {z } | {z }
0;56 0;8 0;7
population, les événements " être étudiant " et " être vacciné contre l’hépatite B " sont
indépendants en probabilité.
Par contre P (M \ V ) 6= P (M ) P (V ) les événements " avoir une moto " et " être
| {z } | {z } | {z }
0;08 0;1 0;7
vacciné contre l’hépatite B " ne sont donc pas indépendants en probabilité.

L’étude de l’indépendance d’événements doit bien être faite à partir de la définition

mathématique donnée, et non à partir des idées intuitives que l’on pourrait avoir
Propriété : si A et B sont indépendants, alors A et B sont indépendants, A et
B sont indépendants, A et B sont indépendants.
3.2 Cas de plusieurs événements

Considérons une famille A1 ; A2 ; : : : ; An d’événements (contenus dans un même uni-
vers).
☞ Les événements A1; A2; : : : ; An sont indépendants deux à deux si l’on a pour
tout Ai et pour tout Aj (avec i 6= j ) :
P (Ai \ Aj ) = P (Ai ) P (Aj ):

☞ Les événements A1 ; A2 ; : : : ; An sont mutuellement indépendants si l’on a,
pour toute sous famille Ai1 ; Ai2 ; : : : ; Aik (avec k 2) :
P (Ai1 \ Ai2 \ : : : \ Aik ) = P (Ai1 ) P (Ai2 ) : : : P (Aik ):
Exemple 18 : On lance une pièce de monnaie jusqu’à ce que l’on obtienne le

côté pile. Déterminer la probabilité d’obtenir pile pour la première fois au 5e
essai.
Notons :
Fi l’événement : " obtenir le côté face au i-ème lancer ", et
Pi l’événement : " obtenir le côté pile au i-ème lancer ".
On cherche : P (F1 \ F2 \ F3 \ F4 \ P5 ):
On peut admettre qu’à chaque lancer, on a autant de chances d’obtenir face que pile,
et que les résultats des lancers sont mutuellement indépendants. On a donc :
P (F1 \ F2 \ F3 \ F4 \ P5 ) = P (F1 ) P (F2 ) P (F3 ) P (F4 ) P (P5 ) = (0; 5)5 0; 03:
~ : Remarquons que si les événements A1 ; A2 ; : : : ; An sont mutuellement
indépendants, ils sont indépendants deux à deux. Mais la réciproque n’est pas toujours
vraie.
4 Diagrammes en arbre
Il est parfois commode de représenter une succession d’épreuves par un "arbre", et
de savoir utiliser ce schéma pour faire rapidement des calculs de probabilité.
Exemple 19 : Un épicier achète les pâtes chez trois fournisseurs FA , FB et FC .
La moitié de ses paquets provient de chez FA , et un cinquième de ses paquets
provient de chez FB .
À la livraison, l’épicier constate que 1 % des emballages des paquets du four-
nisseur FA sont endommagés, et que cette proportion est de 4 % chez FB et

2,5 % chez FC . Il met cependant tous les paquets en rayon. On choisit au ha-
sard un paquet.
Déterminer la probabilité que son emballage soit endommagé.
On notera A (respectivement B et C) l’événement : " le paquet choisi provient du four-
nisseur FA " (respectivement FB et FC ), et E " l’emballage du paquet est endommagé
". On cherche P (E ):

P (E ) = P (A [ B [ C ) \ E

= P (A \ E ) [ (B \ E ) [ (C \ E ) :
Cette décomposition signifie qu’un paquet endommagé peut :
venir du fournisseur FA et être endommagé,
ou venir du fournisseur FB et être endommagé,
ou venir du fournisseur FC et être endommagé.
Comme (A \ E ), (B \ E ) et (C \ E ) sont trois événements incompatibles, on a :
P (E ) = P (A \ E ) + P (B \ E ) + P ( C \ E )
= P (A) P (E=A) + P (B ) P (E=B ) + P (C ) P (E=C ):
Or d’après les données P (A) = 0; 5 ; P (B ) = 1=5 = 0; 2 ; P (C ) = 1 0; 5 0; 2 = 0; 3 ;
et P (E=A) = 0; 01 (puisque 1 % des paquets en provenance de FA sont endommagés),
P (E=B ) = 0; 04 et P (E=C ) = 0; 025: Il en résulte que
P (E ) = (0; 5 0; 01) + (0; 2 0; 04) + (0; 3 0; 025) = 0; 0205:
On peut schématiser la situation étudiée par l’arbre suivant, et observer comment on
obtient P (E ) en suivant les " chemins " (marqués en gras) aboutissant à E.
5 Formule des probabilités totales

En développant ci-dessus le calcul de P (E ), nous avons établi dans un cas particulier
la formule des probabilités totales qui se généralise comme suit.
Une probabilité P étant définie sur un univers , on considère une famille d’événements
A1 ; A2 ; : : : ; An incompatibles deux à deux, tels qu’aucun d’entre eux n’est impossible,
et dont la réunion est . Une telle famille forme un système complet d’événements.
B étant un événement donné, on a alors :
n
P (B ) = P (Ak ) P (B=Ak ):
X
k=1
Illustration par un arbre :
Tous les chemins conduisant à la réalisation de l’événement B sont indiqués en gras.
6 Théorème de Bayes
Exemple 19 : Reprenons l’exemple de l’épicier. Si l’emballage du paquet choisi
au hasard est endommagé, quelle est la probabilité qu’il provienne du fournis-
seur FA .
On cherche donc P (A=E ): On a :
P (A \ E ) P (A) P (E=A) 0; 5 0; 01
P (A=E ) =
P (E )
= P (E )
= 0; 0205 0; 244:
Si l’on tombe sur un paquet endommagé, il y a donc presque une chance sur quatre
qu’il provienne du fournisseur FA :
Sans le mentionner, nous avons utilisé dans l’exemple ci-dessus le théorème de Bayes
qui se généralise sous la forme suivante :
Avec les mêmes données qu’au paragraphe précédent, on a pour tout i:

P (Ai ) P (B=Ai )
P (Ai =B ) = n :
P (Ak ) P (B=Ak )
X
k=1

D. Exercices 27
D. Exercices
Exercice 02.1 : On a procédé à une enquête sur toutes les familles qui habitaient à
Abidjan au 1er janvier de 2016. On considère l’épreuve : " choisir au hasard l’une de ces
familles ". On note O; A et C les événements suivants :
O : " la famille choisie possède un ordinateur " ;
A : " la famille choisie possède un appareil photo numérique " ;
C : " la famille choisie possède un camescope ".
1) Utiliser une phrase pour décrire chacun des événements suivants :
O; O \ C \ A; O [ C; O \ C:
2) À l’issue d’un tirage au sort, on constate que la famille choisie possède
un camescope. Parmi les événements suivants, quels sont ceux qui sont
réalisés : C; C; A [ C; ;; A \ C ? Peut-on savoir si A \ C est réalisé ? Pourquoi ?
3) À l’issue d’un tirage au sort, on vous indique que la famille choisie réalise
l’événement A [ C: Cette famille possède-t-elle un camescope ?
Exercice 02.2 : On participe à un jeu à l’issue duquel il n’y a que trois possibilités : ne
rien gagner ; gagner une bouteille de vin ; gagner un voyage. Le règlement du jeu précise
que la probabilité de ne rien gagner est 0,9 et la probabilité de gagner une bouteille de
vin 0,0999.
Quelle est la probabilité de gagner un voyage ?
Exercice 02.3 : Le gestionnaire de la restauration scolaire de la commune voisine a

observé que 78 % des enfants sont demi-pensionnaires, 10 % mangent tous les midis
chez une assistante maternelle, les autres rentrent, déjeuner chez eux. On considère
l’épreuve : " choisir au hasard un enfant de cette commune ".
1) Représentez ces données par un diagramme de Venn.
2) Les événements " l’enfant choisi déjeune chez une assistante maternelle "
et " l’enfant choisi déjeune chez lui " sont-ils incompatibles ?
3) Quelle est la probabilité des événements suivants :
– l’enfant choisi est demi-pensionnaire ;
– l’enfant choisi déjeune chez lui ;
– l’enfant choisi ne déjeune pas chez lui ;
– l’enfant choisi déjeune chez une assistante maternelle ou chez lui.
4) Les événements " l’enfant choisi déjeune chez une assistante maternelle "
et " l’enfant choisi déjeune chez lui " sont-ils indépendants ?
Exercice 02.4 : Au centre aéré de la commune voisine, 48 % des enfants savent nager,
60 % des enfants pratiquent un sport collectif, et 20 % des enfants savent nager et
pratiquent un sport collectif. Un séjour d’une semaine est organisé début juillet pour
les enfants de ce centre aéré, mais seuls ceux qui savent nager ou pratiquent un sport
collectif peuvent s’inscrire. On considère l’épreuve : " choisir au hasard un enfant de
cette commune ".

1) Représentez ces données par un diagramme de Venn.

2) Quelle la probabilité des événements :
– l’enfant choisi sait nager ;
– l’enfant ne pratique pas de sport collectif ;
– l’enfant sait nager et pratique un sport collectif ;
– l’enfant peut être inscrit au séjour de juillet.
3) Les événements " l’enfant choisi sait nager " et " l’enfant choisi pratique
un sport collectif " sont-ils incompatibles ? sont-ils indépendants ?
Exercice 02.5 : Une étude portant sur les 1 200 dernières voitures vendues chez un
concessionnaire d’une grande marque, et sur l’âge des acheteurs (plus ou moins de 30
ans), a donné les résultats suivants :
Grosse voiture (G) Petite voiture (G ) Totaux
Jeune (J ) 106 424 530
Moins jeune (J ) 536 134 670
Totaux 642 558 1 200
1) Dans cette question on donnera les résultats en pourcentages, à 10-2 près.
a) Parmi les jeunes acheteurs, quel est le pourcentage de ceux qui ont
acheté une grosse voiture ?
b) Parmi les clients qui ont acheté une grosse voiture, quel est le pourcen-
tage de jeunes ?
Dans la suite on donnera les valeurs décimales des probabilités, à 10-4 près. On considère
l’épreuve : " tirer au hasard la fiche d’achat de l’un des 1 200 derniers clients ayant acheté
une voiture chez ce concessionnaire ", et on note G l’événement : " le client choisi a
acheté une grosse voiture " et J l’événement : " le client choisi est jeune ".
2) a) Calculer les probabilités suivantes : P (J ); P (G); P (J \ G); P (J [ G); P (J=G)
et P (G=J ):
Comparer les deux derniers résultats avec les pourcentages obtenus à la
question 1).
b) Quelle est la probabilité de tirer la fiche d’un acheteur jeune ayant acheté
une petite voiture ?
c) Si la fiche tirée au hasard est celle d’une petite voiture, quelle est la
probabilité que son acheteur soit jeune ?
Exercice 02.6 : Pour organiser un voyage, un comité d’entreprise décide d’utiliser deux
petits cars notés P1 , P2 et trois grands cars notés G1 , G2 , G3 . L’ordre de départ des cars
est laissé au hasard. On désigne par ordre de départ toute suite ordonnée des cinq cars.
Exemple : P2 ; G1 ; G3 ; P1 ; G2 :
1) Calculer le nombre d’ordres de départ possibles.
2) Calculer la probabilité que les deux petits cars partent en première et
deuxième position.

D. Exercices 29
3) Calculer la. probabilité que, lors du départ, les deux petits cars soient l’un
derrière l’autre.
4) Calculer la probabilité que parte un grand car en première et en dernière
position.
Exercice 02.7 : Quatre hommes et quatre femmes travaillent dans un même bureau
équipé d’un seul poste téléphonique. Madame Jacques doit appeler ce bureau une fois
en début d’après-midi et une seconde fois en fin de journée. On admet que la probabilité
de répondre, lorsque le téléphone sonne, est la même pour chacune des huit personnes
du bureau. On note :
H l’événement : " c’est un homme qui répond à Madame Jacques en début d’après-
midi " ;
F l’événement : " c’est une femme qui répond à Madame Jacques en fin de journée " ;
S l’événement : " les deux personnes qui répondent à Madame Jacques sont de même
sexe ".
1) Calculer la probabilité des événements H; F; S; H \ F; H \ S; F \ S; H \ F \ S:
2) Montrer que les événements H; F et S sont indépendants deux à deux mais
ne sont pas mutuellement indépendants.
Exercice 02.8 : Un grand magasin a, en stock, 2 500 sacs dont 20 % ont été fabriqués
à l’étranger, 1 200 paires de chaussures dont la moitié ont été fabriquées à l’étranger et
300 vestes en cuir toutes fabriquées à l’étranger.
1) Compléter le tableau suivant :
Fabriqués en France Fabriqués à l’étranger Total

Sacs
Paires de chaussures
Vestes en cuir
Total
2) On choisit au hasard l’un de ces articles. Quelle est la probabilité que ce
soit :
a) un sac ?
b) un sac fabriqué à l’étranger ?
c) un article fabriqué à l’étranger ?
3) Si l’étiquette de l’un de ces articles s’est détachée et si on lit sur celle-ci :
" fabriqué en France ", quelle est la probabilité que ce soit l’étiquette d’une
paire de chaussures ? (On suppose qu’il n’y a qu’une étiquette par paire).
4) Dans le stock considéré, y a-t-il indépendance entre la nature d’un article
et son lieu de fabrication ?

Chapitre 3
Généralités sur les variables aléatoires
Après avoir réalisé une expérience, il arrive bien souvent qu’on s’intéresse plus à une
fonction du résultat qu’au résultat lui-même.
Par exemple, lorsqu’on joue aux dés, certains jeux accordent de l’importance à la somme
obtenue sur deux dés, 7 par exemple, plutôt qu’à la question de savoir si c’est la paire
(1; 6) qui est apparue, ou (2; 5), (3; 4), (4; 3), (5; 2) ou plutôt (6; 1):
Ces grandeurs auxquelles on s’intéresse sont en fait des fonctions réelles définies sur
l’ensemble fondamental et sont appelées variables aléatoires.
Donc toute mesure d’une grandeur dont les valeurs dépendent du hasard est dite
variable aléatoire (v.a.). C’est par conséquent une application de l’univers des évé-
nements sur R.
Ainsi, lorsqu’à chaque éventualité ei d’une expérience aléatoire, on associe un nombre
réel xi , on dit que l’on a défini une v.a. X.
Notation : est l’univers des éventualités de l’expérience aléatoire, X est une appli-
cation de dans R.
L’événement X prend la valeur xi est noté (X = xi ):
Une v.a. X est donc une application permettant d’associer un nombre réel à toute
éventualité. On note X ( ) l’ensemble de toutes les valeurs que peut prendre X .
X est dite :
discrète lorsque l’ensemble des valeurs prises est dénombrable (fini ou non),
continue lorsqu’elle peut prendre toutes les valeurs d’un intervalle de R.
~ : Les v.a. sont représentées par des lettres majuscules X, Y, Z, . . .
Exemple 1 : On lance deux dés. On note S l’application qui, à chaque lancer,
associe la somme des résultats obtenus.
S est une v.a. qui peut prendre toutes les valeurs de l’ensemble
S ( ) = f2; 3; : : : ; 11; 12g: S est discrète.
Exemple 2 : On lance plusieurs fois de suite deux dés jusqu’à ce que l’on
obtienne un double 6. On note X l’application qui, à chaque série de lancers,
associe le nombre d’essais qu’il a fallu faire.

A. Variables aléatoires discrètes 31
X est une variable aléatoire discrète qui peut prendre toutes, les valeurs entières non
nulles. X ( ) = N :
Exemple 3 : Après ensachage, on pèse des paquets de farine. On note Y l’appli-
cation qui, à chaque paquet, associe son poids en grammes, emballage compris.
On a constaté que les poids variaient entre 950 g et 1 100 g.
Y est une v.a. qui peut prendre toutes les valeurs de l’intervalle
Y ( ) = [950; 1 100]: Y est continue.
A. Variables aléatoires discrètes
1 Loi de probabilité ou fonction de distribution
1.1 Définition
L’application qui, à chaque valeur possible x d’une variable aléatoire X; associe la

probabilité P (X = x) est appelée loi de probabilité ou fonction de distribution de
la variable aléatoire X:
On veillera à ne pas confondre X et x :
X désigne la variable aléatoire considérée, et x une valeur possible de cette variable.
On veillera également à distinguer la signification de P (X = x) et celle de (X = x) :
(X = x) désigne l’événement " la variable aléatoire X prend la valeur x ", tandis que
P (X = x) est la probabilité de réaliser cet événement.
1.2 Exemples
Exemple 4 : Monsieur Plando a 3 bateaux à louer à la journée. X désignant le

nombre de bateau(x) loué(s) par jour au mois de mai, il a pu établir, à partir
d’un grand nombre d’observations, la loi suivante :
x 0 1 2 3
P (X = x ) 0,6 0,25 0,1 0,05
Ainsi la loi de probabilité d’une variable aléatoire X prenant un nombre fini de valeurs
peut être donnée par un tableau. Le diagramme en bâtons ci-dessous en donne une
représentation graphique.
Remarque : X a été définie comme étant le nombre de bateaux loués par jour en mai.
Il s’agit d’un abus de langage, fréquemment commis, puisque X n’est pas un nombre
mais une variable aléatoire. Il est sous-entendu que X est l’application qui, à chaque
jour de mai, associe le nombre de bateau(x) loué(s) ce jour-là.

32 Généralités sur les variables aléatoires
Exemple 5 : Sur une ligne de bus, 20 % des voyageurs n’ont pas payé de ticket.
Chaque matin, un contrôleur vérifié les billets jusqu’à ce qu’il tombe sur un
fraudeur. X désigne le nombre de personnes qu’il a fallu contrôler pour en
trouver une en situation irrégulière. On admettra alors que pour tout x entier
non nul : P (X = x) = (0; 8)x 1 (0; 2):
Ainsi, en particulier quand X peut prendre une infinité de valeurs, on peut donner la
loi de probabilité d’une variable aléatoire par une formule.
Remarque : On retrouve le même abus de langage. X est en fait l’application qui, à
chaque matinée, associe le nombre de billets contrôlés jusqu’à la première personne en
fraude.
1.3 Propriété
P (X = x) vaut 1. P (X = x) = 1:
X
La somme des
x2X ( )
2 Fonction de répartition
2.1 Définition
L’application F qui, à tout réel x; associe la probabilité que la variable aléatoire X

prenne une valeur inférieure ou égale à x; est, par définition, la fonction de répartition
de X .
Pour tout x réel F (x) = P (X x):
2.2 Propriétés
F est une fonction croissante ;
pour tout x; on a 0 F (x) 1, puisque F (x) est la probabilité de réaliser un
événement ;
x!lim+1 F (x) = 1 : on pourrait écrire x!lim+1 F (x) sous la forme "P (X +1)" or
(X +1) est l’événement certain, donc P (X +1) = 1 ;
x!lim1 F (x) = 0 : de même (X 1) est l’événement impossible, donc

P (X 1) = 0 ;
et surtout : Pour tous a et b réels; P (a < X b) = F (b) F (a):
Dans le cas où X est discrète, il est important dans cette dernière propriété de veiller
aux inégalités (l’une stricte, l’autre large).
Remarque : Si l’on connaît la loi (ou distribution) de X; on peut déterminer sa fonction

de répartition F et réciproquement.
Exemple 6 : Dans une population d’étudiants, 10 % d’entre eux sont abonnés à

3 hebdomadaires, 20 % à 2 hebdomadaires, 40 % à un seul, les autres n’ayant
aucun abonnement On note X la variable aléatoire qui, à chaque étudiant
associe le nombre d’abonnements qu’il a souscrits. F désignant la fonction de
répartition de X; calculer F (0); F (1); F (2); F (3) puis donner l’expression de
F et représenter F sur R: Utiliser F pour calculer P (X > 2); P (0 < X < 3);
P (1 X < 3); P (0 < X 2):
Loi de probabilité de X
x 0 1 2 3
P ( X = x) 0,3 0,4 0,2 0,1
F (0) = P (X 0) = P (X = 0) = 0; 3
F (1) = P (X 1) = P (X = 0) + P (X = 1) = 0; 3 + 0; 4 = 0; 7
et de même F (2) = 0; 9 et F (3) = 1:
Expression de F sur R
si x < 0 F ( x) = 0
si x 2 [0; 1[ F (x) = 0; 3
si x 2 [1; 2[ F (x) = 0; 7
si x 2 [2; 3[ F (x) = 0; 9
si x 3 F (x) = 1:
Lorsque X est discrète, F est une fonction en escalier.
Représentation graphique de F:
P (X > 2) = 1 P (X 2) = 1 F (2) = 1 0; 9 = 0; 1
P (0 < X < 3) = P (1 X < 3) = P (0 < X 2) = F (2) F (0) = 0; 9 0; 3 = 0; 6:
| {z }
P (X =1)+P (X =2)

3 Variables aléatoires discrètes indépendantes

Deux variables aléatoires discrètes X et Y sont indépendantes si et seulement si,
pour tous couples (x; y ) de valeurs possibles pour X et Y , les événements (X = x) et
(Y = y) sont indépendants, ce qui s’écrit :
P (X = x et Y = y) = P (X = x) P (Y = y):
Définition équivalente : X et Y sont indépendantes si et seulement si, pour tous réels

x et y on a :
P (X x et Y y) = P (X x) P (Y y):
Exemple 7 : Un assureur a fait une étude sur ses clients pratiquant le ski. Il a
établi que la loi du nombre annuel X d’accidents de voiture de ces clients est
donnée par le tableau suivant :
x 0 1 2
P (X = x) 0,6 0,3 0,1
et que, pour ses mêmes clients, Y désignant le nombre de semaines passées à
la montagne au cours de l’année, on a :
y 1 2 3
P (Y = y ) 0,5 0,45 0,05
Dresser le tableau donnant les probabilités des événements (X = x et Y = y )
que l’on aurait , si X et Y étaient indépendantes. Observer les lignes et les
colonnes de ce tableau.
X et Y étant supposées indépendantes, on a :
pour tous x; y : P (X = x et Y = y ) = P (X = x) P (Y = y); ce qui donne le tableau
suivant :
HH x
HH
0 1 2
y HH
1 0,3 0,15 0,05
2 0,27 0,135 0,045
3 0,03 0,015 0,005
0; 3 = 0; 6 0; 5
On observe que les colonnes du tableau de contingence sont proportionnelles deux à

deux (la première colonne est double de la seconde, la seconde triple de la troisième).
De même les lignes sont proportionnelles deux à deux.
Réciproquement, lorsque les colonnes sont proportionnelles deux à deux dans un tableau
de contingence de ce type, les variables aléatoires sont indépendantes. Dans ce cas, les
5 lignes sont également proportionnelles deux à deux. On peut utiliser cette remarque
pour établir rapidement que deux variables aléatoires discrètes, prenant un nombre fini
de X valeurs, sont, ou ne sont pas, indépendantes.

4 Espérance, variance, écart type d’une variable aléatoire dis-

crète ; covariance de deux variables aléatoires discrètes
4.1 Définitions
Soit X une variable aléatoire définie sur :

a) Espérance mathématique
L’espérance mathématique de X (notée E (X ) ou X ) est définie par :
X = E (X ) = xP (X = x):
X
x2X ( )
Lorsque X ne peut prendre qu’un nombre fini de valeurs, l’espérance de X est donc la
moyenne arithmétique des valeurs de X pondérées par leurs probabilités. E (X )
est un paramètre de position (ou de tendance centrale) de X:
b) Variance et écart type

La variance

de X (notée

V (X )) est l’espérance de la variable aléatoire (X X )2 :
V (X ) = E ( X X )2 :
On démontre que :
V (X ) = ( x X ) 2 P ( X = x) (1)
X
x2X ( )
Pour les calculs numériques, on utilise généralement l’expression suivante de V (X ) :
V (X ) = E (X 2 ) X 2 = x2 P (X = x) X 2 (formule de Köenig)
X
x2X ( )
Remarquons que V (X ) est un nombre positif ou nul puisque, d’après la formule (1),
c’est une somme de termes positifs ou nuls. On peut donc en prendre la racine carrée
qui est par définition l’écart type de X (on le note (X )).
q
(X ) = V (X ):
E (X ) et X ont même unité. V (X ) et (X ) sont des caractéristiques qui mesurent
la dispersion des valeurs prises par X autour de son espérance X:
c) Covariance de deux variables aléatoires définies sur un même univers

La covariance de X et de Y , notée cov (X; Y ), est l’espérance de la variable aléatoire
(X X )(Y Y ):
cov(X; Y ) = E (X X )(Y Y) :
On démontre que :
cov(X; Y ) = (x X )(y Y )P (X = x et Y = y):

XX

Pour les calculs numériques, on utilise généralement l’expression suivante de cov (X; Y ) :
cov(X; Y ) = E (XY ) XY = xyP (X = x et Y = y) XY

XX
(formule de Köenig généralisée)
4.2 Propriétés
a) Propriétés de l’espérance
X étant une variable aléatoire et a et b deux constantes, on a :

E (aX + b) = aE (X ) + b
et en particulier, l’espérance d’une variable aléatoire constante est égale à cette
constante.
L’espérance d’une somme de variables aléatoires est égale à la somme de leurs
espérances :
E (X 1 + X 2 + : : : + X n ) = E (X 1 ) + E (X 2 ) + : : : + E (X n ) :
Conséquence : E (X Y ) = E ( X ) E (Y ) :
b) Propriétés de la covariance
cov(X; k) = 0 et cov(k; Y ) = 0, k étant une constante donnée.

cov(X; Y ) = cov(Y; X ):
cov(aX + b; a0Y + b0) = aa0cov(X; Y ), a; a0; b et b0 étant des constantes données.
c) Propriétés de la variance
X étant une variable aléatoire et a et b deux constantes, on a :

V (aX + b) = a2 V (X ) et (aX + b) = jaj(X )
et en particulier, la variance et l’écart type d’une variable aléatoire constante sont
nuls.
La variance d’une somme de deux variables aléatoires est :
V (X + Y ) = V (X ) + V (Y ) + 2cov(X; Y )
d) Cas particulier des variables aléatoires indépendantes
Si X et Y sont indépendantes, on a E (XY ) = XY donc cov (X; Y ) = 0 et par suite :
V ( X + Y ) = V (X ) + V (Y )
Cette propriété se généralise à n variables aléatoires indépendantes sous la

forme :
V (X1 + X2 + : : : + Xn ) = V (X1 ) + V (X2 ) + : : : + V (Xn ):
Compte tenu des propriétés énoncées ci-dessus, on remarquera que la variance d’une
différence de deux variables aléatoires indépendantes est égale à la somme de leurs
variances : V (X Y ) = V (X ) + V (Y ):
En effet, V (X Y ) = V (X + ( 1)Y ) = V (X ) + ( 1)2 V (Y ) = V (X ) + V (Y ):
Exemple 8 : Une petite agence loue des voitures à la journée. Elle dispose
d’un parc de 6 véhicules, et la loi du nombre X de voitures louées par jour est
donnée dans le tableau suivant :
x 0 1 2 3 4 5 6
P (X = x) 0,05 0,10 0,37 0,27 0,17 0,03 0,01
Déterminer l’espérance, la variance et l’écart-type de X .
Le bénéfice B (en d), rapporté par la location des voitures est B = 450X 375.
Déterminer l’espérance, la variance et l’écart-type de B .
E (X ) = (0 0; 05) + (1 0; 10) + (2 0; 37) + (3 0; 27) + (4 0; 17) +

(5 0; 03) + (6 0; 01)
= 2; 54:
L’espérance mathématique de X est de 2,54 voitures louées par jour.
Remarquons - cela peut permettre de détecter une éventuelle erreur de calcul - que
l’espérance est toujours comprise entre la plus grande et la plus petite valeur possible
pour X:
Calcul de l’écart type
E (X 2 ) = (02 0; 05) + (12 0; 10) + (22 0; 37) + (32 0; 27) + (42 0; 17) +
(52 0; 03) + (62 0; 01)
= 7; 84
2
d’où : V (X ) = E (X 2 ) X = 7; 84 2; 542 = 1; 3884 et (X ) = p1; 3884 1; 18:
L’écart type de X est de 1,18 voiture.
E (B ) = E (450X 375) = 450E (X ) 375 = 768:

L’espérance mathématique de B est de 768 euros par jour. C’est le bénéfice quotidien
moyen que l’on obtiendrait sur un très très grand nombre de jours.
q
V (B ) = V (450X 375) = 4502V (X ) = 281 151; (B ) = V (B ) = 450(X ) 530; 24:
L’écart type de B est de 530,24 euros.
4.3 Variable centrée réduite associée à X
Soit X une v.a. d’espérancem et d’écart-type .

☞ La v.a. XC définie par : XC = X m est appelée variable centrée associée à
X.
Son espérance est nulle : E(XC ) = E(X m) = E (X ) m = 0:
| {z }
m
X
☞ La v.a. XR définie par : XR =

est appelée variable réduite associée à X.
2
X 1 z }| {

Son écart-type vaut 1 : V(XR ) = V = 2 V(X ) = 1:

☞ La v.a. T définie par : T = X m est appelée variable centrée réduite
associée à X .
Son espérance est nulle et son écart-type vaut 1.
Exemple 9 : Reprenons l’exemple précédent (exemple 8). Déterminer la va-

riable centrée réduite T associée à B puis donner une interprétation des pro-
babilités P (T > 2) et P (T > 5).
Exprimer en fonction de T la probabilité que B ne s’écarte pas de son espérance
de plus d’un demi écart-type.
B E (B )
T= : On a donc :
(B )
Par définition,
B E (B )
!
P (T > 2) = P > 2 = P (B > E (B ) + 2(B )):

(B )
P (T > 2) est donc la probabilité que le bénéfice B dépasse son espérance de plus de 2
fois son écart type.
De même P (T > 5) est la probabilité que le bénéfice B dépasse son espérance de plus
de 5 fois son écart type.
La probabilité que B ne s’écarte pas de son espérance de plus d’un demi-écart type
s’écrit :

P E (B )
1 (B ) < B < E (B ) + 1 ( B ) = P

1 (B ) < B E (B ) < 1 (B )
2 2 2 2
1 < B E (B ) < 1
!
= P 2 (B ) 2
= P

1 <T < 1 :
2 2
La variable aléatoire T évalue la " distance " entre B et son espérance, mesurée en
nombre d’écarts types.

B. Variables aléatoires continues 39
B. Variables aléatoires continues

Exemple 9 : Reprenons l’exemple des paquets de farine dont le poids (exprimé
en grammes) est une v.a. Y prenant ses valeurs dans l’intervalle [950; 1 100].
Lorsque l’on prend un paquet au hasard, la probabilité d’obtenir un poids de farine ri-
goureusement égal à 978,2 grammes par exemple est nulle. On pourra s’en convaincre,
intuitivement en remarquant que 978,2 est une valeur parmi une infinité non dé-
nombrable de valeurs possibles (tous les réels de l’intervalle [950; 1 100]). L’événement
(Y = 978; 2) est quasi-impossible.
Plus généralement, si X est une v.a. continue, on a : P (X = x) = 0 pour tout x.
On ne peut donc pas définir la loi de probabilité d’une telle variable comme dans le cas
discret. En revanche la fonction de répartition se définit de la même manière.
1.1 Définition
L’application F qui, à tout réel x, associe la probabilité que la v.a. X prenne une
valeur inférieure ou égale à x, est par définition la fonction de répartition de X :
Pour tout x réel, F ( x) = P ( X x) :
1.2 Propriétés
☞ F est une fonction croissante ;
☞ pour tout x, on a 0 F (x) 1 ;
☞ lim F (x) = 0 et x!lim
x! 1 +1
F (x ) = 1 ;
☞ pour tout réels a et b :
P (a < X b) = F (b) F (a)

et puisqueP (X = a) = P (X = b) = 0, on a également :
P (a < X < b) = P (a X b) = P (a X < b) = F (b) F (a):
Exemple 10 : Dans une banque, entre 9 et 10 heures le matin, le temps d’at-
tente de l’employé entre deux clients (en minutes) est v.a. X dont la fonction
de répartition est la fonction F définie par :
0 x < 0;
(
F ( x) = 1 e 0;1x
si
si x 0:
Un client vient juste de partir. Déterminer la probabilité que le client suivant
se présente :

1) dans 5 minutes exactement ;

2) dans moins de trois minutes ;
3) dans plus de trois minutes mais moins de 10 minutes.
1) P (X = 5) = 0 puisque X est une variable aléatoire continue.

2) P (X < 3) = P (X 3) = F (3) = 1 e 0;13 0; 259
la probabilité que le prochain client se présente dans moins de 3 minutes est donc
égale à 0,259.
3)
P (3 < X < 10) = F (10) F (3)

= (1 e 0;110) (1 e 0;13 )
= e 0;13 e 0;110
0; 373;
la probabilité que le prochain client se présente dans plus de 3 minutes mais moins
de 10 est donc égale à 0,373.
2 Variables aléatoires continues indépendantes

Définition 3.1. Deux v.a. continues X et Y sont indépendantes si et seulement
si, pour tous réels x et y , les événements (X x) et (Y y ) sont indépendants,
ce qui signifie que l’on a :
P (X x et Y y) = P (X x) P (Y y):
À partir de cette définition, on peut établir facilement que si X et Y sont indépen-
dantes on a également : P (X > x et Y > y ) = P (X > x) P (Y > y ):
Exemple 11 : Un appareil fonctionne grâce à deux éléments identiques mais
indépendants dont les durées de vie T1 et T2 en années sont telles que
P (T1 > 10) = P (T2 > 10) = 0; 04: Il suffit que l’un au moins des deux éléments
tombe en panne pour que l’appareil ne fonctionne plus. Déterminer la proba-
bilité que cet appareil fonctionne pendant plus de 10 ans.
L’appareil fonctionne pendant plus de 10 ans si l’événement (T1 > 10 et T2 > 10) est
réalisé. Or, P (T1 > 10 et T2 > 10) = P (T1 > 10) P (T2 > 10) = 0; 042 = 0; 0016: La
probabilité que cet appareil fonctionne pendant plus de 10 ans est donc égale à 0,0016.
3 Loi ou densité de probabilité d’une v.a. continue

Définition 3.2. Si X est une v.a. continue de fonction de répartition F dérivable,
la loi de probabilité de X est définie par la dérivée de F , que nous noterons f . f

est appelée densité de probabilité (ou fonction de densité) de X.

f ( x) = F 0 ( x) :
Exemple 12 : Déterminer la densité de probabilité de la variable aléatoire

continue X dont la fonction de répartition est la fonction F définie par :
0 x < 0;
(
F (x ) = 1 e 0;1x
si
si x 0:
Si x < 0; F (x) = 0 donc F 0(x) = 0;

si x 0; F (x) = 1 e 0;1x donc F 0(x) = 0 ( 0; 1)e 0;1x :
La densité de probabilité de X est donc la fonction f définie par :
f (x) = 0 si x < 0; et f (x) = 0; 1e 0;1x si x 0:
4 Propriétés
a) La densité est une fonction positive
La fonction de répartition F est croissante, sa dérivée f est donc positive ou nulle.
Graphiquement, cela signifie que la courbe représentative de f est entièrement
située au dessus de l’axe des abscisses.
b) Calcul de P (a < X b) à partir de la densité
On sait que P (a < X b) = F (b) F (a), or F est une primitive de f , donc
Z b
F (b) F (a) = f (t)dt.
a
Z b
P (a < X b) = f (t)dt:
a
Z +1
c) f (t)dt = 1
1
Ce résultat est une conséquence de la propriété précédente appliquée au cas par-
ticulier a = 1 et b = +1. En effet ( 1 < X +1) est l’événement certain.
Graphiquement cela signifie que l’aire de la portion de plan située entre l’axe des
abscisses et la courbe représentative de f vaut 1 (en unité d’aire).
On retiendra cette propriété en la comparant avec celle que l’on avait dans le cas
P (X = x) = 1:
X
d’une v.a. discrète :
x2RX
:
P R
Au lieu d’une somme discrète , on fait ici une somme continue
d) Expression de F en fonction de f
Par définition de la fonction de répartition F , on a : F (x) = P (X x);
donc en prenant a = 1 et b = x dans la propriété donnée au paragraphe b, on

obtient Z x
F (x ) = f (t)dt:
1
Fest une primitive de f mais ce n’est pas n’importe la quelle. Il s’agit de la
primitive qui tend vers 0 en 1:
e) Représentation graphique
Exemple 13 : La quantité de café (en kg) vendu par semaine par un torréfacteur
est une v.a. X prenant ses valeurs dans l’intervalle [10; 70] de densité f définie
par : 8
>
<
(10 x)(x 70) x 2 [10; 70];
f ( x) = > 36000 si
:
0 ailleurs.
Z +1
Vérifier que f (t)dt = 1:
1
Représenter f .
Déterminer et représenter la fonction de répartition de X .
Calculer la probabilité que ce torréfacteur vende la semaine prochaine :
moins de 20 kg de café (événement A) ;
plus de 30 kg (événement B) ;
entre 20 et 30 kg de café (événement C).
Donner une représentation graphique de ces probabilités.
Z +1 Z 10 70 (10 t)(t 70)

Z +1 Z
f (t)dt = 0 dt + dt + 0dt
1 1 10 36 000 70
= 1 70
Z
36 000 10 ( t + 80t 700)dt

2
70
1 t3
" #
= 36 000 3 + 40t 700t 10

2
1 703 + 40 702 700 70 103 + 40 102 700 10

" ! !#
= 36 000 3 3
= 1:
Représentation graphique de f:
Z x
Fonction de répartition de X : on sait que pour tout réel x, on a F ( x) = f (t)dt:
1
il est important de remarquer que l’expression de f n’est pas la même sur [10; 70] et
ailleurs. Z x
Pour x < 10, F (x) = 0dt = 0 (puisque f est nulle sur ] 1; 10]).
1
On peut aussi obtenir ce résultat en remarquant que, pour x < 10, l’événement (X < x)
est impossible puisque la variable aléatoire prend ses valeurs dans l’intervalle [10; 70], Il
en résulte que F (x) = P (X x) = 0:
Pour x compris entre 10 et 70,
Z 10 x (10 t)(t 70)
Z
F ( x) = 0 dt +
1 10 36 000 dt
x3 + 120x2 2 100x + 10 000
= 108 000
Pour x > 70;
F (x ) =
Z 10
0dt +
Z 70 (10 t)(t 70) dt + Z x
0dt
1 10 36 000 70
= 0+1+0
= 1:
On peut aussi obtenir ce résultat en remarquant que, pour x > 70, l’événement (X x)
est certain puisque la variable aléatoire prend ses valeurs dans l’intervalle [10; 70]. Il en
résulte que F (x) = P (X x) = 1:
Récapitulation :
F ( x) = 0 si x < 10;
x3 + 120x2 2 100x + 10 000
F ( x) = si 10 x 70;
108 000
F ( x) = 1 si x > 70:

Représentation graphique de F :
P (A) = P (X < 20) = F (20)

= 203 + 120 202 2 100 20 + 10 000
108 000
= 8 000
108 000
= 2
27
P (A) 0; 074
P (B ) = P (X > 30) = 1 F (30)
1 30 + 120 30108 2000 100 30 + 10 000
3 2
=
= 80 000
108 000
= 20
27
P (B ) 0; 741
P (C ) = P (20 < X < 30) = F (30) F (20)
= 1 P (B ) P (A)
= 20 000
108 000
= 5
27
P (C ) 0; 185:

Représentation graphique :
5 Cas particulier
Les formules dans le cas où X prend ses valeurs dans un intervalle I de bornes et
: Ce cas est celui que l’on a rencontré dans l’exemple ci-dessus. La densité est alors
généralement définie sur I seulement, ce qui sous-entend qu’elle est nulle en dehors de
I , et on a Z
f (t)dt = 1:
La fonction de répartition, qui est toujours définie sur R tout entier, est donnée par
F (x) = Z0 si x< ;
F (x) = f (t)dt si x ;
F ( x) = 1 si x> .
6 Paramètres
Soit X une v.a. continue de densité f , prenant ses valeurs dans l’intervalle I de
bornes et (ces bornes ou l’une de ces bornes étant éventuellement infinies).
Par définition :
Z
l’espérance de X est : E (X ) = tf (t)dt également notée X

Z
la variance de X est : V (X ) = (t X )2f (t)dt

Z
ou encore V (X ) = t2 f (t)dt X 2 (formule de Köenig)

q
l’écart-type de X est : (X ) = V (X )
Pour mieux comprendre et retenir ces formules, on pourra les comparer avec celles que
l’on avait dans le cas d’une v.a. discrète.

Les notions de variable centrée, variable réduite et variable centrée réduite se définissent
comme dans le cas discret.
Exemple 14 : Reprenons l’exemple du torréfacteur et déterminer l’espérance
mathématique, la variance et l’écart-type de X .
Espérance :
E (X ) =
Z
(10 t)(t 70) dt
70
t
10 36 000
1 70 Z
= 36 000 10 ( t3 + 80t2 700t)dt

70
= 36 1000 t4 + 80 t3 350t2
4 3" #
10
= 40:
L’espérance de X est de 40 kg par semaine. C’est le poids moyen de café vendu
par le torréfacteur par semaine, que l’on obtiendrait sur un très grand nombre de
semaines. Compte tenu de là symétrie de la courbe de f par rapport à la valeur
40, ce résultat était prévisible.
Variance :
Z 70 2 (10 t)(t 70)
V (X ) =
36 000 dt 40
t 2
10
= 36 1000 10 ( t4 + 80t3 700t2)dt 402
70 Z
1 t5 t4 t3 70
" #
= 36 000 5 + 80 4 700 3 402

10
= 180
Écart type :
q p
(X ) = V (X ) = 180
13; 42:
L’écart type de X est de 13,42 kg.

C. Exercices 47
C. Exercices
Exercice 03.1 : Des pièces métalliques fabriquées dans un atelier peuvent présenter
au maximum 3 défauts (pièce trop lourde, trop longue, ou trop large). On note D la
variable aléatoire qui, à toute pièce choisie au hasard à la sortie de l’atelier associe le
nombre de défauts qu’elle présente. On suppose que la loi de D est donnée par le tableau
suivant :
d 0 1 2 3
P (D = d) 0,9 0,03 0,015
1) La variable aléatoire D est-elle discrète ou continue ?

2) Déterminer la donnée manquante.
3) Donner une représentation graphique de la loi de la variable aléatoire D:
4) Calculer les probabilités suivantes :
a) P (D > 2) ; b) P (D 2) ; c) P (D < 2) ; d) P (D 2):
5) On prend une pièce au hasard. Donner la probabilité que cette pièce pré-
sente :
a) exactement 2 défauts ; b) au moins 2 défauts ; c) plus de 2 défauts ;
d) moins de 2 défauts ; e) au plus 2 défauts ; f ) moins de 3 défauts ;
g) 2 défauts ou plus ; h) 4 défauts ; i) au plus 1 défaut.
6) Calculer et interpréter l’espérance mathématique, la variance et l’écart type
de D:
Les pièces imparfaites ne sont pas inutilisables. Elles serviront au montage d’articles
de moindre qualité, et sont donc vendues d’autant moins chères qu’elles présentent
davantage de défauts. Le prix X , en euros, d’une pièce métallique, est donné en fonction
de D par X = 1 0; 3D:
7) a) Calculer et interpréter l’espérance mathématique, la variance et l’écart
type de X:
b) Déterminer la loi de X:
On prend 2 pièces au hasard. On note X1 et X2 les prix respectifs, en euros, de ces
deux pièces. On peut supposer les variables aléatoires X1 et X2 indépendantes.
c) Calculer les probabilités suivantes :

i) P (X1 = 1) \ (X2 = 1) ;

ii) P (X1 = 1) [ (X2 = 1) ;

iii) P X1 + X2 = 1 ;

iv) P X1 + X2 = 1; 70 :
Quelle interprétation concrète peut-on donner à ces probabilités ?

Exercice 03.2 : Des magazines sont livrés par paquets de 50. On note X la variable aléa-
toire qui associe, à chaque paquet, le nombre de défaut(s) de massicotage. On admettra
que la loi de X est donnée par la formule :
P (X = k ) =
1 k:
e k!
pour tout entier
1) La variable aléatoire X est-elle discrète ou continue ?

2) Donner une représentation graphique de la loi de la variable aléatoire X:
3) On prend un paquet au hasard. Calculer la probabilité que ce paquet
contienne :
a) exactement 1 défaut de massicotage ;
b) plus d’un défaut de massicotage ;
c) moins d’un défaut de massicotage ;
d) au plus un défaut de massicotage.
4) Quelles sont les valeurs les plus probables de X?
5) Calculer l’espérance mathématique, la variance et l’écart type de X.
Exercice 03.3 : Des CD à graver sont vendus par boîte de 10. Au moment d’une
offre promotionnelle, chaque boîte contient en plus deux CD de musique classique (déjà
gravés). Dans une boîte de ce type, on tire au hasard simultanément trois CD. On note
N la variable aléatoire qui, à chaque tirage de 3 CD, associe le nombre de CD de musique
classique obtenus.
Déterminer la, loi de N: On donnera les probabilités sous forme de fractions
irréductibles.
Exercice 03.4 : 20 % des tablettes de chocolat de la marque CHOCOTOP contiennent

un bon gagnant permettant d’obtenir une tablette de chocolat gratuite. Nadia veut
acheter 2 tablettes de chocolat de cette marque : une demain et une après-demain. On
note G la variable aléatoire qui, à tout achat de deux tablettes CHOCOTOP, associe le
nombre de bons gagnants obtenus.
Déterminer la loi de G: Vérifier que la somme des probabilités vaut 1.
Exercice 03.5 : Un distributeur de confiseries est placé à l’entrée d’une patinoire. Une
étude a permis d’établir que le nombre X de personnes utilisant ce distributeur entre
10 h 00 et 10 h 15 est une variable aléatoire discrète dont la fonction de répartition F
vérifie : F (0) = 0; 5 ; F (1) = 0; 8 ; F (2) = 0; 95 ; F (3) = 1:
1) Calculer les probabilités suivantes : P (0 < X 2) ; P (1 < X 3):
2) Déterminer la loi de X:
3) Quelle est la probabilité que moins de 3 personnes utilisent ce distributeur
entre 10 h 00 et 10 h 15 ?

C. Exercices 49
Exercice 03.6 : Une grande banque étudie la somme, en euros, des montants crédités
sur les comptes de chacun de ses clients au cours des 5 derniers jours d’un mois. On
note S la variable aléatoire qui, à tout client de cette banque, associe la somme des
montants crédités sur son compte au cours des 5 derniers jours d’un mois. La fonction
de répartition F de la variable aléatoire S est définie par :
8
< 0 si s < 1 000
F ( s) = :
1 000 4 si

1 s s 1 000:
1) Déterminer, à 10-4 près, les probabilités :

P (S < 500) ; P (S < 2 000) ; P (2 000 < S < 3 000) ; P (S > 4 000):
Quelle interprétation concrète peut-on donner à ces probabilités ?
2) Calculer et interpréter l’espérance mathématique, la variance et l’écart type
de la variable aléatoire S:
Exercice 03.7 : La densité de probabilité d’une variable aléatoire continue X est une
fonction f dont la représentation graphique est donnée ci-dessous.
Utiliser cette représentation graphique pour vérifier que cette fonction défi-
nit bien une densité de probabilité puis déterminer les probabilités suivantes :
a) P (X < 125) ; b) P (X < 75) ; c) P (X > 175) ; d) P (75 < X < 175).
Exercice 03.8 : Une entreprise, qui produit des jus de fruits, emploie trois goûteurs :
Jacques, Luc et Laure. Lors de chaque test, chacun d’eux doit attribuer une note (1, 2,
3, 4 ou 5) à la boisson goûtée. On note X (respectivement Y et Z ) la variable aléatoire
qui, à tout essai de Jacques (respectivement Luc et Laure) associe la note attribuée
au jus de fruits goûté. Des statistiques effectuées sur une longue période ont permis
d’établir que les lois suivies par X , Y et Z sont les suivantes :
Note : k 1 2 3 4 5 Total
P (X = k ) 0,25 0,2 0,1 0,2 0,25 1
P (Y = k ) 0 0 1 0 0 1
P (Z = k ) 0,01 0,1 0,78 0,1 0,01 1
Calculer l’espérance et l’écart type des trois variables X, Y et Z et commenter

les résultats.

Exercice 03.9 : Au service " livraisons " d’un hypermarché, un employé décharge deux
types de cartons : on note X le nombre total de cartons de type I qu’il décharge au
cours d’une période donnée et Y le nombre de cartons de type II. L’espérance et l’écart
type de X et de Y sont donnés par :
E (X ) = 1 000; (X ) = 55; E (Y ) = 580; (Y ) = 100;

et la covariance de X et de Y vaut : cov (X; Y ) = 172:
Un carton de type I pèse 36 400 grammes et un carton de type II pèse 12 kilogrammes.
1) Déterminer l’espérance et l’écart type du nombre total de cartons déchargés
par cet employé au cours de la période considérée.
On suppose par la suite X et Y indépendantes, les paramètres de X et Y
restant inchangés.
2) Que vaut alors la covariance de X et Y ?
3) Déterminer l’espérance et l’écart type du poids total (en kilogrammes)
soulevé par cet employé pour décharger les cartons au cours de la période
considérée.
4) Pour cette période, l’employé touche un salaire fixe auquel s’ajoute une
prime P (en euros) fonction du nombre de colis déchargés suivant la re-
lation : P = 0; 002X 2 + 0; 3Y: Déterminer l’espérance de la prime que peut
obtenir l’employé pendant cette période.

Chapitre 4
Lois fondamentales discrètes de

probabilité
A. Loi binômiale
1 Définition
Considérons une épreuve (dite épreuve de Bernoulli) n’ayant que deux issues
possibles :
1. l’une, appelée " succès ", a la probabilitép de se réaliser ;
2. l’autre, appelée " échec ", a la probabilité q = 1 p de se réaliser.
Cette épreuve est répétée n fois, les épreuves successives étant indépendantes (la
probabilité de succès reste donc p à chaque fois).
La variable aléatoire X égale au nombre de succès obtenus au cours des n épreuves suit
alors, par définition, la loi binômiale de paramètres n et p: On note X B (n; p):
X peut prendre toutes les valeurs k entières comprises entre 0 et n, et on a :
n o
P (X = k) = Cnk pk (1 p)n k k 2 0; 1; 2; : : : ; n :
En effet, l’événement (X = k) signifie qu’il y a eu k succès au cours des n épreuves.
Notons S pour " succès " et E pour " échec " et considérons une éventualité réalisant
cet événement, par exemple (S; S; : : : ; S ; E; E; : : : ; E ):
| {z } | {z }
k succès n k échecs
Les épreuves étant par hypothèse indépendantes, la probabilité de réaliser cette éven-
tualité est p; p; : : : ; p (1 p); (1 p); : : : ; (1 p) soit pk (1 p)n k :
| {z }| {z }
k facteurs n k facteurs
k
Or il y a Cn possibilités pour les rangs de réalisation des k succès au cours des n
épreuves, il y a donc en tout Cnk éventualités différentes réalisant l’événement (X = k),

52 Lois fondamentales discrètes de probabilité
et chacune d’elles a la probabilité pk (1 p)n k de se réaliser. Il en résulte bien que
P (X = k) = Cnk pk (1 p)n k :
Exemple 1 : Un vivier contient 100 truites de même aspect et de même

âge. Cinq d’entre elles pèsent moins de 200 grammes, les autres plus de 200
grammes. Trois fois de suite, on va sortir une truite du vivier, la peser et la
replonger rapidement dans le vivier. Soit X le nombre de truites de plus de
200 grammes obtenues à l’issue de ces trois pesées. Déterminer la loi de X:
Peser une truite constitue une épreuve ayant deux issues possibles :
– la truite pèse plus de 200 g (avec une probabilité p = 0; 95),
– la truite pèse moins de 200 g (avec une probabilité q = 1 p = 0; 05).
Cette épreuve est répétée 3 fois, et les épreuves sont indépendantes puisque après chaque
pesée, on doit remettre la truite dans le vivier.
X est le nombre de truites de plus de 200 grammes obtenues au cours de ces 3 épreuves,
donc X suit la loi binômiale de paramètres 3 et 0,95. On note X B (3; 0:95):
Remarquons que le tirage avec remise a deux conséquences :
– la proportion de truites de plus de 200 grammes contenues dans le vivier reste la
même à chaque tirage (ce qui justifie l’indépendance des tirages) ;
– une même truite peut être pesée plusieurs fois.
Exemple 2 : Grâce aux tarifs réduits de toutes sortes, 90 % des voyageurs
de la Compagnie de transport Beaurêve bénéficient de tarifs réduits. Chaque
soir, un contrôleur prend les billets de 5 passagers choisis au hasard dans 5
voitures différentes, et note le nombre X de billets à tarif réduit qu’il trouve
parmi eux. Déterminer la probabilité qu’il trouve un seul billet à tarif réduit,
puis la loi de X , son espérance et sa variance.
Regarder un billet constitue une épreuve ayant deux issues possibles :
– tarif réduit (avec une probabilité p = 0; 9) ;
– tarif non réduit (avec une probabilité q = 1 p = 0; 1).
Cette épreuve est répétée 5 fois, et l’on peut supposer les épreuves indépendantes. X ,
nombre de billets à tarif réduit obtenus au cours de ces 5 épreuves, suit donc la loi
binômiale de paramètres 5 et 0,9.
On a donc P (X = 1) = C51 (0:9)1 (0:1)4 = 0; 00045:
Remarque : Dans cet exemple, les tirages sont effectués sans remise (le contrôleur ne
vérifie pas plusieurs fois le billet d’un même passager), on peut admettre cependant que
les épreuves sont indépendantes dans la mesure où les passagers sont choisis " au hasard "
dans une population assez grande pour que la proportion de passagers bénéficiant d’un
tarif réduit reste la même à chaque tirage.
La formule P (X = k) = C5k (0:9)1(0:1)5 k appliquée à tous les entiers entre 0 et 5
nous permet de donner le tableau suivant :
k 0 1 2 3 4 5
P (X = k) 0.00001 0.00045 0.00810 0.07290 0.32805 0.59049
A. Loi binômiale 53
5
P (X = k) = 1:
X
On peut vérifier que l’on a
k=0
5
E (X ) = kP (X = k) = 0 0; 00001 + : : : + 5 0; 59049 = 4; 5:
X
Espérance :
k=0
Variance :
5
E (X ) = k2 P (X = k) X 2 = 02 0; 00001 + : : : + 52 0; 59049 4; 52 = 0; 45:
X
k=0
L’espérance de X est de 4,5 billets, et sa variance est égale à 0,45.
2 Représentation graphique
On peut représenter la loi d’une variable aléatoire discrète par un diagramme en
bâtons.
Exemple 3 : Représenter les lois binômiales de paramètres 30 et 0.5, puis de
paramètres 10 et 0,1.
3 Espérance, variance, écart type

3.1 Variable de Bernoulli
Étant donnée une épreuve de Bernoulli (avec p la probabilité de succès, et q = 1 p
la probabilité d’échec) on définit la variable aléatoire X1 , dite de Bernoulli, qui prend
la valeur 1 si l’issue de l’épreuve est un succès et la valeur 0 si c’est un échec. La loi de
X , peut donc être donnée par le tableau suivant :
k 0 1
P (X1 = k) q p
et on a : E (X1 ) = (0 q ) + (1 p) = p
et : V (X1 ) = (02 q ) + (12 p) p2 = p(1 p) = pq:
L’espérance d’une variable aléatoire X1 de Bernoulli de paramètre p est E (X1 ) = p, et
sa variance est V (X1 ) = pq:

3.2 Somme de variable de Bernoulli
Reprenons le schéma de Bernoulli décrit au paragraphe précédent et considérons les

variables aléatoires suivantes :
X1 qui prend la valeur 1 si la 1re épreuve donne un succès et la valeur 0 si c’est un échec,
X2 qui prend la valeur 1 si la 2e épreuve donne un succès et la valeur 0 si c’est un échec,
...
Xn qui prend la valeur 1 si la nième épreuve donne un succès et la valeur 0 si c’est un
échec.
Chacune de ces variables est une variable aléatoire de Bernoulli de paramètre p.

On peut alors remarquer que X1 + X2 + : : : + Xn est égal au nombre de succès obtenus
au cours des n épreuves. La variable aléatoire X définie par X = X1 + X2 + : : : + Xn
suit donc la loi binômiale de paramètres n et p:
3.3 Valeurs caractéristiques d’une variable binômiale
Des résultats établis aux paragraphes précédents, il résulte, puisque

E (X ) = E (X1 + X2 + : : : + Xn ) = E (X1 ) + E (X2 ) + : : : + E (Xn )
d’après les propriétés de l’espérance, que E (X ) = p + p + : : : + p = np:
| {z }
n fois
De plus les épreuves sont indépendantes, donc les n variables de Bernoulli sont indépen-
dantes, et par suite la variance de leur somme est égale à la somme de leurs variances :
V (X ) = V (X1 + X2 + : : : + Xn ) = V (X1 ) + V (X2 ) + : : : + V (Xn )

= pq
|
+ pq +{z : : : + pq} = npq
n fois
X suit la loi binômiale B (n; p), son espérance mathématique est E (X ) = np; sa
Si
p
variance V (X ) = npq; et son écart type (X ) = npq:
Exemple 4 : Reprenons l’exemple de la Compagnie de transport Beaurêve
On vérifie que E (X ) = 5 0; 9 = 4; 5 et que V (X ) = 5 0; 9 0; 1 = 0; 45, et on obtient

p
pour écart type (X ) = 0; 45 0; 67:
3.4 Somme de variables aléatoires binômiales indépendantes
Si X1 et X2 sont deux variables aléatoires indépendantes suivant les lois binômiales

B (n1 ; p) et B (n2 ; p); alors X1 + X2 suit la loi binômiale B (n1 + n2 ; p):
On notera que le deuxième paramètre (probabilité de succès au cours d’une épreuve)

est le même pour X1 et X2 :

B. Loi de Poisson 55
B. Loi de Poisson
1 Définition
un réel strictement positif donné.
Soit
Une variable aléatoire discrète X suit la loi de Poisson de paramètre si elle peut
prendre toutes les valeurs entières k avec la probabilité :
k
P (X = k ) = e :
k!
On note X P ():
+ 1
P (X = k) = 1:
X
On admettra que l’on a bien
k=0
+ 1 k + 1 k
X
e = 1
X
= e ; résultat que nous utiliserons pour déterminer
k! k=0 k!
On a donc : soit
k=0
les valeurs caractéristiques d’une variable aléatoire de Poisson.
0 1 2
!
n
Cette formule signifie que : lim + 1! + 2! + : : : + n! = e et peut s’écrire sous
n!+1 0!
la forme donnée ou sous la forme :
+ 1 k 1 + 1 k 2
= = e:
X X
e ou encore
k=1 ( k 1)! k=2 ( k 2)!
Exemple 5 : Un employé de la Compagnie de transport Beaurêve contrôle

chaque lundi 100 voyageurs. On note X le nombre de personnes qu’il trouve
en situation irrégulière. On admet que X suit la loi de Poisson de paramètre
2. Dresser le tableau donnant les valeurs numériques des P (X = k): Donner le
(ou les) mode(s) puis calculer l’espérance et la variance de X:
Loi de X
22 21 22
0
P (X = 0) = e
0! 0:135; P (X = 1) = e 2 0:271; P (X = 2) = e 2 0:271; : : :
1! 2!
On complète rapidement le tableau ci-dessous en remarquant que

P (X = k + 1) = P (X = k) = 2):
k+1
(avec ici
k 0 1 2 3 4 5 ... 9 ...
P (X = k ) 0,1353 0,2707 0,2707 0,1804 0,0902 0,0361 ... 0,0002 ...
Ces valeurs, avec 3 décimales seulement, peuvent aussi être directement extraites de la
table fournie à la fin de cet ouvrage.

D’après la définition donnée plus haut, X peut prendre toutes les valeurs entières
mais on constate dans cet exemple que les valeurs supérieures à 9 ont une probabilité
négligeable d’être obtenues.
Les modes sont par définition les valeurs les plus probables.
Ce sont donc les valeurs 1 et 2 (P (X = 1) = P (X = 2) = 0; 2707):
9
Espérance de X : E (X ) = kP (X = k) = 2:
X
k=0
9
Variance de X : V (X ) = k2 P (X = k) X 2 = 2:
X
k=0
L’espérance de X est de 2 voyageurs, et sa variance est égale à 2.
2 Représentation graphique
Exemple 6 : Représenter les lois de Poisson de paramètres 4 et 0,5.
3 Espérance, variance, écart type
Si X suit la loi de Poisson de paramètre , on a :

B. Loi de Poisson 57
+ 1
E (X ) = kP (X = k)
X
k=0
+ 1 k
=
X
ke
k=0 k!
+ 1 k 1
= e
X
k=1 (k 1)!
| {z }
=e
= e e
E (X ) =
+ 1 + 1 k
V (X ) = k 2 P (X = k) [E (X )]2 = k2 e 2
X X
k=0 k=0 k!
+ 1 k 1
= e 2
X
k
k=1 (k 1)!
+ 1 k 1
= e (k 1 + 1) (k 1)! 2
X
k=1 2 3
6
+1
k 1
6X + 1 k 1 7 7
= e (k 1) (k 1)! + (k 1)! 777 2

X
6
6
6
k=1 4 k=1 5
| {z }
2 3
=e
6
k 2 + 1 7
= e (k 2)! +e777 2

6 X 7
6
6
6
k=2 4
|
5
{z }
=e
= 2 + 2
V (X ) = :
Si X suit la loi de Poisson P (), son espérance
p mathématique est E (X ) = ; sa
variance V (X ) = et son écart type (X ) = :
4 Somme de variables aléatoires de Poisson indépendantes

Si X1 et X2 sont deux variables aléatoires indépendantes suivant les lois de Poisson
P (1 ) et P (2 ); alors X1 + X2 suit la loi de Poisson P (1 + 2 ):
Exemple 7 : La Compagnie de transport Beaurêve a établi que la loi du nombre
de fraudeurs parmi 100 voyageurs contrôlés suit une loi de Poisson d’espérance

2 si le contrôle est effectué un lundi, et d’espérance 1 s’il est effectué un

dimanche. Un employé a reçu l’ordre de contrôler 100 personnes dimanche
prochain et 100 autres le lendemain. Déterminer la probabilité qu’il trouve en
tout 2 personnes en situation irrégulière.
Notons :
X le nombre de fraudeurs parmi 100 voyageurs un lundi ;

Y le nombre de fraudeurs parmi 100 voyageurs un dimanche ;
Z le nombre total de fraudeurs sur les 200 contrôlés.
On sait que X suit la loi de Poisson P (2) et Y la loi de Poisson P (1), et on a Z = X + Y:

Si l’on suppose X et Y indépendantes, Z suit donc la loi de Poisson P (3).
32
Il en résulte que P (Z = 2) = e 3 0; 224:
2!
On peut retrouver ce résultat en décomposant ainsi :

P (Z = 2) = P (X = 0 et Y = 2) ou (X = 1 et Y = 1) ou (X = 2 et Y = 0)
= P (X = 0) P (Y = 2) + P (X = 1) P (Y = 1) + P (X = 2) P (Y = 0)
car X et Y sont supposées indépendantes.
22 12
21 11 22 10
0 1
P (Z = 2) = e + e 2 e 1 +e 2 e 1
e
0! 1! 1! 1! 2! 0!

1 9
= e 3 2 + 2 + 2 = e 32

0; 224:
C. Approximation d’une loi binomiale par une loi de

Poisson
Exemple 7 : La Compagnie Beaurêve a établi que la probabilité qu’une per-
sonne contrôlée un lundi ne soit pas en règle est égale à 0,02. On note X le
nombre de personnes en situation irrégulière parmi 100 contrôlées un lundi.
Déterminer la loi de X et calculer les P (X = k) pour tous les entiers entre 0
et 9. Comparer avec le tableau obtenu au paragraphe précédent.
Contrôler un voyageur constitue une épreuve ayant deux issues possibles :
– il n’est pas en règle (avec une probabilité p = 0; 02),
– il est en règle (avec une probabilité q = 1 p = 0; 98).
Cette épreuve est répétée 100 fois, et l’on peut supposer les épreuves indépendantes
dans la mesure où chaque voyageur est tiré d’une population très grande.
X étant le nombre de personnes en situation irrégulière obtenu, suit la loi binomiale
de paramètres 100 et 0,02.

C. Approximation d’une loi binomiale par une loi de Poisson 59
La formule P (X = k) = C100
k (0; 02)k (0; 98)100 k appliquée à tous les entiers entre 0 et 9
nous donne le tableau suivant
k 0 1 2 3 4 5 ... 9 ...
P (X = k ) 0,1326 0,2707 0,2734 0,1823 0,0902 0,0353 ... 0,0002 ...
Au paragraphe précédent, où l’on supposait que X suivait la loi de Poisson de para-

mètre 2, on avait obtenu le tableau suivant :
k 0 1 2 3 4 5 ... 9 ...
P (X = k ) 0,1353 0,2707 0,2707 0,1804 0,0902 0,0361 ... 0,0002 ...
On constate que les probabilités sont très voisines.

k (0; 02)k (0; 98)100 k e 2 2k :
On a donc P (X = k) = C100 k!
On a pu, dans l’exemple ci-dessus, approcher la loi binomiale par la loi de Poisson, mais
cela n’est possible que sous certaines conditions.
Si les trois conditions suivantes sont vérifiées :
n " grand " (par exemple n supérieur ou égal à 30),
p " petit " (par exemple p inférieur ou égal à 0,1),
et np " pas trop grand " (par exemple np inférieur ou égal à 15),
on peut approcher la loi binomiale B (n; p) par la loi de Poisson P () avec = np,
ce qui permet d’écrire pour k entier inférieur ou égal à n :
np (np)
k
P (X = k) = Cnk pk (1 p)n k e :
k!
Ces conditions ne sont pas " rigides ". Plus n est grand et p petit (np restant de l’ordre
de quelques unités), meilleure sera l’approximation.
Comparons par exemple les diagrammes en bâtons de B (30; 0; 1) et de P (3) (conditions
d’approximation réalisées) :
et les diagrammes en bâtons de B (8; 0; 5) et de P (4) (conditions d’approximation non

réalisées) :

L’intérêt d’utiliser une telle approximation est :

de remplacer une loi à 2 paramètres par une loi à un seul paramètre,
de simplifier les calculs numériques,
voire de les éviter puisqu’il existe, pour la loi de Poisson, des tables indiquant les
P (X = k) et les P (X k): (Ces tables sont en fin d’ouvrage)
Remarquons qu’il ne faut pas, lorsque l’on utilise une approximation, donner les résultats
avec une trop grande précision.
D. Principaux cas où la loi de Poisson s’applique

Il est assez facile de reconnaître une loi binomiale (nombre de succès au cours d’une
succession finie d’épreuves de Bernoulli indépendantes), mais plus difficile de savoir
quand utiliser une loi de Poisson.
D’après le paragraphe précédent, la loi de Poisson s’applique entre autres dans le cadre
d’épreuves de Bernoulli au cours desquelles la probabilité p de succès est faible. Elle est
donc parfois appelée loi des petites probabilités ou encore loi des " phénomènes rares "
et se rencontre souvent pour des phénomènes accidentels. On la rencontre également
dans certains phénomènes de files d’attente.
On retiendra les principaux exemples suivants :
– nombre de pièces défectueuses dans un lot ;
– nombre d’erreurs dans une comptabilité, une page. . . ;
– nombre de pannes d’un appareil au cours d’une période donnée ;
– nombre d’appels téléphoniques reçus au cours d’une période donnée ;
– nombre de personnes arrivant à un guichet au cours d’une période donnée (arrivées
dites poissonniennes). . .

E. Exercices 61
E. Exercices
Exercice 04.1 : Pour sa production, une entreprise utilise une machine d’un certain
modèle. La probabilité que cette machine tombe en panne, et soit donc inutilisable, une
journée donnée, est de 0,05. Lorsque la machine tombe en panne, elle est réparée le soir
même. Soit X la variable aléatoire qui, à chaque mois, associe le nombre de jours de
ce mois pendant lesquels la machine est inutilisable. On admet que dans un mois il y a
vingt jours ouvrables et que les pannes sont indépendantes.
1) Quelle est la loi de probabilité de X?
2) Calculer P (X = 2) et P (X < 2):
3) Quelle est la probabilité que la machine ne soit jamais en panne dans le
mois ?
4) Sur une très longue période, quel est, par mois, le nombre moyen de jours
de panne ?
Exercice 04.2 : Thierry et 11 autres jeunes font un stage de 30 jours dans un grand
labo-photo japonais. Chaque soir, l’un d’eux, tiré au sort parmi les 12 stagiaires, gagne,
en quittant le laboratoire, un appareil photographique gracieusement offert.
Quelle est la probabilité qu’à l’issue de son stage Thierry ait gagné au moins
deux appareils ?
Exercice 04.3 : Dans une conserverie, à la sortie de la chaîne d’étiquetage, 2 % des

boîtes présentent un défaut apparent (creux, bosse, étiquette mal collée. . . ). Un contrô-
leur de la qualité doit prélever à la sortie de la chaîne un lot de 50 boîtes.
Quelle est la probabilité qu’il trouve moins de trois boîtes présentant un
défaut apparent ?
Exercice 04.4 : Lorsque Madame Lambda trouve une publicité dans sa boîte aux
lettres, 1 fois sur 10 elle en prend connaissance avant de la jeter, et 9 fois sur 10 elle la
jette sans même l’avoir regardée.
1) Tops les matins de janvier, une même publicité sera déposée dans la boîte
aux lettres de Madame Lambda. Quelle est la probabilité qu’elle la regarde
au moins deux fois au cours de ce mois ? Quels sont l’espérance et l’écart
type du nombre de jours de janvier où elle regarde la publicité eh question ?
2) Combien de fois faut-il mettre la même publicité dans la boîte de Madame
Lambda pour que la probabilité qu’elle la regarde au moins une fois soit
supérieure à 0,95 ?
Exercice 04.5 : Une entreprise décide de faire des économies sur les affranchissements
du courrier. Le service du courrier reçoit l’ordre de mettre les lettres ordinaires par
paquets de 10 et d’en choisir 4 au hasard pour les affranchir au tarif urgent ; les autres
sont affranchies au tarif normal. Je donne 3 lettres au service du courrier. Les 3 lettres
se trouvent dans le même paquet de 10.

1) Quelles sont les probabilités des événements suivants :

a) Les 3 lettres sont affranchies au tarif urgent.
b) Les 3 lettres sont affranchies au même tarif.
c) Deux seulement des 3 lettres sont affranchies au tarif urgent.
Le service du courrier décide de ne plus faire de paquets de 10 lettres. Chaque lettre
est traitée séparément et elle a la probabilité 2=5 d’être affranchie au tarif urgent (3=5
au tarif normal). Je donne toujours 3 lettres par jour. Soit X la variable aléatoire qui,
à chaque groupe de 3 lettres, associe le nombre de lettres affranchies au tarif urgent.
3) Déterminer la loi de X puis calculer et interpréter la probabilité P (X = 3),
l’espérance mathématique de X et son écart type.
Exercice 04.6 : Une petite imprimerie vend des cartes de visite par paquets de 100.
Il arrive parfois qu’une carte échappe à l’impression. On note X le nombre aléatoire de
cartes toutes blanches dans un paquet. On suppose que X suit une loi de Poisson de
paramètre 1,5.
1) Monsieur Quidam a commandé un paquet. Quelle est la probabilité qu’il y
trouve :
– zéro carte blanche ?
– une seule carte blanche ?
– plus de deux cartes blanches ?
2) Quels sont l’espérance et l’écart type de X?
3) Quelle est la valeur la plus probable de X ?
4) Seuls les paquets contenant plus de 4 cartes blanches font parfois l’objet
d’une réclamation. En moyenne, 10 % de ces paquets sont rapportés chez
l’imprimeur. Sur 10 000 paquets vendus, combien, en moyenne, seront rap-
portés ?
5) Mademoiselle Alpha a commandé 5 paquets de 100 cartes de visite. Quelle
est la probabilité qu’elle ait 500 cartes imprimées ? Quelle est la probabilité
qu’elle ait exactement 8 cartes blanches ?
Exercice 04.7 : Un distributeur automatique de billets est placé à l’entrée d’une grande
surface. On étudie le nombre aléatoire X d’utilisateurs de ce distributeur pendant une
période d’un quart d’heure (situé entre 10 et 20 heures). Un utilisateur sera compté
si l’instant de son arrivée se situe dans le quart d’heure considéré. On suppose que
ce nombre suit une loi de Poisson, et on a pu établir que la probabilité qu’il y ait 5
utilisateurs en un quart d’heure est double de la probabilité qu’il y en ait 6.
Déterminer l’espérance et l’écart type de X:
Exercice 04.8 : Un producteur de bière reçoit des bouteilles vides par cartons de 100
bouteilles. Le nombre de bouteilles par carton qui arrivent cassées est une variable
aléatoire X: La fonction de répartition F de cette variable aléatoire est définie par :

E. Exercices 63
F ( x) = 0 si x<0 f (x) = 0; 9810 si x 2 [0; 1[

f (x) = 0; 3679 si x 2 [0; 1[ f (x) = 0; 9963 si x 2 [0; 1[
f (x) = 0; 7358 si x 2 [0; 1[ f (x) = 0; 9994 si x 2 [0; 1[
f (x) = 0; 9197 si x 2 [0; 1[ F ( x) = 1 si x6
1) Si, au moment d’ouvrir un carton, on constate qu’un morceau de verre
venant de l’intérieur du carton a percé l’emballage, quelle est la probabilité
qu’il y ait en tout moins de deux bouteilles cassées dans ce carton ?
2) Montrer que X suit une loi de Poisson dont on déterminera le paramètre.

Chapitre 5
Lois fondamentales continues de

probabilité
A. Loi exponentielle
1 Définition
Soit un réel strictement positif donné.
Une variable aléatoire continue X suit la loi exponentielle de paramètre si elle admet
pour densité la fonction f définie sur [0; +1[ par : f (x) = e x :
On remarque que :
f est bien une fonction positive ou nulle, (la définition sous-entend que que
fZ (x) = 0 pour x 0) ;
+1
0
f (t)dt = 1:
Z +1 +1
En effet
0
e t dt = e t = e0 = 1 (en +1 on a t!lim
+1
e t = 0 car > 0).
0
Représentation graphique de la densité d’une variable exponentielle

A. Loi exponentielle 65
On sait que la fonction de répartition F d’une variable aléatoire continue de densité
f vérifie : Z x
F ( x) = P ( X x) = f (t)dt:
1
Si X est une variable aléatoire exponentielle de paramètre elle admet pour fonction
de répartition la fonction F définie par :
F ( x) = 0 x<0
(
si
F ( x) = 1 e x si x 0:
Z x
En effet : pour x < 0 on a F (x) = 0dt = 0;
Z x
1x
Z x
et pour x 0 on a F (x) = 0dt + e t dt = e t = e x ( 1) = 1 e x:
0 1 0
Représentation graphique de la fonction de répartition d’une variable expo-
nentielle
3 Paramètres d’une variable exponentielle

Si X suit la loi exponentielle de paramètre , son espérance est
1
E (X ) = ; sa variance
V (X ) =
1 ; et son écart type (X ) = 1 :
2
3.1 Calcul de l’espérance

Z +1 Z +1
On a : E (X ) = tf (t)dt = te t dt:
0 0
Calculons E (X ) par intégration par parties :
On pose : u(t) = t et v 0 (t) = e t :
On a alors : u0 (t) = 1 et v (t) = e t ;
d’où : E (X ) =

te t
+1 Z +1
( e t )dt = 0 +

1e = 1:
t
+1
0 0 0
(compte tenu des croissances comparées, et puisque > 0, on a t!lim
+1
te t = 0).
66 Lois fondamentales continues de probabilité
3.2 Calcul de la variance et de l’écart type
Z +1 2 Z +1
V ( X ) = E (X 2 ) X 2 =
On a t f (t)dt X2 = t2 e t dt X2
0 0
(où X désigne l’espérance de X ).
Calculons E (X 2 ) par intégration par parties en posant : u(t) = t2 et v0 (t) = e t:

On a alors : u0 (t) = 2t et v (t) = e t ; d’où
E (X 2 ) =

t2 e t
+1 Z +1
( 2te t )dt = 0 + 2 Z +1
te t dt = 2 1:
0 0 0
On en déduit que V (X ) =
2
1 2 = 1 ; et par suite (X ) = V (X ) = 1 :
q
2 2
Exemple 1 : On considère un composant électronique dont la durée de vie

T (en années) suit une loi exponentielle d’espérance 10 ans. Déterminer la
densité, la fonction de répartition et l’écart type de la variable aléatoire T .
Calculer la probabilité qu’un tel composant ait une durée de vie :
– supérieure à 5 ans ;
– supérieure à 10 ans ;
– comprise entre 5 et 10 ans.
Un composant électronique de ce type fonctionne déjà depuis 8 ans. Quelle
est la probabilité qu’il fonctionne encore au moins pendant : 5 ans ? 10 ans ?
Que remarque-t-on ?
D’après les données l’espérance E (T ) vaut 10, le réel vaut donc 0,1. Il en résulte que :
T a pour densité la fonction f définie par :
f (t) = 0; 1e 0;1t sur [0; +1[ (et f (t) = 0 ailleurs), pour fonction de répartition la
fonction F définie par :
F (t) = 1 e 0;1t sur [0; +1[ (et F (t) = 0 ailleurs), et pour écart type (T ) = 10:
L’écart type de T est de 10 ans.
Probabilité qu’un tel composant ait une durée de vie :

– supérieure à 5 ans : P (T > 5) = 1 F (5) = e 0;5 0; 607:
– supérieure à 10 ans : P (T > 10) = 1 F (10) = e 1 0; 368:
– comprise entre 5 et 10 ans :
P (5 < T < 10) = F (10) F (5) = (1 e 1 ) (1 e 0;5 ) 0; 239:
La probabilité qu’un composant électronique qui fonctionne déjà depuis 8 ans fonc-
tionne encore au moins pendant 5 ans est P (T > (8 + 5)=T > 8): C’est une probabilité

B. Loi normale 67
conditionnelle.
P (T > 13 et T > 8)
P (T > 13=T > 8) =
P (T > 8)
Or,
P (T > 13)
= P (T > 8)
= 1 F (13)
1 F (8)
e 1;3
= e 0;8
0; 607:
De même la probabilité qu’un composant électronique qui fonctionne déjà depuis 8 ans
fonctionne encore au moins pendant 10 ans est P (T > 18=T > 8) et on obtient e 1 soit
environ 0,368.
On remarque que : P (T > (8 + 5)=T > 8) = P (T > 5) et de même :
P (T > (8 + 10)=T > 8) = P (T > 10):
Tout se passe donc comme si le passé était " oublié ".
4 Exemples classiques de situations où s’applique la loi exponen-

tielle
La loi exponentielle s’applique en particulier dans les cas suivants :
– temps écoulé entre deux pannes de certains types d’appareil ;
– temps d’attente dans une file d’attente où les arrivées sont poissonniennes ;
– temps de service après une attente du type précédent ;
– durée de vie de certains types d’éléments (lorsque le futur est indépendant du
passé).
B. Loi normale
1 Loi normale centrée réduite

1.1 Densité
Une variable aléatoire continue T suit la loi normale centrée réduite si elle admet
pour densité la fonction f définie sur R par :
1
f (t) = p e t2 =2 :
2
p1 e
Z +1 t2 =2 dt = 1:
f est une fonction positive sur R et on admettra que
1 2
Remarque : La loi normale est également appelée loi de Gauss ou loi de Laplace Gauss.
Représentation graphique de la densité
f est une fonction paire, sa courbe représentative est symétrique par rapport à l’axe
des ordonnées.
Pour t positif, on peut lire la valeur de f (t) dans une table, et pour t négatif, on a
f (t) = f ( t):
1.2 Espérance, variance et écart type

Si T suit la loi normale centrée réduite,
son espérance est E (T ) = 0, sa variance V (T ) = 1 et son écart type (T ) = 1: On note
T N (0; 1), le premier paramètre étant l’espérance, le second l’écart type.
On montre facilement que l’espérance est nulle. En effet, par définition
E (T ) =
Z +1
tp e
1 t2 =2 dt:
1 2
Or on intègre une fonction impaire sur un intervalle centré en 0, on obtient donc 0.
1.3 Fonction de répartition

a) Définition :
Si T est une variable aléatoire continue suivant la loi normale centrée réduite, sa
fonction de répartition, souvent notée , est définie par :
(t) = P (T t) =
Z t
p1 e x2 =2 dx pour tout t réel.
1 2
b) Représentation graphique :
(t) est donc l’aire hachurée ci-dessous :
B. Loi normale 69
c) Propriétés :
) (0) = P (T 0) = 0; 5
On sait que l’aire de la portion de plan située entre l’axe des abscisses et la courbe
de la densité de T vaut 1. Compte tenu de la symétrie de cette courbe par rapport
à l’axe des ordonnées, (0) est égal à 0,5.
) ( t) = 1 (t) pour tout t

Cette propriété, illustrée ci-dessous, résulte également de la symétrie de la courbe
de la densité de T par rapport à l’axe des ordonnées.
) La fonction est strictement croissante.
1.4 Calculs numériques et calculs de probabilités

Pour t positif, on peut lire la valeur de (t) dans une table (donnée en fin d’ouvrage).
Exemple 2 : Utiliser la table de la fonction de répartition de la loi normale
centrée réduite pour déterminer :

(1); (2; 3); (2; 38); (3); (7);

( 1; 92);
le réel a tel que (a) = 0; 975, et le réel b tel que (b) = 0; 006;
(0; 744):
On lit dans la table :
(1) = 0; 8413; (2; 3) = 0; 9893; (2; 38) = 0; 9913; (3) = 0; 99865;
(7) ne figure pas dans la table mais la fonction est strictement croissante et (4; 5)
est déjà presque égal à 1, donc (7) 1:
( 1; 92) = 1 (1; 92) = 1 0; 9726 = 0; 0274:
Si (a) = 0; 975 la table donne a = 1; 96:
0,006 est inférieur à 0,5 et ne figure donc pas dans la table (b est négatif), mais on
peut écrire : ( b) = 1 (b) = 1 0; 006 = 0; 994, et lire dans la table que b = 2; 51:
On en déduit que b = 2; 51:
La table n’est pas assez précise pour obtenir (0; 744) par lecture directe. On lit :
(0; 74) = 0; 7704 et (0; 75) = 0; 7734 et l’on peut effectuer une interpolation propor-
tionnelle.
x (x)
0,74 0,7704
0,744 ?
0,75 0,7734
En admettant que les variations de x et de (x) sont proportionnelles lorsque x varie

entre 0,74 et 0,75 on a :
(0; 744) 0; 7704 = 0; 744 0; 74 ;

0; 7734 0; 7704 0; 75 0; 74
soit : (0; 744) = 0; 7704 + 0; 003
0; 004 = 0; 7716:
0; 01
Signalons toutefois qu’il est rarement nécessaire de faire les calculs avec une telle préci-
sion.
Exemple 3 : T est une variable aléatoire continue de loi normale centrée ré-
duite.
Déterminer les probabilités suivantes : P ( 1 < T < 2); P ( 1 < T < 1):
Déterminer h tel que P ( h < T < h) = 0; 95:
Exprimer en fonction de (t) :
la probabilité de l’événement (jT j t), puis de l’événement (jT j > t):
On rappelle que, étant la fonction de répartition de T , on a : P (a < T b) =
(b) (a): h i
P ( 1 < T < 2) = (2) ( 1) = (2) 1 (1) = 0; 8185:
h i
P ( 1 < T < 1) = (1) ( 1) = (1) 1 (1) = 2(1) 1 = 0; 6826:
B. Loi normale 71
De même P ( h < T < h) = 2(h) 1; on cherche donc h tel que 2(h) 1 = 0; 95

soit (h) = 0; 975, ce qui donne h = 1; 96:
L’événement (jT j t) s’écrit aussi ( t T t) on a donc P (jT j t) = 2(t) 1,
et l’événement (jT j > t) est l’événement contraire de (jT j t), donc :
h i
P (jT j > t) = 1 2(t) 1 = 2 1 (t) :
2 loi normale " généralisée "
2.1 Densité, espérance, écart type
Soit m un réel quelconque et un réel strictement positif.
Une variable aléatoire continue X suit la loi normale d’espérance m et d’écart type
si elle admet pour densité la fonction g définie sur R par :
1 x m 2
1
g (x ) = p e 2 :
2
On note X N (m; ):
t2
1
Si on note : f (t) = p e 2 (densité de la loi normale centrée réduite),
2
1
on a : g (x) = f
x m

:

Z +1
g est une fonction positive sur R (puisque > 0) et on admettra que g(x)dx = 1:
1
Z +1 Z +1 2
On peut démontrer par ailleurs que xg(x)dx = m et que x g(x)dx
m2 = 2 ;
1 1
les paramètres m et sont donc bien respectivement l’espérance et l’écart type de X:
Représentation graphique de la densité
La courbe représentative de g admet la droite d’équation x = m pour axe de symétrie,

et mesurant la dispersion des valeurs de X autour de m, on obtiendra, suivant la
valeur de , des courbes ayant par exemple l’allure suivante :

2.2 Variable centrée réduite associée

X suit la loi normale d’espérance m et d’écart type , la variable T définie par :
Si
X m
T= suit la loi normale centrée réduite.

On admettra que T suit une loi normale. Quant à ses paramètres, on les obtient en
utilisant les propriétés de l’espérance et de la variance :

X m 1 h i
E (T ) = E = E (X ) m = 0; puisque E (X ) = m ;

X m 1 2
V (T ) = V = V (X ) = 1; puisque V (X ) = 2 :

2.3 Calculs pratiques
Si N (m; ); on pose T = X m :

X
On sait que T N (0; 1) et on note sa fonction de répartition. On a alors :
! !
a m b m b m a m

P (a < X b) = P <T = :

Exemple 4 : Dans les rayons d’un hypermarché, le poids (en grammes) d’un
paquet de sucre en poudre est une variable aléatoire X qui suit une loi normale
d’espérance 1 000 g et d’écart type 8 g. Déterminer la probabilité que le poids
d’un paquet pris au hasard soit :
compris entre 1 000 et 1 008 grammes ;
compris entre 992 et 1 008 grammes ;
supérieur à 1 008 grammes ;
ne s’écarte pas de son espérance de plus de 2 écarts types.
B. Loi normale 73
Illustrer les résultats obtenus.

X 1 000
On pose T=
8 : On sait que T N (0; 1):
p1 = P (1 000 < X < 1 008) = P (0 < T < 1) = (1) (0) = 0; 8413 0; 5 =
0; 3413
p2 = P (992 < X < 1 008) = P ( 1 < T < 1) = (1) ( 1) = 2 0; 8413 1 =
0; 6826
p1 = P (X > 1 008) = P (T > 1) = 1 P (T 1) = 1 (1) = 1 0; 8413 = 0; 1587:
Compte tenu de la symétrie de la courbe représentant la densité de X par rapport à la
droite d’équation x = 1 000, et du fait que l’aire de la portion de plan située entre cette
courbe et l’axe des abscisses vaut 1, on pouvait prévoir que : p2 = 2p1 et p3 = 0; 5 p1 :
L’événement " X ne s’écarte pas de son espérance de plus de 2 écarts types "
s’écrit : (1 000 2 8 < X < 1 000 + 2 8):
La probabilité de réaliser cet événement est donc :
P (984 < X < 1 016) = P ( 2 < T < 2) = 2(2) 1 = 0; 9544:
Exemple 5 : Avec les mêmes données, déterminer un intervalle centré sur 1 000
dans lequel se trouve les poids de 99 % des paquets de sucre en poudre.
On cherche a tel queP (1 000 a < X < 1 000 + a) = 0; 99

a a a

soit P
8 < T<a 8 = 0; 99 ou encore 2 8a 1 = 0; 99
ce qui donne = 0; 995: D’après la table = 2; 575 d’où a = 20; 6:
8 8
Il y a donc 99 chances sur 100 que le poids d’un paquet de sucre soit compris entre
979,4 g et 1 020,6 g.
2.4 Probabilité de quelques intervalles centrés sur l’espérance
Si X N (m; ); il y a environ :

– 68 chances sur 100 que X ne s’écarte pas de son espérance de plus d’un écart
type ;
– 95 chances sur 100 que X ne s’écarte pas de son espérance de plus de 2 écarts
types ;
– plus de 99 chances sur 100 que X ne s’écarte pas de son espérance de plus de
3 écarts types.

En effet :
1 < X m < 1 = (1) ( 1) = 2(1) 1 0; 68:

P (m < X < m + ) = P

X m
P ( m 2 < X < m + 2 ) = P 2 < < 2 = 2(2) 1 0; 95:

X m
P (m 3 < X < m + 3 ) = P 3 < < 3 = 2(3) 1 0; 997:
2.5 Opérations sur les variables aléatoires normales

a) Fonction affine d’une variable normale
a et b étant deux réels donnés, et X une variable aléatoire qui suit la loi normale de
paramètres m et , la variable Y = aX + b suit la loi normale d’espérance am + b
et d’écart type jaj:
On admettra que Y suit une loi normale.
Quant à ses paramètres, on les obtient en utilisant les propriétés de l’espérance et
de la variance :

B. Loi normale 75
E (Y ) = E (aX + b) = aE (X ) + b = am + b puisque E (X ) = m; et
V (Y ) = V (aX + b) = a2 V (X ) = a2 2 puisque V (X ) = 2 , ce qui donne pour écart
type de Y le nombre jaj: (Si a est positif, l’écart type vaut donc a ; si a est négatif,
il vaut a .)
b) Somme et différence de variables aléatoires normales indépendantes
Si X1 est une variable aléatoire qui suit la loi normale de paramètres m1 et 1 ,
et X2 une variable aléatoire qui suit la loi normale de paramètres m2 et 2 ,
et si X1 et X2 sont indépendantes, alors q
X1 + X2 suit la loi normale d’espérance m1 + m2 et d’écart type q12 + 22 , et
X1 X2 suit la loi normale d’espérance m1 m2 et d’écart type 12 + 22 .
On remarquera que l’écart type de la somme et celui de la différence sont égaux entre
eux, et qu’ils ne s’obtiennent pas en ajoutant les écarts types de X1 et de X2 :
On admettra que X1 + X2 et X1 X2 suivent une loi normale.

Quant à leurs paramètres, on les obtient en utilisant les propriétés de l’espérance et de
la variance :
E (X1 + X2 ) = E (X1 ) + E (X2 ) = m1 + m2 ; E (X1 X2 ) = E (X1 ) E (X2 ) = m1 m2 ;
et X1 et X2 étant indépendantes,
V (X1 + X2 ) = V (X1 ) + V (X2 ) = 12 + 22 ;
V (X1 Xq2 ) = V (X1 ) + V ( X2 ) = 12 + ( 1)2 22 = 12 + 22 ; ce qui donne bien dans les
deux cas 12 + 22 pour écart type.
Exemple 6 : On transporte des paquets par lot de 500 paquets qui sont placés
dans un carton qui pèse lui-même 30 kg. Le poids (en grammes) d’un paquet
est une variable aléatoire qui suit une loi normale d’espérance 1 000 g et d’écart
type 100 g. On suppose les poids des paquets indépendants. La livraison des
lots se fait par un monte-charge qui ne fonctionne pas si le poids du lot dépasse
535 kg. Déterminer la probabilité qu’un lot ne puisse pas être livré.
Notons X1 ; X2 ; : : : ; X500 les poids (en grammes) des paquets d’un lot, et Y le poids (en
grammes) d’un lot.
Pour tout i, Xi N (1 000; 100); et les Xi étant indépendantes on peut affirmer que
p
X1 + X2 + : : : + X500 N (1 000 + 1 000 + : : : + 1 000; 1002 + 1002 + : : : + 1002)
p
soit X1 + X2 + : : : + X500 N (500 000; 1 000 5): p
Or Y = 30 000 + X1 + X2 + : : : + X500 ; donc Y N (500 000; 1 000 5):
Un lot ne peut pas être livré s’il réalise l’événement (Y > 535 000):
535 000 p530 000 = 1 (2; 24) = 1 0; 9875 = 0; 0125

!
P (Y > 535 000) = 1

1 000 5
donc 1,25 % des lots ne pourront pas être livrés.

Exemple 7 : Une minoterie a deux fournisseurs : le poids XA (en kg) d’un sac
de blé du fournisseur A est une variable aléatoire normale d’espérance 100 kg
et d’écart type 5 kg, et le poids XB (en kg) d’un sac du fournisseur 8 est une
variable aléatoire normale d’espérance 100 kg et d’écart type 10 kg.
On prend au hasard un sac dé chaque fournisseur. Quelle est la probabilité
que leurs poids diffèrent de plus de 20 kg.
XA N (100; 5); XB N (100p; 10); et on peut supposer que XA et XB sont indépen-

dantes, donc XA XB N (0; 52 + 102):
La différence des poids dépasse 20 kg si l’événement (jXA XB j > 20) est réalisé. Or :
P (jXA XB j > 20) = 1 "P (jXA XB j! 20)# = 1 P ( 20 < XA XB < 20)
2 20
p 0
h i
= 1 1 = 2 1 (1; 79) = 0; 0734:
125
La probabilité que leurs poids diffèrent de plus de 20 kg est donc égale à 0,0734.
3 Situations où s’applique la loi normale
Lorsque les valeurs prises par une variable aléatoire X résultent d’un très grand
nombre de causes aléatoires qui s’ajoutent, dont les variations sont petites, mutuelle-
ment indépendantes, et dont aucune ne domine, X suit une loi de Gauss.
Exemple 8 : Considérons la variable aléatoire X qui,à chaque paquet de riz

marqué " 1 kg ".associe le poids dé riz, mesuré avec précision, effectivement
contenu dans ce paquet.
Le poids de riz contenu dans un paquet est la somme des poids (indépendants) des
grains de riz contenus dans ce paquet. Ces grains sont en grand nombre, et chacun
d’eux contribue au poids total, sans qu’aucun ne domine. X suit une loi normale.
Nous verrons par ailleurs, au paragraphe suivant, que la loi normale est parfois une
bonne approximation de la loi binomiale ou de la loi de Poisson.
C. Approximations par une loi normale

Nous avons vu au chapitre précédent que, sous certaines conditions, la loi binomiale
pouvait être approchée par une loi de Poisson. La fin de ce chapitre est consacrée à
l’étude des situations permettant d’approcher une loi binomiale, puis une loi de Poisson,
par une loi normale.

C. Approximations par une loi normale 77
1 Approximation d’une loi binomiale par une loi normale
1.1 Conditions d’approximation
Si la variable aléatoire discrète X suit la loi binomiale B (n; p),

et si l’une des conditions suivantes est réalisée :
n " grand " (n 30) et p; q voisins de 0; 5

ou np > 15 et nq > 15
ou npq > 10
on peut approcher la loi de X par la loi normale de paramètres np et pnpq:
Pour plus de clarté„ on notera :
X la variable aléatoire qui suit la loi B (n; p),pet
X la variable aléatoire qui suit la loi N (np; npq).
On supposera, dans toute la suite du paragraphe, que les conditions d’approximation
sont réalisées, et que les paramètres n et p sont donc tels que la loi de X peut être
approchée par celle de X .
1.2 Calcul de P (X = k ) ( k entier)
Du fait que l’on approche une loi discrète par une loi continue, les calculs ne sont
pas aussi simples que lorsque l’on approche une loi binomiale par une loi de Poisson.
Rappelons en effet que si X désigne une variable aléatoire continue, on a pour tout x :
P (X = x) = 0:
P (X = k) ne donne donc pas une valeur approchée de P (X = k):
a) Première méthode : utilisation de la densité de X
g désignant la densité de probabilité de X , on a pour tout entier k inférieur ou égal
à n:
P (X = k) = Cnk pk (1 p)n k g(k):
1f x m = pnpq:

Rappelons que g (x) = où f est la densité de N (0; 1) et m = np,

On peut donc calculer g (k) à l’aide de la table donnant les f (t) pour t positif, sachant
que pour t négatif, on a f ( t) = f (t) ou à l’aide d’une calculatrice en écrivant :
0 ! 1
2
1
g(k) = p p exp @
1 kp np A :
npq 2 2 npq
Comparons par exemple les représentations graphiques de la distribution de B (30; 0; 5)
p
(diagramme en bâtons) et de la distribution de N (15; 7; 5) (fonction de densité), en
utilisant les mêmes échelles.

On observe, pour k = 11 par exemple, que l’on a bien : P (X = 11) g(11):
Exemple 9 : Si X B (35; 0; 45), calculer P (X = 10) avec la loi réelle et avec

une approximation.
35 est " grand " et 0.45 proche de 0.5, on peut donc approcher la loi de X par celle de
X , avec :
X N (15:75; 2:94):
Avec la loi réelle, on a : P (X = 10) = C35
10 (0:45)10 (0:55)25 0; 0202:
En utilisant l’approximation, on trouve :
– par lecture dans la table de f :
P (X = 10) =
1 f 10 15:75 = 1 f ( 1:95) = 0:0596 0:02;

2; 94 2:94 2:94 2:94

– ou encore, avec une calculatrice :
P (X = 10) ==
1p exp 1 10 15:75
2
!
0:0201 arrondi à 0:02:

2:94 2 2 2:94
On obtient bien des résultats sensiblement égaux.
a) Deuxième méthode : utilisation de la fonction de répartition de X
Considérons la représentation graphique de la fonction de densité de X notée g ) et

remarquons que les aires des deux portions de plan hachurées sur les figures 1 et 2 sont
presque égales :

Sur la figure 1, l’aire de la portion de plan hachurée est égale à g (k) puisqu’il s’agit d’un
rectangle dont les côtés ont pour longueurs : g (k) et 1.
D’après le paragraphe précédent, cette aire donne donc une valeur approchée de P (X =
k): Pour étudier la figure 2, rappelons que si X est une variable aléatoire continue de
densité f et de fonction de répartition F; on a :
Z b
f (t)dt = F (b) F (a) = P (a < X b):
a
Sur la figure 2, l’aire de la portion de plan hachurée est égale à :

Z k+0;5
g(t)dt = G(k + 0; 5) G(k 0; 5) = P (k 0; 5 < X k + 0; 5):
k 0;5
où G désigne la fonction de répartition de X .

Les deux aires étant presque égales, la probabilité P (k 0; 5 < X k + 0; 5) donne
donc une valeur approchée de P (X = k):
En utilisant la variable centrée réduite associée à X et la fonction de répartition de
N (0; 1), on calcule facilement la valeur de P (k 0; 5 < X k + 0; 5).
Exemple 10 : X B (35; 0; 45), calculer P (X = 10) en utilisant cette dernière

méthode.

15; 75
Reprendre : X N (15; 75; 2; 94) et posons : T = X 2; 94 :
P (X = 10) = P (9; 5 < X 10; 5)

= P 9; 5 2; 94 15; 75 < T 10; 5 15; 75
!
2; 94
= ( 1; 78) ( 2; 12) = (2; 12) (1; 78)
= 0; 9830 0; 9625
0; 02:
Récapitulation :
XB (n; p); X N (np; npq): p
Si on peut approcher la loi de X par celle de X , k étant un entier inférieur ou égal
à n, on a :
1
!
k np
P (X = k ) p f p où f est la densité de N (0; 1) (tabulée)
npq npq
et
0; 5 < X k + 0; 5) = k +p0; 5 k p0;npq
5 np
! !
np
P (X = k ) P (k
npq
où est la fonction de répartition de N (0; 1):
Rappelons qu’il ne faut pas, lorsque l’on utilise une approximation, donner les résultats
avec une trop grande précision, puisque ceux-ci donnent des valeurs approchées des
probabilités cherchées.
1.3 Calcul de P (a X b) (a et b entiers)

On pourrait écrire simplement P (a X b) P (a X b), mais cela ne
donne pas toujours de bons résultats. On obtient une meilleure précision en faisant la
correction de continuité, qui revient à appliquer la deuxième méthode du paragraphe
précédent à tous les entiers de l’intervalle [a; b]:
X est discrète et ne prend que des valeurs entières, donc :
P (a X b) = P (X = A) + P (X = a + 1) + : : : + P (X = b)
or
P (X = a) P (a 0; 5 < X a + 0; 5)
P (X = a + 1) P (a + 0; 5 < X a + 1; 5)
..
. = ..
.
P (X = b) P (b 0; 5 < X b + 0; 5)
donc
P (a X b) P (a 0; 5 < X a + 0; 5) + P (a + 0; 5 < X a + 1; 5) + : : :
+P (b 0; 5 < X b + 0; 5)
ce qui donne : P (a X b) P (a 0; 5 < X b + 0; 5):

Il est très important, lorsque l’on utilise la correction de continuité, de regarder si les
inégalités sont strictes ou larges. L’utilisation de petits schémas permettra d’éviter des
erreurs.
Exemple 11 : X B (35; 0; 45): Compléter le tableau suivant en admettant les

résultats de la première colonne :
Calcul avec la loi réelle Calcul avec la loi approchée

B (35; 0; 45) N (15; 75; 2; 94)
P (18 < X < 22) 0,1494
P (18 X < 22) 0,2496
P (X 7) 0,0019
15; 75
Reprenons : X N (15; 75; 2; 94) et T = X 2; 94 :
P (18 < X < 22) = P (18; 5 < X < 21; 5)

= P 18; 52; 9415; 75 < T < 21; 52; 9415; 75
!
= (1; 95) (0; 93)

= 0; 9744 0; 8238
= 0; 1506 arrondi à 0; 15:
P (18 X < 22) = P (17; 5 < X < 21; 5)

17 ; 5 15; 75 21 ; 5 15; 75
!
= P 2; 94 < T < 2; 94
= (1; 95) (0; 59)
= 0; 9744 0; 7224
= 0; 2520 arrondi à 0; 25:
P (X 7) = P (X < 7; 5)
7 ; 5 15; 75
!
= P T < 2; 94
= ( 2; 80) = 1 (2; 80)
= 1 0; 9974
= 0; 0026 arrondi à 0; 003:
Récapitulation :
Calcul avec la loi réelle Calcul avec la loi approchée

B (35; 0; 45) N (15; 75; 2; 94)
P (18 < X < 22) 0,1494 0,15
P (18 X < 22) 0,2496 0,25
P (X 7) 0,0019 0,003
2 Approximation d’une loi de Poisson par une loi normale
2.1 Conditions d’approximation
Si la variable aléatoire discrète X suit la loi de Poisson P (), et si est " grand
p "
( > 10), on peut approcher la loi de X par la loi normale de paramètres et .
2.2 Calculs pratiques
On approche de nouveau une loi discrète par une loi continue, les problèmes sont
donc les mêmes q’au paragraphe précédent et on adopte les mêmes techniques de calculs.
Exemple 12 : Un magasin de meubles propose par téléphone un cadeau aux
couples qui acceptent de se rendre au magasin. Cette opération va durer 25
jours, à raison de 200 appels par jour. On suppose que parmi les couples
appelés au cours d’une journée, le nombre d’entre eux qui se déplacent est
une variable aléatoire qui suit une loi de Poisson de paramètres 5. Quel est le

nombre minimum de cadeaux à prévoir pour avoir plus de 90 chances sur 100
de ne pas en manquer ?
Notons :
Xi le nombre de couples, contactés le i-ème jour, qui viendront chercher leur cadeau,
X le nombre total de couples qui se déplaceront sur l’ensemble des 25 jours,
et n le nombre de cadeaux à prévoir.
On cherche n tel que
P (X n) > 0; 90: (1)
On a X = X1 + X2 + : : : + X25 et pour tout i, Xi P (5): On peut supposer les variables
aléatoires Xi indépendantes, donc X P (25 5):
X P (125); on peut doncp approcher la loi de X par celle de X (puisque 125 est
grand) avec : X N (125; 125:
La condition (1) s’écrit alors :
(n + p
0; 5) 125 > 0; 90
!
125
ce qui, d’après la table de la fonction de répartition de la loi normale centrée réduite
donne :
(n + p
0; 5) 125 > 1; 29
125
soitn 139: Il faut donc prévoir au minimum 139 cadeaux.
n 125
Sans correction de continuité, on aurait obtenu p > 1; 29 soit n 140:
125

D. Exercices
Exercice 05.1 : La Société d’autoroute Est-Ouest fait une étude sur le temps qui
s’écoule entre le passage de deux voitures au poste de péage, la nuit. Un seul employé
travaille de nuit. On considère qu’entre 1 heure et 5 heures du matin, au poste de
péage, le temps d’attente de l’employé entre deux voitures (en minutes), est une variable
aléatoire T1 suivant une loi exponentielle d’espérance 15.
Il est 2 heures du matin. Une voiture vient juste de passer au poste de péage.
1) a) Déterminer la probabilité de chacun des événements suivants :
– la prochaine voiture passera très exactement dans 12 minutes et 30
secondes ;
– avant le passage de la prochaine voiture il va s’écouler :
i. moins de 15 minutes ;
ii. moins de 12 minutes ;
iii. plus de 3 minutes.
b) Sachant que 12 minutes se sont déjà écoulées depuis le passage de la
dernière voiture, calculer la probabilité qu’aucune voiture ne se présente
au péage dans les 3 minutes qui suivent.
Entre 5 et 6 heures du matin le trafic augmente. On a établi qu’à cette période de la
nuit, le temps d’attente de l’employé entre deux voitures (en minutes), est une variable
aléatoire T2 suivant également une loi exponentielle (on notera son paramètre). De
plus, on sait que la probabilité que le temps d’attente de l’employé soit supérieur à 3
minutes est égale à 0,6065.
2) Déterminer :
a) le paramètre ;
b) le temps d’attente moyen entre deux voitures à cette période de la nuit.
c) l’écart type de T2 :
Exercice 05.2 : Le temps de passage (attente non comprise) à la caisse d’un supermar-
ché est une 05.2 variable aléatoire T de densité de probabilité :
f (t) = 0; 2e 0;2t sur [0; +1[ (T est exprimé en minutes).
La direction du magasin a instauré un système de points destiné à attirer la clientèle.
Lors de chaque passage à la caisse, les clients gagnent des points qui, en nombre suffisant,
permettent d’obtenir un bon d’achat (dont le montant en euros est égal au nombre de
points totalisé), à retirer à l’accueil du magasin en fin de semaine. Clients et caissières
l’ignorent mais la règle du jeu est la suivante :
– lorsque la caissière a consacré au client moins de 2 minutes, celui-ci gagne 1 point ;
– lorsque la caissière a consacré au client au moins 2 minutes, celui-ci gagne 5 points.
On note X le montant du bon d’achat d’un client qui passe 5 fois à la caisse dans la
semaine, et N le nombre de passages de ce client d’une durée inférieure à 2 minutes.

D. Exercices 85
1) Pour un passage à la caisse, quelle est la probabilité d’une durée inférieure

à 2 minutes ?
2) Quelle est la loi de N?
3) Exprimer X N:
en fonction de
4) Déterminer l’espérance de X , sa variance et son écart type.
5) Quelle est la probabilité qu’un client, passé 5 fois à la caisse, reçoive un
bon d’achat de 25 euros ? de 21 euros ?
Exercice 05.3 : On considère une variable aléatoire T de loi normale centrée réduite.
1) Déterminer, à l’aide d’une table, la probabilité de chacun des événements
suivants :
2) Quelle représentation graphique peut-on donner pour chacune de ces pro-
babilités ?
a) A = (T 2) b) B = (T < 0; 3) c) C = (T 2; 46)
d) D = (T 0) e) E = (T 1; 27) f ) F = (T > 2; 3)
g) G = (T > 2) h) H = (0; 5 < T 1; 83) i) I = ( 0; 9 < T 1; 54)
j) J = ( 1; 4 < T 0; 7) k) K = (T = 0):
3) Uniquement à partir des résultats de la première question, en vous aidant
éventuellement des dessins de la deuxième, déterminer les probabilités sui-
vantes :
a) P ( 0; 3 < T < 0) b) P (0; 7 < T < 1; 4)
c) P (T < 0; 9 ou T > 1; 54) d) P ( 2; 46 < T < 2; 46)
4) Dans chacun des cas suivants, déterminer t vérifiant la relation donnée :
a) P (T < t) = 0; 9838 b) P (T t) = 0; 0505
c) P (T > t) = 0; 0446 d) P (T t) = 0; 9870
e) P (t < T < t) = 0; 95 f ) P (T < t ou T > t) = 0; 3174:
Exercice 05.4 : On considère la variable aléatoire X d’espérance 242 et de variance

144. On suppose X gaussienne.
1) Indiquer, sans calcul, si les probabilités suivantes sont inférieures ou supé-
rieures à 0,5 :
a) P (X < 230) b) P (X < 270) c) P (X > 250) d) P (X > 220):
2) Sans lecture dans une table, donner, à 0,01 près, les probabilités suivantes :
a) P (206 X 278) b) P (230 < X 254) c) P (218 < X < 266):
3) Déterminer à l’aide d’une table la probabilité de chacun des événements
suivants :
a) A = (X < 230) b) B = (X < 270) c) C = (X > 250)
d) D = (X > 220) e) E = (230 < X < 270):

On donnera les résultats à 0,001 près, et on ne fera pas d’interpolation

proportionnelle.
4) Déterminer x tel que :
a) P (X < x) = 0; 0505
b) P (X > x) = 0; 0446:
Exercice 05.5 : Une ouvrière couturière travaille dans l’industrie du prêt-à-porter, et

fabrique, en série, des tabliers de cuisine. On admet que la durée de la confection d’un
tel tablier, en minutes, est une variable aléatoire X suivant une loi normale d’espérance
mathématique m = 22 et d’écart type = 2.
1) Calculer la probabilité que, pour la confection d’un tablier de cuisine, une
couturière mette :
a) moins de 23 minutes ;
b) moins de 20 minutes ;
c) plus de 25 minutes ;
d) entre 20 et 25 minutes.
Une couturière doit produire 8 tabliers par demi-journée. Entre chaque tablier, elle
prend 5 minutes de pause. On note Xi la variable aléatoire qui désigne la durée de
confection du ième tablier d’une demi-journée. On suppose que, grâce aux pauses, il
n’y a pas d’effet de fatigue. Les variables aléatoires X1 ; X2 ; : : : ; X8 peuvent donc être
supposées indépendantes et de même loi que X: On considère la variable aléatoire Y =
X1 + X2 + : : : + X8 + 35:
2) a) Déterminer la loi et les paramètres de la variable aléatoire Y. Justifier.
b) L’après-midi, une couturière commence à 14 heures.
i. Quelle est la probabilité qu’elle ait encore à travailler après 17h15 ?
ii. Quelle devrait être la valeur de l’écart type de X pour que la pro-
babilité qu’elle ait fini avant 17h35 soit égale à 0,9207.
Pour les questions suivantes, on se place dans les conditions initiales (X suit la loi
normale d’espérance mathématique 22 et d’écart type 2).
c) Quelle est la probabilité qu’une couturière consacre plus de 20 minutes à
chacun des 8 tabliers confectionnés au cours d’une après-midi ?
3) Quelle est la probabilité qu’il y ait plus de 2 minutes d’écart entre le temps
consacré à la confection du premier tablier de l’après-midi et le temps
consacré à la confection du dernier ?
X1 + X2 + : : : + X8
Z =
On note
8 la variable aléatoire qui, à chaque après-midi,
associe le temps moyen par tablier de travail effectif (pauses non comprises).
4) Calculer P (Z 20):
D. Exercices 87
Exercice 05.6 : Dans un grand laboratoire de recherche, un employé travaille à temps

plein au magasin où se rendent les techniciens pour obtenir le matériel dont ils ont
besoin. Le temps T (exprimé en minutes) consacré par l’employé à un technicien est
une variable aléatoire continue de loi exponentielle. En moyenne, ce temps est de 5
minutes.
1) Donner l’expression de la densité de probabilité de T:
2) Quels sont l’espérance, la variance et l’écart type de T ?
3) Donner l’expression de la fonction de répartition de T:
4) Quelle est la probabilité que l’employé consacre à un technicien :
a) moins de 4 minutes ?
b) exactement 5 minutes ?
c) plus de 3 minutes ?
d) plus de 8 minutes ?
5) S’il y a déjà 5 minutes que l’employé du magasin s’occupe d’un technicien,
M. Bernard, quelle est la probabilité qu’il lui consacre encore au moins 3
minutes ?
6) Si 10 minutes plus tard, l’employé n’a pas encore fini de rassembler le ma-
tériel demandé par M. Bernard, quelle est la probabilité qu’il lui consacre
encore au moins 3 minutes ?
Exercice 05.7 : Une étude sur un certain type d’ampoules a permis d’établir que la
durée de vie D (exprimée en heures) d’une telle ampoule suit une loi exponentielle, et
que 86,466 % de ces ampoules durent moins de 1 500 jours.
1) Déterminer l’espérance de D:
2) Calculer les probabilités suivantes :
P (D < 15 000), P (18 000 < D < 36 000) et P (D 50 000):
3) Déterminer la proportion d’ampoules dont la durée de vie dépasse 5 ans.
4) Un appareil de type I fonctionne avec trois ampoules indépendantes de ce
type. Dès que l’une d’elles ne fonctionne plus, il est inutilisable. Quelle est
la probabilité que cet appareil soit utilisable pendant au moins 625 jours ?
5) Un appareil de type II ne cesse de marcher que lorsque les trois ampoules
ne fonctionnent plus.
a) Quelle est la probabilité que l’appareil soit utilisable pendant au moins
625 jours ?
b) Quelle est la probabilité que la moins " résistante " des trois ampoules
d’un appareil de type II dure moins de 15 000 heures ?
Exercice 05.8 : Un torréfacteur reçoit en début de mois 150 kg de café qui viennent
s’ajouter à sa réserve. La demande mensuelle (en kilogrammes) suit une loi normale
d’espérance 150 kg et d’écart type 15 kg.

1) Quelle est la probabilité que la demande mensuelle soit :

a) inférieure à 180 kg ?
b) inférieure à 150 kg ?
c) inférieure à 120 kg ?
d) comprise entre 120 et 160 kg ?
2) De quelle réserve doit-il disposer en début de mois (avant livraison des
150 kg) pour qu’il y ait plus de 95 chances sur 100 qu’il ne soit pas en
rupture de stock au cours du mois ? Quelle serait la probabilité de rupture
de stock si sa réserve était vide avant la livraison ?
Exercice 05.9 : L’entreprise H fabrique, pour la société W, un article E caractérisé

par son diamètre. La société W ne peut utiliser l’article E que si ce diamètre est com-
pris entre 10,31 et 10,67 millimètres. L’entreprise H produit des unités de l’article E
dont le diamètre peut être considéré comme une variable aléatoire normale d’espérance
10,48 mm et d’écart type 0,1 mm.
Chaque semaine, l’entreprise H livre 10 000 articles E à la société W. Il est entendu entre
les deux sociétés que la société W ne règle que les articles qui répondent aux contraintes
qu’elle a fixées, les autres unités produites par la société H étant considérées comme
inutilisables et donc perdues par les deux sociétés. L’article E coûte à la production 50
euros l’unité (quel que soit le volume de production) et il est vendu 60 euros.
1) Calculer le bénéfice hebdomadaire que réalise en moyenne l’entreprise H
en livrant à la société W 10 000 unités de l’article E.
2) Même question si l’entreprise pouvait réduire à 0,09 mm l’écart type du
diamètre des articles E qu’elle produit.
Exercice 05.10 : Chaque lundi, un éditeur expédie un gros paquet de manuscrits chez
un imprimeur. Un coursier vient chercher le paquet à 8 h 30 pour le porter directement
(en voiture) à l’aéroport, où l’heure limite de dépôt du paquet est 9 h 30. L’avion décolle
à 10 heures.
Le temps de trajet du coursier est une variable aléatoire A gaussienne d’espérance 45
minutes et d’écart type 15 minutes, et la durée de vol de l’avion une variable aléatoire B
gaussienne également, d’espérance 60 minutes et d’écart type 5 minutes. À l’arrivée, 10
minutes exactement après l’atterrissage, un employé de l’imprimeur récupère le paquet.
Quelle est la probabilité que cet employé ait le paquet entre les mains avant
11 h 10 ?

Contenu du document
Avant-Propos 3
1 Analyse combinatoire ou dénombrement 4

A. Cardinal d’un ensemble fini . . . . . . . . . . . . . . . . . . . . . . . . . 5
B. Principe fondamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
C. Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
D. Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1 Permutations d’objets distinguables . . . . . . . . . . . . . . . . 6
2 Permutations d’objets indistinguables . . . . . . . . . . . . . . . 6
3 Anagrammes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
E. Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1 Tirage simultané . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3 Formule du binôme de Newton . . . . . . . . . . . . . . . . . . . 9
F. Répartition de boules dans des urnes . . . . . . . . . . . . . . . . . . . . 9
G. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Les bases du calcul des probabilités 13

A. Vocabulaire des événements . . . . . . . . . . . . . . . . . . . . . . . . . 13
1 Vocabulaire de base . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Inclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Événement impossible, événement certain . . . . . . . . . . . . . 14
4 Événement contraire . . . . . . . . . . . . . . . . . . . . . . . . . 14
5 Intersection d’événements . . . . . . . . . . . . . . . . . . . . . . 15
6 Réunion d’événements . . . . . . . . . . . . . . . . . . . . . . . . 16
7 Complémentaire d’une réunion et d’une intersection . . . . . . . 16
B. Probabilités : définitions et axiomes . . . . . . . . . . . . . . . . . . . . 17
1 Approche intuitive et statistique de la notion de probabilité . . . 17
2 Définition théorique d’une probabilité sur un univers . . . . . 17
3 Conséquences de la définition . . . . . . . . . . . . . . . . . . . . 18
4 Probabilité sur un univers fini . . . . . . . . . . . . . . . . . . . . 18

90 CONTENU DU DOCUMENT
5 Équiprobabilité sur un univers fini . . . . . . . . . . . . . . . . . 19

6 Probabilité sur un univers infini dénombrable . . . . . . . . . . . 20
C. Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . 21
1 Définition et notion intuitive . . . . . . . . . . . . . . . . . . . . 21
2 Probabilités composées . . . . . . . . . . . . . . . . . . . . . . . 22
3 Événements indépendants . . . . . . . . . . . . . . . . . . . . . . 23
3.1 Cas de deux événements . . . . . . . . . . . . . . . . . 23
3.2 Cas de plusieurs événements . . . . . . . . . . . . . . . 24
4 Diagrammes en arbre . . . . . . . . . . . . . . . . . . . . . . . . 24
5 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . 25
6 Théorème de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . 26
D. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Généralités sur les variables aléatoires 30

A. Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . 31
1 Loi de probabilité ou fonction de distribution . . . . . . . . . . . 31
1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.3 Propriété . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . 32
2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Variables aléatoires discrètes indépendantes . . . . . . . . . . . . 34
4 Espérance, variance, écart type d’une variable aléatoire discrète ;
covariance de deux variables aléatoires discrètes . . . . . . . . . . 35
4.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3 Variable centrée réduite associée à X . . . . . . . . . . 38
B. Variables aléatoires continues . . . . . . . . . . . . . . . . . . . . . . . . 39
1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . 39
2 Variables aléatoires continues indépendantes . . . . . . . . . . . . 40
3 Loi ou densité de probabilité d’une v.a. continue . . . . . . . . . 40
4 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5 Cas particulier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6 Paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
C. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4 Lois fondamentales discrètes de probabilité 51

A. Loi binômiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2 Représentation graphique . . . . . . . . . . . . . . . . . . . . . . 53
3 Espérance, variance, écart type . . . . . . . . . . . . . . . . . . . 53

CONTENU DU DOCUMENT 91
3.1 Variable de Bernoulli . . . . . . . . . . . . . . . . . . . 53

3.2 Somme de variable de Bernoulli . . . . . . . . . . . . . 54
3.3 Valeurs caractéristiques d’une variable binômiale . . . . 54
3.4 Somme de variables aléatoires binômiales indépendantes 54
B. Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2 Représentation graphique . . . . . . . . . . . . . . . . . . . . . . 56
3 Espérance, variance, écart type . . . . . . . . . . . . . . . . . . . 56
4 Somme de variables aléatoires de Poisson indépendantes . . . . . 57
C. Approximation d’une loi binomiale par une loi de Poisson . . . . . . . . 58
D. Principaux cas où la loi de Poisson s’applique . . . . . . . . . . . . . . . 60
E. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5 Lois fondamentales continues de probabilité 64

A. Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3 Paramètres d’une variable exponentielle . . . . . . . . . . . . . . 65
3.1 Calcul de l’espérance . . . . . . . . . . . . . . . . . . . 65
3.2 Calcul de la variance et de l’écart type . . . . . . . . . 66
4 Exemples classiques de situations où s’applique la loi exponentielle 67
B. Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
1 Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . 67
1.1 Densité . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
1.2 Espérance, variance et écart type . . . . . . . . . . . . . 68
1.3 Fonction de répartition . . . . . . . . . . . . . . . . . . 68
1.4 Calculs numériques et calculs de probabilités . . . . . . 69
2 loi normale " généralisée " . . . . . . . . . . . . . . . . . . . . . . 71
2.1 Densité, espérance, écart type . . . . . . . . . . . . . . 71
2.2 Variable centrée réduite associée . . . . . . . . . . . . . 72
2.3 Calculs pratiques . . . . . . . . . . . . . . . . . . . . . . 72
2.4 Probabilité de quelques intervalles centrés sur l’espérance 73
2.5 Opérations sur les variables aléatoires normales . . . . . 74
3 Situations où s’applique la loi normale . . . . . . . . . . . . . . . 76
C. Approximations par une loi normale . . . . . . . . . . . . . . . . . . . . 76
1 Approximation d’une loi binomiale par une loi normale . . . . . 77
1.1 Conditions d’approximation . . . . . . . . . . . . . . . 77
1.2 Calcul de P (X = k) (k entier) . . . . . . . . . . . . . . 77
1.3 Calcul de P (a X b) (a et b entiers) . . . . . . . . . 80
2 Approximation d’une loi de Poisson par une loi normale . . . . . 82
2.1 Conditions d’approximation . . . . . . . . . . . . . . . 82
2.2 Calculs pratiques . . . . . . . . . . . . . . . . . . . . . . 82
D. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

Cours de Probabilites

Transféré par

Informations du document

Titre original

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 Probabilites

Transféré par

Droits d'auteur :

Formats disponibles

Sommaire

1 Analyse combinatoire ou dénombrement 4

2 Les bases du calcul des probabilités 13

3 Généralités sur les variables aléatoires 30

4 Lois fondamentales discrètes de probabilité 51

5 Lois fondamentales continues de probabilité 64

Cours de Mathématiques appliquées Page 1 manin.taha@inphb.ci

C. Approximations par une loi normale . . . . . . . . . . . . . . . . . . . . 76

Cours de Mathématiques appliquées Page 2 manin.taha@inphb.ci

Cours de Mathématiques appliquées Page 3 manin.taha@inphb.ci

Examinons d’emblée un problème typique de ceux mettant en jeu la notion de probabi-

dernières ❹,⑤,❻ . Il semble raisonnable d’attribuer à la probabilité cherchée la valeur

Cours de Mathématiques appliquées Page 4 manin.taha@inphb.ci

A. Cardinal d’un ensemble fini

card(E F ) = card(E ) card(F ):

Les résultats liés au système peuvent être :

Cours de Mathématiques appliquées Page 5 manin.taha@inphb.ci

Apn = n(n 1) : : : (n p + 1):

1 Permutations d’objets distinguables

Remarquons qu’une permutation d’objets distinguables des éléments de E est un

Sn = Ann = n(n 1)(n 2) 2 1:

Symboliquement, on désigne par n! qui se lit "factorielle n" le nombre de permuta-

Cours de Mathématiques appliquées Page 6 manin.taha@inphb.ci

Le nombre de permutations différentes de n objets parmi lesquels n1 sont indistinguables

Étant donné un alphabet quelconque, en considérant un mot écrit à partir de cet

Cas 2 mot formé de n caractères composés de sous-caractères a1 identiques, sous-

Exemple 1 : Combien d’arrangements différents peut-on faire avec les lettres

Cours de Mathématiques appliquées Page 7 manin.taha@inphb.ci

De manière symbolique, on note Cnp la combinaison de p éléments pris parmi n et

Cours de Mathématiques appliquées Page 8 manin.taha@inphb.ci

3 Formule du binôme de Newton

En généralisant, on a les cœfficients multinomiaux :

F. Répartition de boules dans des urnes

Cours de Mathématiques appliquées Page 9 manin.taha@inphb.ci

Théorème 1.2. II y a Cnr 11 vecteurs distincts à composantes entières et positives

Théorème 1.3. II y a Cnn+r 1 vecteurs distincts à composantes entières et non né-

Cours de Mathématiques appliquées Page 10 manin.taha@inphb.ci

Exercice 01.4 : À partir d’un groupe de 5 hommes et de 7 femmes, combien de comi-

Exercice 01.5 : Considérons un ensemble de n antennes alignées dont m sont défec-

Exercice 01.7 : II faut répartir 10 filles en deux équipes A et B de 5 personnes chacune.

Exercice 01.8 : Pour disputer un match de basketball, 10 garçons se répartissent en

Exercice 01.9 : Combien l’équation x1 + x2 = 3 a-t-elle de solutions entières et

Cours de Mathématiques appliquées Page 11 manin.taha@inphb.ci

Exercice 01.11 : De combien de manières peut-on asseoir 8 personnes en rang si :

Exercice 01.12 : Dans un groupe de 8 femmes et 6 hommes, on doit former un comité

Exercice 01.13 : Si 8 tableaux noirs doivent être affectés à 4 écoles, de combien de

Cours de Mathématiques appliquées Page 12 manin.taha@inphb.ci

Les bases du calcul des probabilités

A. Vocabulaire des événements

Cours de Mathématiques appliquées Page 13 manin.taha@inphb.ci

Exemple 3 : Considérons par exemple l’événement A5 = f2; 4g:

3 Événement impossible, événement certain

Cours de Mathématiques appliquées Page 14 manin.taha@inphb.ci

Exemple 4 : Reprenons le lancer d’un dé, et considérons à nouveau les 4

A\B est l’événement qui n’est réalisé que si A ET B le sont, et s’appelle

Cours de Mathématiques appliquées Page 15 manin.taha@inphb.ci

A et B sont incompatibles si et seulement si A \ B = ;:

A [ B est l’événement qui est réalisé si A OU B l’est, et s’appelle disjonction

Exemple 6 : Reprenons le lancer d’un dé, et considérons à nouveau les 4

7 Complémentaire d’une réunion et d’une intersection

B. Probabilités : définitions et axiomes

1 Approche intuitive et statistique de la notion de probabilité

2 Définition théorique d’une probabilité sur un univers

x!lim1 F (x) = 0 : de même (X 1) est l’événement impossible, donc