Résumé Cours sur les probabilités

I. Dénombrement
a. Arrangements
Nombre d'arrangement de p éléments pris dans un ensemble à n éléments :
Le nombre d'arrangement de p élément pris dans un ensemble à n éléments est égal à :

b. Combinaisons
Le nombre de combinaisons de p élément pris dans un ensemble à n éléments est égal au coefficient binomial :

c. Permutations
Nombre de permutations de n éléments :
On démontre que le nombre de permutation de n élément est :
n! = n(n-1)(n-2)......2x1
( n ! se lit factorielle n )

II. Propriétés d'une probabilité

Soient P une probabilité sur un univers , A, B deux événements alors :
P(A B ) = P(A) + P(B) - P(A B ) et
si A et B sont incompatibles : P(A B ) = P(A) + P(B)
P( ) + P(A) = 1
P( ) = 1
P( ) = 0

III. Équiprobabilité
a. Probabilité d'un événement élémentaire
Dans le cas d'un univers fini la probabilité d'un événement élémentaire { } quelconque est

de :
b. Probabilité d'un événement
Pour tout événement A ( relativement bien sur à l'univers , la probabilité de A est :

Exemple : on lance un dé équilibré dont les faces sont numérotées de 1 à 6. On s'intérresse à la probabilité de
l'évènement :
A : " le numéro de la face supérieure est multiple de 3 "
A = {3 ; 6}
card A = 2
card = 6
P(A) = 2/6 = 1/3

IV. Probabilité conditionnelle

Soient p une probabilité sur Ω et A et B deux événements tels que p(A) ≠ 0, l'application qui à tout événement
B associe le nombre réel

est une probabilité sur Ω. On l'appelle probabilité conditionnelle relative à A on la note P A(B) ou P(B/A)
Lire " P de B sachant A " et bien faire attention aux énoncés.
On en déduit la formule dite des probabilités composées : p(A B) = p(A) × PA(B).
Deux événements A et B sont dits indépendants si et seulement si p(A B) = p(A)×p(B)
Propriété : deux événements A et B sont indépendants si et seulement si on a : PA(B) = p(B)
ou alors PB(A)=p(A)

c'est un arbre sur lequel on place des probabilités conditionnelles d'événements, cette présentation permet de
rendre plus efficace le calcul de probabilité :
Si on considère par exemple une probabilité p sur un univers Ω , A, B, C, M quatre évènements tels que A, B,
C forment une partition de Ω c'est à dire A, B et C sont incompatibles 2 à 2 et leur réunion est Ω voila l'arbre
probabiliste que l'on peut construire alors :
on peut alors de cette façon calculer la probabilité de l'évenement M , la formule que l'on trouve
s'appelle formule des probabilités totales :

P(M) = P(A ∩ M) + P(B ∩ M) + P(C ∩ M)

P(M) = P(A) × PA(M) + P(B) × PB(M) + P(C) × PC(M)

Exercice 1
Dans un village de vacances, trois stages sont proposés aux adultes et aux enfants. Ils ont lieu dans la même
plage horaire ; leurs thèmes sont : la magie, le théâtre et la photo numérique.
150 personnes dont 90 adultes se sont inscrites à l'un de ces stages.
Parmi les 150 personnes inscrites, on relève que :
o la magie a été choisie par la moitié des enfants et 20% des adultes ;
o 27 adultes ont opté pour la photo numérique ainsi que 10% des enfants.
1. Recopier et compléter le tableau suivant :

On appelle au hasard une personne qui s'est inscrite à un stage. On pourra utiliser les notations suivantes :
o A l'événement " la personne appelée est un adulte " ;
o M l'événement " la personne appelée a choisi la magie " ;
o T l'événement " la personne appelée a choisi le théâtre " ;
o N l'événement " la personne appelée a choisi la photo numérique ".
2. a) Quelle est la probabilité que la personne appelée soit un enfant ?
b) Quelle est la probabilité que la personne appelée ait choisi la photo sachant que c'est un adulte ?
c) Quelle est la probabilité que la personne appelée soit un adulte ayant choisi le théâtre ?
3. Montrer que la probabilité que la personne appelée ait choisi la magie est 0,32.
4. Le directeur du village désigne une personne ayant choisi la magie. Il dit qu'il y a deux chances sur trois
pour que ce soit un enfant. A-t-il raison ? Justifier votre réponse.
5. On choisit, parmi les personnes qui désirent suivre un stage, trois personnes au hasard. On assimile ce choix
à un tirage avec remise. Quelle est la probabilité qu'une seule personne ait choisi la magie (on donnera une
valeur arrondie au centième) ?

Corrigé
1.

2. a) p( ) = card /card = 60/150 = 2/5

La probabilité que la personne appelée soit un enfant est de 2/5
b) pA(N) = card(A N)/ card A = 27/90 = 3/10
La probabilité que la personne appelée ait choisi la photo sachant que c'est un adulte est de 3/10
c) p(A T) = card(A T)/card = 45/150 = 3/10
La probabilité que la personne appelée soit un adulte ayant choisi le théâtre est de 3/10
3. p(M) = card M / card = 48/150 = 8/25 = 0,32
La probabilité que la personne appelée ait choisi la magie est bien de 0,32.
4. pM( ) = card( M)/ card M = 30/48 = 5/8 ≠ 2/3 donc il a tord
5. C : " parmi les personnes qui désirent suivre un stage, trois personnes au hasard, une seule personne a choisi
la magie "
p(C) = 3 × 0,32 × 0,682 = 0,44

V. Théorème de Bayes
Soit un univers décomposé en n événements incompatibles ( c'est à dire
une partition de ) et soit p une probabilité sur on a alors pour tout évenement M ( de probabilité
non nulle ) :
ou avec le symbole sigma :

VI. Schéma de Bernoulli

Considérons une épreuve aléatoire qui ne donne lui qu'à deux éventualités exclusives : l'une succès S
et l'autre échec E.

L'univers associé à cette épreuve est donc ={S;E}

Soient p la probabilité de l'événement { S } et q la probabilité de l'évènement { E } on a alors p + q =
1 c'est à dire encore q = 1 - p
L'expérience consistant à répéter n fois cetteépreuve de façon indépendante, est appelée suite
d'épreuve de Bernoulli, ou schéma de Bernoulli.

Considérons les événements suivants :

A: " 3 succès exactement dans un ordre précis préalablement défini (voir ci-dessous ) "

B : " 3 succès exactement dans n'importe quel ordre "

on peut considérer les tirages comme étant indépendants donc on peut poser :

B est la réunion de plusieurs événements de même probabilité que A incompatibles. Il y a

(combinaisons ) emplacements possibles de ces 3 succès parmi les n :
On peut généraliser ce résultat à k succès et donc n - k échecs :
Introduction à la distribution binomiale
Dans une suite de n épreuve de Bernoulli, quand on s'intéresse au nombre X de succès obtenus au
cours de cette suite, la probabilité de l'événement : " on obtient dans un ordre quelconque k succès et
n - k échecs " est égal à

VII. Variable aléatoire discrète

Soit Ω un univers fini et p une probabilité sur Ω.
Exemple : Ω ensemble des résultats donnés par les faces supérieures de 2 dès et p l'équiprobabilité sur
Ω.
Ω={(1;1); .......(6;6)}
card Ω = 6² = 36

Définition :
on appelle variable aléatoire définie sur Ω toute application de Ω dans , l'ensemble des valeurs
prises par X c'est à dire X(Ω) est appelé univers image.
Lorque l'univers Ω est fini la variable aléatoire est dite discrète.

Par rapport à l'exemple : considérons la somme des numéros indiqués sur les faces des deux dès, c'est
une variable aléatoire,
X(Ω) = {2; .......;12}en est l'univers image.
( voir la simulation de cette expérience aléatoire )

Loi de probabilité d'une variable aléatoirediscrète

Soit X une variable aléatoire définie sur l'univers Ω , on définie sur l'univers image X(Ω) une
probabilité pX par :
Pour tout x ∈ X(Ω) , pX ({x}) = p({ω∈Ω tel que X(ω)=x })

L'ensemble {ω∈Ω tel que X(ω)=x } est noté plus simplement

{X = x } et pX ({x}) = p(X = x ) .

Ce sont des notations qu'il vaut mieux comprendre avec l'exemple :

Si on nous demande la loi de probabilité de la somme X il faut donner les résultats suivants :
On remarque bien sur que :

Espérance mathématique d'une variable aléatoire discrète

L'espérance mathématique d'une variable aléatoire X d'univers image
X(Ω) = {x1, x2, ....., xn} est le nombre réel E(X) :

Pour ceux qui ont fait des statistiques E(X) correspond à une moyenne les xi étant les équivalents des
modalités et les p(X = xi) les équivalents des fréquences.

Variance et écart type d'une variable aléatoire discrète

La variance mathématique d'une variable aléatoire X d'univers image

X(Ω) = {x1, x2, ....., xn} est le nombre réel V(X) :
Pour ceux qui ont fait des statistiques V(X) correspond à une variance statistique les xi étant les
équivalents des modalités et les p(X = xi) les équivalents des fréquences.

L'écart type est la racine carrée de la variance.

Fonction de répartition d'une variable aléatoirediscrète

c'est la fonction définie sur X(Ω) par F(x) = p(X< x)

VIII. Variable aléatoire continue

Définition :
soit Ω un univers , on dit qu'une variable aléatoire est continue si l'ensemble des valeurs de X est un
intervalle de
La probabilité que la variable aléatoire X prenne une valeur donnée de l'intervalle est nulle.
On ne peut donc plus définir de loi de probabilité comme pour les variables aléatoires discrètes.
On va utiliser dans ce cas la fonction de répartition de la variable aléatoire.

Fonction de répartition d'une variable aléatoire continue

C'est l'application F définie sur par F( x ) = P( X x )
cette application est à valeur dans l'intervalle [ 0 ; 1 ] puisqu'une probabilité est un nombre compris
entre 0 et 1.

Quelques propriétés de la fonction de répartition :

o P(X > x ) = 1 - F(x) pour tout réel x

o P( a < X b ) = F(b) - F(a) pour tous réel a et b tel que a < b
o La fonction F est croissante et continue sur

Densité de probabilité d'une variable aléatoire continue

On appelle densité de probabilité toute fonction f définie continue ( sauf éventuellement en un
nombre fini de points ) et positive sur et telle que :

Soit X une variable aléatoire continue de fonction de répartition F alors :

o pour tout réel x , la fonction f définie sur par f (x) = F'(x) est une densité de
probabilité appelé densité de probabilité de X
o on a pour tout réel x :

Espérance mathématique d'une variable aléatoire continue :

L'espérance mathématique d'une variable continue X est le nombre réel (si il existe ) , noté E(X)
défini par :

Variance mathématique d'une variable aléatoire continue :

La variance mathématique d'une variable continue X est le nombre réel (si il existe ) , noté V(X)
défini par :

Ecart - type
L'écart type est la racine carrée de la variance :

Variance d'une variable aléatoire :

C'est le moment d'inertie d'une variable aléatoire par rapport à son espérance mathématique.
V(X) = E( X - E(X) )²
Covariance d'un couple de variable aléatoire :
On appelle covariance d'un couple de variable aléatoire (X ; Y) le nombre défini par cov(X ; Y) =
E(XY) - E(X)E(Y)

Propriétés des moments et de la variance :

o V(X) = E(X)² - E(X)²

o V(aX + b) = a²V(X) (où a et b sont deux constantes réelles )
o V(X + Y) = V(X) + V(Y) + + 2 cov(X ; Y)
o Si X et Y sont deux variables indépendantes de variance V(X) et V(Y) on a : V(X + Y) =
V(X) + V(Y)

IX. Lois usuelles de variables aléatoires

a. Loi Binomiale : On dit qu'une variable aléatoire X, à valeurs dans {0 ; 1 ; ...n}, suit une loi binomiale
si sa loi de probabilité est :

avec k {0, 1, 2,..., n}, où n est un entier naturel donné et où p est un réel de ]0 ; 1 [
n et p sont appelé paramètre de la loi et on dit X suit une loi B(n,p)
Espérance et variance mathématique :
L'espérance mathématique d'une variable aléatoire suivant une loi B(n, p) est :
E(X) = np
La variance mathématique d'une variable aléatoire suivant une loi B(n, p) est :
V(X) = npq = np(1 - p)

b. Loi Géométrique : On dit qu'une variable aléatoire X,

à valeurs dans suit une loi géométrique si sa loi de probabilité est :

où p est un réel de ]0 ; 1[ et q = 1 - p

p est paramètre de la loi

Espérance et variance mathématique :

L'espérance mathématique d'une variable aléatoire suivant une loi géométrique de paramètre p est :
 La variance mathématique d'une variable aléatoire suivant une loi géométrique de paramètre p est :

c. Loi de Poisson : On dit qu'une variable aléatoire X,

à valeurs dans suit une loi géométrique si sa loi de probabilité est :

où λ est un réel strictement positif.

Espérance et variance mathématique :
L'espérance mathématique d'une variable aléatoire suivant une loi de Poisson de paramètre λ est E(X)
=λ
La variance mathématique d'une variable aléatoire suivant une loi de Poisson de paramètre λ est V(X)
=λ

d. Loi exponentielle :
Définition
X suit une loi exponentielle de paramètre λ. si sa densité est donnée par : où x est un réel
strictement positif.
La fonction de répartition est la fonction F définie sur [0 ; + [ par :

Espérance et variance mathématique

e. Loi Uniforme :

Définition :
On dit qu'une variable aléatoire X suit une loi uniforme sur l'intervalle
[a ; b] si sa densité est donnée par :

ou 1[a ; b] est la fonction indicatrice sur l'intervalle [a ; b].

Espérance mathématique et variance :

L'utilisation de la loi uniforme dans le contexte de variables aléatoires dépend de la distribution des
valeurs que vous attendez pour vos variables aléatoires. La loi uniforme est particulièrement
appropriée lorsque toutes les valeurs dans un intervalle ont la même probabilité d'être choisies. Voici
quelques situations où la loi uniforme peut être utile :

Tirage aléatoire dans un intervalle : Si vous devez modéliser un processus où vous choisissez un
nombre aléatoire dans un intervalle [a, b], la loi uniforme est appropriée. Par exemple, lorsqu'on lance
un dé équilibré à 6 faces, chaque face a la même probabilité d'apparaître, ce qui correspond à une
distribution uniforme entre 1 et 6.