Université Mohammed V- Rabat ‫جامعة محمد الخامس – ا لربـــــــاط‬

Faculté des Sciences Juridiques, ‫كلية العلوم القانونية واالقتصادية‬

Economiques et Sociales ‫واالجتماعية‬
Agdal ‫اكدال‬

Filière : Sciences Economiques et Gestion

Semestre 2

Module : Calcul des probabilités

Sections : B, D&E

Professeur D. OUAHID

Année universitaire 2019-2020

 Table des matières
Chapitre 1- Rappels sur les ensembles et l’analyse combinatoire ......................................5

1- Rappel sur la théorie des ensembles .......................................................................5

1-1- Opérations sur les ensembles ..........................................................................6

1-2- Théorèmes ......................................................................................................8

1-3- Propriétés des cardinaux ............................................................................... 10

2- Analyse combinatoire .......................................................................................... 10

2-1- Définition .....................................................................................................11

2-2- Paire et multiplets ......................................................................................... 12

2-3- Permutations ................................................................................................ 13

2-4- Arrangements ............................................................................................... 16

2-5- Combinaisons ............................................................................................... 18

2-6- Synthèse de l’analyse combinatoire .............................................................. 24

Exercices corrigés _Chapitre 1- Théorie des ensembles et analyse combinatoire ...25

Chapitre 2- Concepts et axiomes de base du calcul des probabilités ................................ 29

1- Définitions des concepts ...................................................................................... 29

1-1- Expérience aléatoire (épreuve aléatoire) ....................................................... 29

1-2- Ensemble fondamental (univers des possibles) ............................................. 30

1-3- Evénements ..................................................................................................30

1-4- Famille d’évènements probabilisable ............................................................ 32

1-5- Espace probabilisable ................................................................................... 32

1-6- Cas d’épreuves aléatoires répétées : nombre de résultats possibles ................ 33

2- Axiomes de base du calcul des probabilités ......................................................... 33

2-1- Définition .....................................................................................................37

 2-2- Propriétés .....................................................................................................37

2-3- Tirages probabilistes d’échantillons .............................................................. 38

2-4- Notion d’indépendance ................................................................................. 40

Exercices corrigés _Chapitre 2- Calcul des probabilités .........................................52

Chapitre 3- Variables aléatoires (Aléas numériques)........................................................ 59

1- Définitions .......................................................................................................... 60

2- Distribution de probabilité (loi de probabilité) ..................................................... 61

2-1- Cas d’une variable aléatoire discrète unidimensionnelle. .............................. 61

2-2- Cas d’une variable aléatoire continue unidimensionnelle. ............................. 70

3- Inégalité de Biénaymé-Tchebycheff .................................................................... 75

Exercices corrigés _Chapitre 3- Variables aléatoires ............................................. 78

Chapitre 4- Lois de probabilité .......................................................................................... 87

1- Lois de probabilité discrètes ................................................................................ 87

1-1- Loi de Bernoulli ........................................................................................... 87

1-2- Loi Binomiale .............................................................................................. 89

1-3- Loi géométrique ........................................................................................... 92

1-5- Loi de Poisson .............................................................................................. 94

2- Lois de probabilité continues ............................................................................... 96

2-1- Loi uniforme ................................................................................................ 96

2-2- Loi normale (ou de Laplace-Gauss) .............................................................. 97

2-3- Loi exponentielle ........................................................................................ 104

Exercices corrigés _Chapitre 3- Lois de probabilité ............................................. 106

Références bibliographies ............................................................................................. 112

 Introduction

La méthodologie statistique recourt, d’un côté à la statistique descriptive qui consiste à

collecter, présenter, résumer et analyser les résultats obtenus ( tableaux, graphes, indicateurs
synthétique) ; et d’un autre côté, à l’inférence statistique qui est l’ensemble des méthodes qui
permettent de tirer des conclusions sur une population à partir des données provenant d’un
échantillon pris dans cette population ( réaliser des estimations et des tests d’hypothèses sur les
caractéristiques d’une population à partir des données de l’échantillon). Outre la statistique
descriptive et inférentielle, la méthodologie statistique fait également appel à la théorie des
probabilités (objet de notre cours) qui signifie l’analyse mathématique des phénomènes dans
lesquels le hasard intervient.

Le mot hasard est emprunté à l’arabe az-zhar au XIIème siècle.

Historiquement, le calcul des probabilités s’est développé à partir du XVIIe siècle autour
des problèmes de jeux de hasard où le nombre de cas possible est fini. Parmi les premiers
fondateurs de la théorie des probabilités, nous citons Blaise Pascal (1623-1662), Jacques
Bernoulli (1654-1705), Abraham de Moivre (1667-1754), Denis Poisson (1781-1840), … Le
cadre rigoureux des probabilités est dû à Andrei Kolmogorov en 1933.

La théorie des probabilités constitue un cadre mathématique pour la description et la

modélisation du hasard et de la variabilité, ainsi que le raisonnement en univers incertain.

La modélisation probabiliste s’applique dans divers domaines notamment en physique,

en biologie, en traitement des données et des signaux, en assurances, en tests de conformité de
pièces fabriquées dans une usine, en économie etc. En économie la théorie des probabilités
intervient à travers les études de fiabilité et performance des systèmes et des procédés,
prévisions économiques, décisions d’investissement, la gestion des stocks et plus généralement
dans l’évaluation et la gestion des risques, …

4
 Calcul des probabilités

Chapitre 1- Rappels sur les ensembles et l’analyse combinatoire

1- Rappel sur la théorie des ensembles

Etant donné l’analogie existante entre le langage des ensembles et celui de la théorie des
probabilités, il serait nécessaire d’entamer le présent cours de « Calcul des probabilités » par
un rappel de la théorie des ensembles. Dans ce qui suit, les ensembles sont notés en majuscules
et leurs éléments en minuscules.

Un ensemble est défini comme une collection d’objet/ d’individus appelés les éléments de

l’ensemble. Soit A  a1 , a2 ,... an  est l’ensemble A dont les éléments sont a1 , a2 ,... an ou

A  ai , i  1,... n

a1  A : a1 appartient à A (ou est élément de A) ou A contient a1 .

b  A : b n’appartient pas à A

 : L’ensemble vide ne contenant aucun élément.

Définition : Qu’est-ce qu’un ensemble fini ? La première idée qui vient à l’esprit est quelque
chose comme {a, b, c, d} ou {1, 2, 3, 4}.

On dit que A est fini lorsque A=  ou lorsqu’on peut définir une bijection de
l’ensemble {1, 2, …n} dans A. Sinon est infini. Un ensemble A infini peut être soit dénombrable
si on peut définir une bijection de ℕ dans A soit non dénombrable si on ne peut pas définir une
telle bijection.

Exemples : ℕ et ℤ sont infinis dénombrables. ℝ est infini non dénombrable

Cardinal de A : le mot « cardinal », emprunté aux grammairiens, désigne ici la quantité,

le nombre d’éléments d’un ensemble. Le cardinal d’un ensemble fini A est le nombre de ses
éléments. Pour A  a1 , a2 ,... an  on aura crad A= n et par convention card  =0.

5
 1-1- Opérations sur les ensembles

Soient trois ensembles A, B et C, supposés inclus dans un ensemble  appelé univers.

On rappelle que :

Réunion :
A  B   x   / x  Aou x  B  L’ensemble des éléments appartenant soit à A soit à B soit à

A et à B : c’est la réunion entre A et B. On peut dire aussi c’est l’ensemble des éléments
appartenant au moins à l’un des deux.

Exemple : Soit A et B deux ensembles, avec A  {1,3, 6,8} et A  {0,1,6,9} . Calculer A  B

A  B  {0,1,3, 6,9}

Intersection :
A  B   x   / x  Aet x  B  L’ensemble des éléments de  qui appartiennent à A

et à B. c’est l’intersection entre A et B. Si A  B   . On dit que A et B sont disjoints

(incompatibles= exclusifs).

Exemple : Soit A et B deux ensembles, avec A  {1,3, 6,8} et A  {0,1,6,9} . Calculer A  B

A  B  {1, 6}

Complémentaire de A :

A  {x  / x  A} : L’ensemble des éléments de  n’appartenant pas à A. C’est le

complémentaire de A dans  noté aussi  -A ou CA ou encore A ' .

Différence :
A  B  {x  / x  Aet x  B}: L’ensemble des éléments de  appartenant à A et
n’appartenant pas à B. C’est la différence entre A et B.

Exemple : Soit A et B deux ensembles, avec A  {1,3, 6,8} et A  {0,1,6,9} . Calculer A  B

A  B  {3,8}
6
 Différence symétrique ou différence disjonctive :

AB  {x  / x  Aet x  B ou x  Aet x  B}: L’ensemble des éléments n’appartenant

qu’à l’un des deux mais pas aux deux à la fois.

Exemple : Soit A et B deux ensembles, avec A  {1,3, 6,8} et A  {0,1,6,9} . Calculer AB

AB  {0,3,8,9}

Remarque : La réunion et l’intersection peuvent être généralisées à un ensemble de parties de

 . Soit I un ensemble d’indice par exemple I  {1, 2,3,... n} et ( Ai ) i  I un ensemble de parties
de  (ou une famille de parties de  ).

n
A1  A2 ...  An s ' ecrit Ai ou Ai : L’ensemble des éléments de  qui appartiennent
i 1 iI

au moins à l’une des parties.

n
A1  A2 ...  An s ' ecrit Ai ou Ai : L’ensemble des éléments de  qui appartiennent à
i 1 iI

toutes les parties à la fois.

Lorsque Ai =  et (i  j ) Ai  Aj   , on dit que la famille ( Ai ) i  I est une

iI

partition de  .

7
 1-2- Théorèmes

1) A  B  B  Aet A  B  B  A (Commutativité )
2) A  ( B  C )  ( A  B)  C  A  B  C 
 ( Associativité )
3) A  ( B  C )  ( A  B )  C  A  B  C 
4) A  ( B  C )  ( A  B )  ( A  C ) 
 ( Distributivité )
5) A  ( B  C )  ( A  B )  ( A  C ) 
6) A  B  A  B
7) Si A  B alors B  A
8) A    A et A     
 ( Identité )
9) A     et A    A 
10) A  A  A et A  A  A ( Idempotence)
11) A  B  A  B 
 (Théorème de Morgan)
12) A  B  A  B 
13) A  ( A  B )  ( A  B )

Dualité de Morgan : le complémentaire d’une réunion est égal à l’intersection des

complémentaires. Le complémentaire d’une intersection est égal à la réunion des
complémentaires.

Exercice 1 : Soit trois ensembles A, B et C, supposés tous inclus dans un ensemble Ω appelé
univers. Si A  {1, 2,3} , B  {0, 2, 4,5} et C  {1,7,8,9} , calculer :

1. A  B , A  C et B  C ;
2. A  B , A  C et B  C ;
3. A  B  C et A  B  C ;

4. A, B et C ;

5. A  B, B  C , A  B et A  C .

Exercice 2 : soit A, B et C trois ensembles quelconques supposés inclus dans un univers

 . Démontrer que :
1. A  ( B  C )  ( A  B )  ( A  C )
2. A  ( B  C )  ( A  B )  ( A  C )

8
Solution :

1. Soit x un élément quelconque de A  ( B  C )

x  A  ( B  C )  x  A et x  ( B  C )
 x  A et ( x  B ou x  C )
 ( x  A et x  B ) ou ( x  A et x  C )
 x  ( A  B) ou x  ( A  C )
 x  ( A  B)  ( A  C )
donc A  ( B  C )  ( A  B )  ( A  C )

2. De même, soit y un élément quelconque de A  ( B  C )

y  A  ( B  C )  y  A ou y  ( B  C )
 y  A ou ( y  B et y  C )
 ( y  A ou y  B) et ( y  A ou y  C )
 y  ( A  B) et y  ( A  C )
 y  ( A  B)  ( A  C )
donc A  ( B  C )  ( A  B)  ( A  C )

Exercice 3 : Soit A et B deux ensembles quelconques de  . Démontrer que

1. A  B  A  B
2. A  B  A  B

Solution :

1. Soit x un élément quelconque de A  B

x  A  B  x  ( A  B )  x  Aet x  B
 x  A et x  B
 x  ( A  B)
donc A  B  A  B

2. Même démarche de la question précédente. Soit x un élément quelconque de A  B

9
 1-3- Propriétés des cardinaux

On passe ici en revue quelques propriétés relatives aux ensembles finis en raison de leur
utilité pour le calcul des probabilités.

Soit  un ensemble fini et A et B sont deux sous -ensembles de  étant donnés, on a :

1)- S’il existe une bijection de A dans B alors card A= card B.

2)- Si A est une partie de  : card A  card  . Si de plus card A  card  alors A=  .

3)- Si A et B sont disjoints : card ( A  B)  card A  card B

4)- Sinon (A et B ne sont pas mutuellement exclusifs)

* card ( A  B)  card A  card ( A  B )

* card A  card   card A
* card ( A  B)  card A  card B  card ( A  B )
* card ( A  B)  card A  card B ( principe de multiplication)

( A  B) , désigne un ensemble des couples ordonnés dont le premier élément est pris dans
A et le second dans B. C’est l’analogue de choisir d’abord un point vert et ensuite un point bleu.

2- Analyse combinatoire

En théorie des probabilités l’analyse combinatoire revêt une importance particulière. On

est souvent devant des situations où il est indispensable de dénombrer les possibilités (cas
favorables) pour qu'un événement donné se réalise. Nous allons, dans ce chapitre, étudier les
méthodes de dénombrement les plus courantes.

Autrement dit, il s’agit d’un ensemble de méthodes ayant pour but de dénombrer les
différentes dispositions que l’on peut obtenir à partir d’un ensemble fini. Une disposition est
formée d’éléments pris parmi les n éléments de l’ensemble étudié.

Les ensembles couramment étudiés sont ceux (i) formés d’éléments tous différents. Ces
éléments seront dits discernables, c’est-à-dire présentent des caractéristiques différentes et par
conséquent peuvent être distingués. (ii) formés d’éléments dont certains ont la même
10
caractéristique et de ce fait ne peuvent pas être distingués. Ces éléments seront dits
indiscernables. Les notions des discernable et indiscernable sont utiles pour faire la distinction
entre les cas d’équiprobabilité ou non.

2-1- Définition

Une disposition est un groupe d’éléments choisis parmi les n éléments d’un ensemble
fini. Si chaque élément ne peut pas apparaitre plus d’une seule fois dans chaque disposition, les
dispositions sont dites sans répétition, sinon, les dispositions sont qualifiées avec répétition.

Si l’ordre (l’emplacement) des éléments est important dans la disposition, alors les
dispositions sont dites ordonnées, sinon les dispositions sont qualifiées non ordonnées.

Exemple : Soit E= {a, b, c} ; (a, b) et (a, a) sont deux dispositions de deux éléments, mais
dans la deuxième, l’élément « a » est répété deux fois. Il s’agit d’une disposition avec
répétition.

En croissant les deux critères relatifs à la répétition et à l’ordre on peut considérer quatre
types de dispositions :

1)- des dispositions ordonnées avec répétition.

2)- des dispositions ordonnées sans répétition.

3)- des dispositions non ordonnées avec répétition.

4)- des dispositions non ordonnées sans répétition.

Exemple : Prenons un exemple simple afin de clarifier des schémas : soit l’ensemble
E= {a, b, c} où card E=3 et des dispositions de p=2 éléments. Dénombrons ces différentes
dispositions selon chacune des quatre situations ci-dessus.

L’ordre est Nombre de Nombre de

L’ordre est important
indifférent dispositions dispositions
(a, b) (a, c) (b, c) (b, a)
Avec (a, b) (a, c) (b, c) (a, a)
6 (c, a) (c, b) (a, a) (b, b) 9
répétition (b, b) (c, c)
(c, c)
Sans (a, b) (a, c) (b, c) (b, a)
(a, b) (a, c) (b, c) 3 6
répétition (c, a) (c, b)
11
 Il est évident que dès que l’on envisage des valeurs pour n et p supérieures à
respectivement 3 et 2 la description et le comptage deviennent difficiles et seule la démarche
analytique peut apporter une solution rapide.

2-2- Paire et multiplets

2-2-1- Paire vs couple

Soient E  {e1 , e2 ,... en } et F  { f1 , f 2 ,... f n }

On appelle paire une disposition de deux éléments dans laquelle le premier appartient à
E et le deuxième appartient à F. Une paire générale est donc de type {ei , f j } dont l’ordre est

indifférent. L’écriture (ei , f j ) est appelée couple dont l’ordre est important.

Il est à signaler que l’écriture {ei , f j } et l’écriture { f j , ei } sont indifférentes. C’est la

disposition qui est représentée. En revanche, l’écriture (ei , f j ) est différente de l’écriture

( f j , ei ) . A titre d’illustration on peut comparer les points (1, 2) et (2, 1) sur un plan. Ces deux
remarques sont valables pour des dispositions plus larges (contenant plusieurs éléments).

Exemple : Une urne contient deux boules, dont l’une porte la lettre R (rouge) et l’autre
porte la lettre N (noire). Si on tire successivement sans remises deux boules, les résultats
possibles sont les couples (R, N) et (N, R). Les deux couples(R, N) et (N, R) sont des
dispositions sans répétition.

Supposons maintenant que la première boule tirée est remise dans l’urne avant de réaliser
le deuxième tirage. Dans ce cas les différents résultats possibles sont (R, R), (R, N), (N, N) et
(N, R). Avec cette novelle hypothèse de travail, les couples obtenus sont des dispositions avec
répétition.

2-2-2- Multiplet

Soit une famille ( Ei ) avec 1 i  n d’ensembles finis composés chacun d’éléments

distincts tels que card ( Ei )  ni

12
 Un multiplet de p éléments est une disposition ordonnée de p éléments de type
(ei1 , ei2 ,... ei p ) où ei1  E1; ei2  E2 ;...; ei p  E p .

Le nombre de multiplets de p éléments est le nombre d’éléments du produit

( E1  E2  ...  E p ) et on sait que :

card ( E1  E2  ...  E p )  card E1  card E2  ...  card E p  n1  n2  ...  n p

Exemple 1 : combien de plaques de voitures peut-on imprimer tel que le premier élément
est une lettre de l’alphabet, le deuxième un chiffre et le troisième un chiffre également ?

Solution : Le premier élément : une lettre parmi 26, le deuxième élément : un chiffre
parmi 10 et le troisième élément ; un chiffre parmi 10. Le nombre de plaques est
26 10 10  2600 .

Exemple 2: Pour s’habiller une personne peut choisir une chemise parmi 6 chemises, un
pantalon parmi 4 et une paire de chaussures parmi 3. De combien de façons possibles cette
personne peut s’habiller ?

2-3- Permutations

2-3-1- Permutations sans répétition de n éléments distincts

Définition : Une permutation sans répétition d’un ensemble E est une énumération qui suit un
ordre (disposition ordonnée), où chaque élément de E ne peut figurer qu’une seule fois.

Le nombre de permutations sans répétition d’un ensemble E de n éléments, n  1 , est égal

à : Pn  n!  n  (n  1)  (n  2)  ...  2 1

n ! est lu « factorielle n ». On convient que 0!  1 . n ! est le nombre le nombre de listes

ordonnées contenant n éléments. Lorsque n  10 , on peut approcher la valeur de n ! par la
formule dite de Sterling :

n !  2 n nn e n avec e  2,718

13
Exemple 1 : Soit E  {a, b, c} , le nombre de permutations sans répétitions que l’on peut

faire avec ces trois éléments est 3!  3  2 1  6 . Ce sont les permutations suivantes :(a, b,
c) ; (a, c, b) ; (b, a, c) ;(b, c, a) ; (c, a, b) et (c, b, a).

Exemple 2 : Combien de nombres sans répétitions peut-on composer avec les chiffres 1,
2, 3 et 4 ?

Solution : 4!  4  3  2 1  24 nombres.

Exemple 3 : 7 chevaux participent à une course pour laquelle il n’y pas d’ex-aequo.
Combien y a-t-il de classements possibles ?

Solution : 7! classements possibles.

Exemple 4 : 8 athlètes participent à une course de 100m pour laquelle il n’y pas d’ex-
aequo. Combien y t-il de classements possibles ?

Solution : 8! classements possibles.

2-3-2- Permutations avec répétition de n éléments divisés en p groupes distincts

d’éléments identiques

Soit un ensemble E  {(e1 , e1 ,..., e1 );(e2 , e2 ,..., e2 );...;(ek , ek ,..., ek )} de n éléments repartis
en k groupes distincts (discernables), tels que dans chacun de ces groupes les éléments sont
identiques entre eux(les groupes sont discernables et les éléments formant un même sous-

groupe ne le sont pas). Si on note ni le cardinal de chaque groupe de E, alors on peut écrire

n  n1  n2  ...  nk .

A titre d’exemple l’ensemble E  {R, R, R, R, N , N , N ,V ,V , B, B, B} . E est formé de 4

groupes discernables {R, R, R, R} , {N , N , N } , {V ,V } , {B, B, B} . A l’intérieur d’un même
groupe, tous les éléments sont identiques.

14
Définition : Une permutation avec répétition de n éléments d’un ensemble E, est une

disposition ordonnée des n éléments de E où e1 se répète n1 fois, e2 se répète n2 fois et ek figure

nk fois.

Résultats : Soient E l’ensemble défini ci-dessus et Pn (n1 , n2 ,..., nk ) , le nombre total de

n! n!
permutations avec répétition est donnée par : Pn  
n1 ! n2 ! ... nk ! k

n !
i 1
i

Exemple 1 : soient E  {R, R,V } . Ici n  3, k  2, n1  2 et n2  1 . Les permutations avec

répétitions des n éléments de E sont : (R, R, V), (R, V, R) et (V, R, R).

Exemple 2 : combien de nombres peut-on composer à partir de 5 chiffres 2, 3, 3, 3, 2 ?

5!
Solution : On peut former P5   10 nombres différents.
3! 2!

Exemple 3 :

1. Combien d’autres nombres de 10 chiffres peut-on former à partir des chiffres du

nombre 8343484533 ?
2. A partir des chiffres de ce même nombre, combien peut-on former de nombres de trois
chiffres distincts ?

Solution :

10!
1.  12600 nombres différents chacun.
1!2!3!4!
2. A43  24 nombres de trois chiffres distincts.

15
 2-4- Arrangements

2-4-1- Arrangements sans répétition de p éléments parmi n éléments distincts

Définition : On appelle arrangements sans répétition de p éléments d’un ensemble E à n

éléments, une disposition ordonnée de p éléments distincts de l’ensemble E.

Le nombre d’arrangements sans répétition est :

n!
Anp  n(n  1)(n  2)...(n  ( p  1))  Avec n, et p ℕ*et on doit avoir
(n  p)!
obligatoirement p  n .Cette restriction n’est valable dans le cas d’arrangements avec
répétition.

Démonstrations : Considérons p cases numérotées de 1 à p.

 Première étape : il existe n choix possibles ;

 Deuxième étape : il existe n-1 choix possibles (car le premier élément ne peut plus pris
en compte : arrangements sans répétition) ;
 ...;
 pième étape : il existe (n-(p-1)) choix possibles.

D’où An  n(n  1)(n  2)...(n  ( p  1))  n(n  1)(n  2)...(n  p  1) .

p
En utilisant le
factoriel, on peut observer que :

Anp  n(n  1)(n  2)...(n  p  1)

(n  p)(n  p  1)...3.2.1
 n(n  1)(n  2)...(n  p  1)
(n  p)(n  p  1)...3.2.1

n!
Donc le nombre d’arrangements sans répétition est : Anp 
(n  p )!

Remarques :

 Si p  n , on aura Anp 
n! n!
  Pn  n ! ;
(n  n)! 0!

16
  Si p  n , on aura An  0 .
p

Exemple 1 : une urne contient dix boules sur lesquelles ont été marquées les dix Lettres
de l’alphabet de A à J. on tire successivement quatre boules sans remise (sans répétition)
et on inscrit dans l’ordre les lettres, portées par les boules tirées. Combien de mots de
quatre lettres ayant un sens ou non, peut-on former ?

Solution : former un mot revient à remplir quatre cases numérotées de 1 à 4. Pour remplir
la première, il y a dix choix possibles. Pour remplir la deuxième, il y a neuf choix possibles
puisque l’urne ne contient que plus maintenant que neuf boules. Pour remplir la troisième, il y
a huit choix possibles. Pour remplir la dernière, il y a (7=10-(4-1)) choix possibles.

10!
On voit que l’on peut obtenir A104  10  9  8  (10  4  1)   5040 mots différents
(10  4)!

Exemple 2 : Dans une course de 10 chevaux (il n’y a pas d’ex-aequo), le nombre de tiercés
10!
(les trois premiers) dans l’ordre est : A103  10  9  8   720 tiercés possibles.
(10  3)!
Exemple 3 : Pour accéder à une banque de données, il faut 4 lettres différentes. Combien
de mots de passe peut-on avoir ?

Solution : A264  258800

2-4-2- Arrangements avec répétition de p éléments parmi n éléments distincts

On appelle arrangement avec répétition de p éléments d’un ensemble E à n éléments, une

disposition ordonnée de p éléments (non forcément distincts) pris parmi n éléments, chacun
d’eux peut figurer plusieurs fois dans le même arrangement.

Théorème : Le nombre d’arrangements avec répétition de p éléments qu’on peut former

à partir d’un ensemble E à n éléments est : np

Remarques :

 C’est une disposition ordonnée éventuellement avec répétition ;

17
  P peut être supérieur à n puisqu’on peut éventuellement répéter le même élément. (p
peut être inférieur, supérieur ou égal à n).

Exemple1 : Soit E  {a, b, c} les arrangements avec répétitions de deux éléments de E sont

n p  32  9 .Ces neufs arrangements sont :(a, a), (a, b), (a, c), (b, a), (b, b), (b, c), (c, a), (c,
b) et (c, c). On peut remarquer clairement qu’il y une répétition d’éléments pour les
arrangements (a, a), (b, b) et (c, c).

Exemple 2 : Combien de mots de trois lettres ayant un sens ou non, peut-on former en
utilisant les lettres du mot « banque » ?

Solution : 63  216 mots de trois lettres ( n  6, p  3 ).

Exemple 3 : En ne tenant pas compte du fait que le mot formé possède ou non un sens,
combien peut-on former de mots différents de 5 lettres :

1. Avec les lettres de l’alphabet arabe ?

2. Avec les lettres de l’alphabet latin ?

Solution : Chaque mot est un arrangement avec répétition de cinq lettres.

1. L’alphabet arabe comprend 29 lettres ; le nombre de de 5 lettres qu’on peut former est
295  20511149
2. L’alphabet latin ne comprend que 26 lettres ; le nombre de mots de 5 lettres qu’obn peut
former est 265  11881376

2-5- Combinaisons

Une combinaison de p éléments pris parmi n éléments d’un ensemble E est une
disposition non ordonnée de p de ces n éléments. Dit, autrement, une combinaison est un
rangement ou classement de p éléments pris parmi n. On distingue les combinaisons sans
répétition et les combinaisons avec répétition.

18
 2-5-1- Combinaisons sans répétition

Définition : Soit E un ensemble à n éléments, on appelle combinaison sans répétitions de p

éléments de E, toute partie à p éléments distincts de E. Autrement dit, c’est une disposition non
ordonnée et sans répétition de p éléments choisis parmi n élément de l’ensemble E.

Le nombre de combinaisons sans répétition de p éléments qu’on peut former à partir des
n élément de l’ensemble E est égal à :

Anp n!
C   (si p  n  Cn  0 )
p p

p ! p !(n  p)!
n

Remarque : l’ordre dans lequel on écrit les éléments d’un ensemble n’as pas d’importance.
Ainsi, (a, b) et (b, a) désignent la même disposition (ensemble).

Exemple 1 : De combien de façons différentes peut-on asseoir 5 personnes sur une table
de trois places si la place sur la table est indifférente ?
5!
Solution : Il y a C53   10 différentes.
3!(5  2)!

Exemple 2 : Combien le nombre d’échantillons de 3 personnes qu’on peut constituer à

partir d’une population de 20 individus ?
20!
3
Solution : Il y a C20   1140 échantillons.
3!(20  3)!

Exemple 3 : On tire 5 cartes d’un jeu de trente-deux cartes et on appelle une « main »
l’ensemble ainsi obtenu.

1. Combien y a –t-il de mains de cinq cartes contenant exactement deux cœurs ? (il
y a huit cœurs dans un jeu de trente-deux cartes).
2. Combien y a-t-il de mains contenant au moins un roi ? (il y a quatre rois dans le
jeu de trente-deux cartes).

Solution :

1. C8  C24 , c’est-à-dire 56672 mains possibles.

2 3

19
 2. C41  C284  C42  C283  C43  C282  C44  C28
1
. Il existe un autre méthode ; celle de

l’évènement complémentaire (préférable) : C32  C28 , c’est-à-dire 103096 mains

5 5

possibles. (deux méthodes possibles)

Exemple 4: A partir d’un groupe de 10 personnes, on veut former un comité de trois

personnes. De combien de façons possibles peut-on former un tel comité :

1. S’il est formé d’un président, vice-président et un secrétaire ?

2. S’il est non hiérarchisé ?

Solution :

10!
1. A103   10  9  8  720
(10  3)!
10!
2. C103   120
3!7!

Propriétés des combinaisons : Cn , n  et 0  p  n

p

1. Cn  Cn  1
0 n

n p
2. Cn  Cn (propriété de symétrie : j’ai deux façons différentes pour compter les choses)
p

n(n  1)
3. Cn2  Cnn2  ( avec n  2 )
2
p 1
4. Cn  Cn1  Cn 1 formule de Pascal (ou combinaisons composées)
p p

p
Le triangle de Pascal : Permet de calculer, par récurrence, la valeur de Cn . Soit le tableau

suivant où figure, en ligne les valeurs de n et en colonne les valeurs de p (avec p  n ). Les
p
termes du tableau donne la valeur de Cn .

Cn0  Cnn  1 Permettent de remplir la première colonne et la diagonale principale du

p 1
triangle. Cn  Cn 1  Cn 1 Permettent de calculer de proche en proche tous les termes du
p p

triangle.

20
 p-1 P

n-1 Cnp11 Cnp1

n Cnp
C00
p
C10 C11 0 1 2 3 4 5 6
0
C C C 1 2 n
2 2 2
0 1
C30 C31 C32 C33
1 1 1
2 1 2 1
Cn01 Cn11 Cn21 Cn31 Cnn11
3 1 3 3 1
Cn0 Cn1 Cn2 Cn3 Cnn 1 Cnn 4 4 + 6
1 4 1
= =
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
Cnp n’est définie que pour p  n c’est pour cette raison qu’on ne remplit donc pas les
cases situées au-dessus de la diagonale.

« tout nombre du tableau est la somme du nombre placé au-dessus de lui et du nombre
précédant ce dernier dans le tableau »

p 1
Preuve : Cn  Cn 1  Cn 1
p p

(n  1)! (n  1)!
Cnp1  Cnp11  
p !(n  1  p)! ( p  1)!( n  1  p  1)!
(n  1)! (n  1)!
 
(n  p  1)! ( p  1)!(n  p)!
On a ( p  1)! p  p ! et (n  p  1)!(n  p )  (n  p )!
(n  1)!(n  p) (n  1)! p
Donc Cnp1  Cnp11  
(n  p )! p ! p ( p  1)!(n  p)!
(n  1)!(n  p  p)

p !(n  p )!
(n  1)!n n!
   Cnp
p !(n  p)! p !(n  p)!

21
Remarque : Cette relation de récurrence peut être énoncée autrement : le nombre de
combinaisons de p parmi n est la somme :

p 1
 D’une part du nombre de combinaisons contenant un élément déterminé : Cn 1 ;
 Et d’autre part du nombre de combinaisons à p éléments autres que l’élément
p
déterminé : Cn 1 .

n p 1
5. Cnp  Cn 1 avec n  *
et p  *

p
n n
6. (a  b)n   Cnp a p b n  p   Cnp a n  p b p Formule de binôme de Newton
p 0 p 0

n
(développement binomial). Si a  b  1 on aura (1  1)n   Cnp  2n
p 0

Faisons d’abord n  0 on aura (a  b)0  1

Faisons ensuite n  1 on aura (a  b)1  a  b  a1  b1

Si nous utilisons le fait que a 0  b0  1, et queC11  C10  1, nous pourrons aussi écrire :
(a  b)1  a1  b1  a1b0  a 0b1  C11a1b0  C10 a 0b1

Faisons maintenant n  2 (a  b)2  a 2  2ab  b2  C22 a 2b0  C21a1b1  C20a 0b 2

Car C2  C2  1 et C2  2
2 0 1

Faisons maintenant n  3 (a  b)  a  3a b  3ab  b  C3 a b  C3 a b  C3a b  C3 a b

3 3 2 2 3 3 3 0 2 2 1 1 1 2 0 0 3

Car C3  1, C3  3, C3  3 et C3  1
3 2 1 0

L’examen des termes des développements qui précèdent laisse présumer que chacun des

termes du développement de ( a  b) doit se présenter sous la forme Cn a b , p variant de n à

n p n n p

zéro.

22
 n 1 n 1 1 p p n p 1 1 n 1
Pour n  n, (a  b)  Cn a b  Cn a b  ...  Cn a b  ...  Cn a b  Cn a b
n n n 0 0 0 n

Exemple 1 : (a  b)  C6 a b  C6 a b  C6 a b  C6 a b  C6 a b  C6a b  C6 a b
6 6 6 0 5 5 1 4 4 2 3 3 3 2 2 4 1 1 5 0 0 6

 a 6  6a5b  15a 4b2  20a3b3  15a 2b4  6ab5  b6

Exemple 2 : Développez la formule suivante : (2 x  1)

5

Solution : (2 x  1)  32 x  80 x  80 x  40 x  10 x  1 .
5 5 4 3 2

Exemple 3 : Développer la formule suivante (1  i) aveci est lecomplexetel quei  1

6 2

Solution : (1  i)  8i
6

n 1 1 1 p p n p 1 1 n 1
Remarque : (1  x)  Cn 1 x  Cn 1 x  ...  Cn 1 x  ...  Cn1 x  Cn 1 x
n n n 0 0 1 n

 1  nx  ...  nx n1  x n

2-5-2- Combinaisons avec répétition

Définition : Soit E un ensemble à n éléments, on appelle combinaison ave répétition de p

éléments de E toute disposition (sous-ensemble) non ordonnée, avec répétition éventuellement
de p éléments pris parmi n.

p
Théorème : Soit E un ensemble à n éléments distincts et K n le nombre de combinaisons
avec répétition de p éléments choisis parmi n éléments de E.

(n  1  p )!
On a K np  Cnp1 p 
(n  1)! p !

Remarques :

1. On tient pas compte de l’ordre ;

2. P peut être  n .
3. Cnp1 p  Cnn11 p (Cnp  Cnn  p )

23
N.B : Dans toute la suite et sauf mention contraire, par combinaisons nous nous référons
aux combinaisons sans répétition.

Exemple 1 : Les combinaisons avec répétition de 2 éléments pris parmi les 3 éléments de
(3  1  2)!
E = {a, b, c} est égal à : K 32   6 . Les combinaisons sont :(a, a), (b, b), (c, c), (a,
(3  1)!2!

b), (a, c), (b, c).

2-6- Synthèse de l’analyse combinatoire

Oui Non
Ordre

Permutations Arrangements Combinaisons

Répétition Répétition Répétition

Oui Non Oui Non Oui Non

Si on classe dans Si on classe Si on forme une Si parmi n Si parmi n

un ordre dans un ordre disposition éléments, on éléments, on Si on forme
particulier n particulier n ordonnée de p choisit p choisit p une
éléments (ces éléments éléments (ces éléments éléments (sans disposition
éléments distincts on éléments pas distincts et en les classer), non ordonnée
peuvent être forme une forcement les classant chacun d’eux de p éléments
répétés) on permutation distincts) dans un ordre peut figurer distincts, on
forme une sans choisis parmi n particulier on plusieurs fois forme une
permutation répétition : éléments on forme un dans la même combinaison
avec répétition : forme un arrangement combinaison sans
arrangement simple : on forme une répétition :
avec combinaison
répétition : avec
répétition :

24
 Exercices corrigés _Chapitre 1- Théorie des ensembles et analyse combinatoire

Exercice 1- On considère l’ensemble E  {a, b, c et d }. Ecrire méthodiquement :

1. Les combinaisons sans répétition de 3 éléments de E ;

2. Les arrangements sans répétition de 3 éléments de E.

Solution :

1. Une combinaison de 3 éléments de E est une partie de 3 éléments de E. On obtient toutes les
combinaisons cherchées en écrivant celles qui commencent par a et b, puis a et c, etc. C’est-à-
dire : (a, b, c), (a, b, d), (a, c, d) et (b, c, d). On obtient 4 combinaisons C4  4 .
3

2. Un arrangement de 3 éléments de E est une liste d’éléments distincts de E. Pour les obtenir
tous, on peut raisonner de différentes façons.

Première méthode : utiliser la question précédente. On a vu qu’une 3-liste d’éléments distincts

de E est une permutation d’une combinaison de 3 éléments de E.

(a, b, c) donne les arrangements suivants : (a, b, c), (a, c, b), (b, c, a), (b, a, c), (c, a, b) et (c, b,
a) soit 6 arrangements.

On procède de la même façon à partir des 3 autres combinaisons, on obtient donc :

(a, b, d) , (a, d, b), (b, d, a), (b, a, d), (d, a, b), (d, b, a), (a, c, d), (a, d, c), (c, d, a), (c, a, d), (d,
a, c), (d, c, a), (b, c, d), (b, d, c), (c, d, b), (c, b, d), (d, b, c) et (d, c, b).

Au total 4 x 6 = 24 soit A4  24 arrangements.

3

Deuxième méthode : pour écrire une 3-liste d’éléments distincts, on choisit le premier élément
(4 choix), ce choix étant fait, on choisit le deuxième élément (3choix). Arbre.

Exercice- 2 : Combien de nombres de 4 chiffres peut-on écrire avec les 6 chiffres 1, 2, 3,

4, 5 et 6 ? Même question si les nombres de 4 chiffres doivent avoir leurs 4 chiffres
distincts ?

Solution :
1- 64 nombre de 4 chiffres choisis dans E.

2- A6  360 nombres de 4 chiffres distincts choisis dans E.

4

25
 Exercice 3 : développer les formules suivantes :

(2  x)4 ,(1  x)5 , (2 x  y)5 ,(2  i)4 et (1  2i)3 i désigne le nombre complexe dont la racine
carrée est -1.

Exercice 4 : On veut distribuer 7 lettres dans 10 boites aux lettres nominatives. De

combien de façons peut-on faire si :

1. On met au plus une lettre par boite et les lettres sont identiques ?
2. On met au plus une lettre par boite et les lettres sont toutes différentes ?
3. On met un nombre quelconque de lettres par boîte et les lettres sont toutes
différentes ?

Solution :

1. I C10  120 façons différentes.

7

2. A10  604800 répartitions possibles.

7

3. n p  107

Exercice 5 :

1. Une commission parlementaire composée de 5 députés du parti M, de 4 députés du

parti N et 3 du parti O, on cherche à constituer, une sous-commission où les 12
membres représentés à raison de : 3 députés de M, de 2 députés de N et un député
de O. combien peut-on envisager de sous commissions possibles ?
2. K personnes sont nées durant l’année 2018. Combien de listes d’anniversaire
différentes possibles ? Que faut-il imposer à K ?

Solution :

1. C5  C4  C3 sous-commissions possibles.
3 2 1

2. Dans le premier cas il y a 365k listes d’anniversaire possibles. Dans le deuxième cas on
aura A365 listes d’anniversaire possibles avec la condition que k  365 .
k

Exercice 6 : On désire former un jury composé de 2 scientifiques et 3 littéraires. On

peut choisir les membres du jury parmi 5 scientifiques et 7 littéraires. De combien de
façon peut-on constituer le jury dans les cas suivants :

1. N’importe quel scientifique et n’importe quel littéraire peut être choisi.

2. L’un des littéraires doit obligatoirement faire partie du jury.

26
 3. Deux scientifiques ne s’entendent pas et ne veulent pas faire partie du même jury.
4. Même question si ce sont deux littéraires qui ne s’entendent pas.

Solution :

2 3
1. C5 C7 façons possibles.
2 2
2. C5 C6 façons possibles.
2 2 3 2
3. ( C5 - C2 ) * C7 façons différentes. (- C2 représente le nombre de cas qui contient les deux
scientifiques qui ne s’entendent pas)
( C7 -( C2  C5 )) C5 façons possibles. (( C2  C5 ) : représente le nombre de cas qui contient
3 2 1 2 2 1
4.
les deux littéraires qui ne s’entendent pas)

Exercice 7 : On dispose de 10 billes que l’on veut placer sur une même rangée.

1. On suppose que les 10 billes sont de couleurs différentes. De combien de façons peut-
on les ranger ?
2. On suppose qu’il a 5 billes rouges, 2 blanches et 3 vertes, et que l’on ne peut pas
discerner d’une même couleur.
a) De combien de façons peut-on les ranger ?
b) De combien de façons peut-on les ranger si l’on veut que les billes soient groupées
par couleurs ?
c) Même question mais seules les rouges doivent être groupées.

Solution :

1. 10 ! façons de ranger 10 billes de couleurs différentes.

5 2
2. a) C10 C5 C33 façons possibles. (on va classer les 5 billes rouges parmi 10, puis je vais ranger
les 2 blanches parmi les 5 billes restantes et enfin 3 billes vertes parmi 3)
b) 3! façons possibles. (chaque couleur dans notre cas représente un objet)
2 3
c) 6 x C5 C3 façons possibles. (On commence par compter les emplacements différents
possibles pour la première boule rouge : cela donne 6 possibilités (emplacements 1 à 5 ou 2 à 6
ou ... ou 6 à 10). Chaque choix d’emplacement donnera lieu à un arrangement différent. Il suffira
ensuite de compter le nombre de façons de répartir les 2 billes blanches et les 3 billes vertes
dans les 5 emplacements restants).
Exercice 8 : On s’intéresse à la capacité d’un système téléphonique à 8 chiffres.

1. Combien de numéros de téléphones peut-on distribuer ?

2. Combien de numéros parmi ceux-ci où le premier chiffre est pair ?
3. Combien de numéros avec des chiffres tous différents ?

27
Solution :

1. On peut distribuer 108 numéros de téléphones différents.

2. 4 107 numéros de téléphones.
8
3. A10 numéros de téléphones possibles.

28
Chapitre 2- Concepts et axiomes de base du calcul des probabilités

L’objet du calcul des probabilités est de construire une théorie mathématique pouvant
servir de cadre général à l’étude des phénomènes aléatoires, c’est-à-dire des phénomènes dans
lesquels, le hasard, intervient.

Comme dans toute théorie mathématique, il convient de préciser dans la première étape
le vocabulaire utilisé, dans un univers incertain, en définissant les concepts de base. La
deuxième étape consiste à poser un certain nombre d’axiomes et en déduire les conséquences
logiques.

Dans le présent chapitre, le langage utilisé est souvent emprunté à la théorie des
ensembles et la notion de l’aléa, est fréquemment illustré par des exemples simples inspirés des
jeux de hasard.

1- Définitions des concepts

L’expérience qui consiste à lancer un dé dont les faces sont numérotées de 1 à 6, conduit
à plusieurs résultats possibles quant au numéro de la face du dé immobilisé. Une telle
expérience est dite aléatoire, encore appelé épreuve. L’ensemble des résultats (issues)
possibles est appelé univers des possibles ou espace des éventualités1. Nous le noterons Ω.
Toute situation attachée au résultat d’une épreuve est nommée événement ou événement
aléatoire.

1-1- Expérience aléatoire (épreuve aléatoire)

Une expérience est dite aléatoire s’il est impossible, une fois les conditions sont fixées,
d’en prévoir, avec certitude, le résultat. Lorsque dans les mêmes conditions, la même
expérience, entraîne un résultat unique, on parle d’expérience déterministe.

Exemples :

1. On tire une boule dans une urne contenant N boules de couleurs différentes ;

1
En toute rigueur on devrait parler d’éventualité avant l’expérience et de résultat après l’expérience.

29
 2. On lance une pièce de monnaie (On ne peut pas prévoir si la pièce va tomber sur
pile ou sur face) ;
3. On lance un dé ordinaire (On ne peut prévoir pas si le dé va se stabiliser sur la face
1, 2, 3, 4, 5 ou 6) ;
4. Tirage d'une carte dans un jeu de 32 cartes…

Dans chacune de ces expériences on ne peut pas prévoir, à priori, avec certitude un résultat
unique. Plusieurs résultats sont possibles : autrement dit, à chaque expérience on peut associer
un ensemble de résultats possibles noté Ω.

1-2- Ensemble fondamental (univers des possibles)

C’est l’ensemble (ou espace) noté Ω des résultats (issues) possibles associés à une
expérience aléatoire. Chaque résultat possible est une éventualité noté ω. On a
  {1 , 2 ,..., n } est un ensemble fondamental (espace fondamental) à n éventualités.

Exemples :

1. Dans l’expérience aléatoire 1 :   { verte, noire,...} ;

2. Dans l’expérience 2 :   { P, F } et card ()  2 ;
3. Dans l’expérience 3 :  {1, 2,3, 4,5,6} le dé peut montrer six résultats possibles et
card ()  6 ;
4. Dans l’expérience 4 :   { roi, as ,...} l’expérience peut monter 32 résultats possibles
et card ()  32 .

1-3- Evénements

Un évènement A une est propriété qui est vérifiée ou non par l’issue de l’expérience
aléatoire. Autrement dit, est un sous-ensemble, ou partie, de l’ensemble fondamental Ω, il peut
comprendre une ou plusieurs éventualités. Si l’événement ne contient qu’une seule issue, on
parle d’événement élémentaire.

30
 Soit   {1 , 2 ,..., n } et A  {1 , 2 } est une partie de Ω, l’événement A se réalise si

l’une des issues 1 ou 2 se produit, ou encore l’une quelconque des résultats {1 , 2 } réalise

l’évènement A.

Exemples : Sur l’expérience 3, on peut définir plusieurs évènements. Par exemple : soit A
l’évènement « le numéro obtenu est pair », on a donc A  {2, 4,6} . Soit B l’évènement « le
numéro obtenu est inférieur à 5 », on a donc B  {1, 2,3, 4,5} . On dira, alors, que : A s’est
réalisé   {2, 4, 6} . B s’est réalisé   {1, 2,3, 4,5} . La sortie du numéro 5 réalise B
mais la sortie du 2 et du 4 réalise simultanément A et B.

1. L’événement « obtenir 5 » est un événement simple (élémentaire) ;

2. L’événement « obtenir un numéro pair » (2, 4 et 6) est un événement composite ;
3. L’évènement « obtenir le numéro 7 » est un évènement qui ne peut pas se réaliser. C’est
un événement impossible ;
4. L’événement « obtenir un numéro < 7 » se réalise toujours. C’est un événement certain

Remarque : Deux évènements jouent un rôle particulier :

 L’évènement impossible ∅ l’évènement qui ne se réalise jamais.

 L’évènement certain Ω l’évènement qui se réalise toujours :  {1, 2,3, 4,5, 6}

Tableau de la terminologie probabiliste

Terminologie probabiliste Notation ensembliste Exemple avec le jet d’un dé

Univers des possibles Ω  {1, 2,3, 4,5, 6}
Résultat de l’épreuve ω Le numéro obtenu est 2
Evènement A A A : « obtenir le nombre impair »
A  1, 3, 5
Evènement certain (qui a lieu Ω Obtenir un nombre parmi
pour réalisation de l’expérience) {1, 2,3, 4,5, 6}
Evènement impossible (qui n’a ∅ Obtenir le nombre 0
lieu pour aucune réalisation de
l’expérience)
Evènement contraire de A (la non
réalisation de A ou
A  {  /   A} A : obtenir le nombre pair. A : obtenir
le nombre impair
complémentaire de A)
C « est l’évènement A ou B » C= A ∪ B A : « obtenir 1, 3, 5 » ; B : « obtenir
1,2, 4, 6 » :
C 1, 2, 3, 4, 5, 6

31
 E est l’évènement A et B
A et B sont incompatibles
(disjoints ou exclusifs)
A implique B
A et B sont identiques
E= A ∩ B A : « obtenir 1, 3, 5» ; B : « obtenir 1,
2, 4,6 » : E  1
A ∩ B=∅ Signifie que les deux évènements ne
peuvent pas se réaliser simultanément
A  B  {  /   A    B} Si l’évènement A se réalise alors cela
implique que B s’est réalisé aussi
A B A  1, 3, 5 et B  1, 3, 5

1-4- Famille d’évènements probabilisable (tribu de sous-ensemble)

Définition : Une famille d’évènements de Ω notée A est une famille d’évènements

probabilisable si A est stable par rapport aux opérations de complémentation et de réunion

c’est-à-dire :

A est probabilisable si :

  A

  A  A  A A ;
n
 Si A1  A, A2  A, …, Ai  A, alors Ai  A,
i 1

Exemple : A partir d’un évènement quelconque A, on peut constituer la famille probabilisable

suivante : A  {, A, A, } .

1-5- Espace probabilisable

La donnée d’un ensemble fondamental Ω et d’une famille A probabilisable constitue un

espace probabilisable noté [Ω, A].

Remarque : En particulier [Ω, P(Ω)] est un espace probabilisable. On désigne par P(Ω)
l’ensemble des parties de Ω.

32
 1-6- Cas d’épreuves aléatoires répétées : nombre de résultats possibles

Toutes les expériences aléatoires susmentionnées peuvent être répétées deux ou plusieurs
fois. Si on tire au hasard p boules dans une urne qui contient n boules numérotées. Dans ce cas,
on aura :

Prise en compte de l’ordre

Non Oui
Sans remise card   Cnp card   Anp
Avec remise card   K np  Cnp1 p card   n p

Lorsqu’une expérience est répétée n fois de manière identique l’ensemble fondamental

est alors l’espace produit n et card   (card ) .

n n

2- Axiomes de base du calcul des probabilités

Historiquement, les probabilités ont fait successivement l’objet de trois approches

conceptuelles différentes : l’approche classique, l’approche fréquentiste et l’approche
subjectiviste.

Dans l’approche classique (a priori) de la probabilité, nous s’attachons à déterminer

parmi tous les résultats possibles, le nombre a de ces résultats qui soient favorables à la
réalisation de l’évènement A souhaité. Et, si on désigne par b le nombre de résultats possibles
qui ne soient pas favorables, nous dirons que la probabilité de réalisation de l’évènement A est
le nombre :

a Nombre de cas favorables card A

P( A)   
a  b Nombre de cas possibles card 

La probabilité d’un évènement A, notée P( A) , est la somme des probabilités des

évènements élémentaires inclus dans A. Si on prend l’exemple du lancer un dé équilibré, si
A  {2, 4,5} , alors P( A)  P(2)  P(4)  P(5) .

La probabilité de l’évènement certain = P()  1 et la probabilité de l’évènement

impossible = P()  0 .

33
 Dire que les évènements élémentaires sont équiprobables signifie que
P(wi )  p( w j ) (i  j ) .

L’équiprobabilité est une hypothèse. Elle est sous entendue dans le texte par des
expressions comme lancer d’un dé équilibré (parfait), lancer d’une pièce de monnaie équilibrée,
ou encore par « on choisit au hasard un objet parmi les n présents », ce qui signifie qu’au
moment du choix, aucun objet n’est favorisé.

Mais attention, dans ce cas, pour obtenir l’équiprobabilité, il faut prendre pour univers
l’ensemble des n objets. Car si on change d’univers, même avec un choix au hasard,
l’équiprobabilité, en général, est perdue.

Exemple : une urne contient deux boules rouges et une seule boule verte. On tire au hasard une
boule et on note sa couleur. En prenant pour univers  R1 , R2 , V1 , chaque évènement

1
élémentaire a pour probabilité . Mais si l’on prend pour univers  R, V  , avec un choix de
3
2 1
boule au hasard, les évènements élémentaires ne sont plus équiprobables, P( R)  , P(V ) 
3 3

Mais ceci ne peut être valable qu’à la condition que tous les résultats considérés comme
possibles (tant ceux dénombrés par a que ceux dénombrés par b) soient rigoureusement
équiprobables.

On voit qu’une telle approche, lorsqu’elle est applicable, ne nécessite pas forcement la
réalisation effective d’une expérience et c’est pourquoi on la désigne parfois sous le nom
« d’approche a priori ».

Exemple 1. Dans un paquet de cartes convenablement battues qui contient 4 as et 48 autres

cartes, la possibilité d’obtenir au hasard une carte qui soit un as, en un simple tirage, est :

crad A 4 4 1
P ( A)   
card  4  48 52 13

Exemple 2- dans une urne contenant 10 boules noire, 15 boules bleues et 5 boules vertes,
on choisit de façon aléatoire une boule.
34
Solution : Le tirage de la boule est une expérience aléatoire car le résultat est imprévisible. Le
nombre de boules pouvant être choisies est 30 car l’urne contient au total 30 boules. Le nombre
de boules vertes favorables à l’évènement « boules vertes » est 5 car l’urne contient 5 boules
5
vertes. La probabilité de tirer une boule verte est P(V )   0,16
30

Exemple 3 : Un étudiant doit subir un examen dont le programme comporte 10 sujets, il

n’en a appris que 5. Sachant que l’examinateur lui posera trois questions. Calculer:

1. La probabilité pour que ces questions soient toutes les trois parmi les sujets qu’il a
appris ;
2. Combien il aurait dû au minimum apprendre de sujets pour que cette probabilité
soit au moins égale à 0,5.

Solution :

C53 1
1. p 3 
C10 12

Cx3
2. Il faut calculer x tel que soit supérieur à 1/2. Ce nombre est 7/15 si x=8, et 7/10 si
C103
x=9 : le candidat aurait dû apprendre 9 sujets au moins.

Exemple 4: on lance en une seule fois 12 dés équilibrés dont les faces de chacun d’entre
eux sont numérotées de 1 à 6. Quelle est la probabilité de l’événement Z « obtenir
chaque face deux fois » ?

12!
12!
Solution : p( Z )  2!2!2!2!2!2!
12
 6 12  3, 44.10 3
6 26

35
Dans cette approche de calcul des probabilités on ne voit aucune raison de privilégier un
résultat plutôt qu’un autre : on dit que tous les résultats sont équiprobables.

Dans l’approche fréquentiste de la probabilité, on se base sur les données fournies par
un certain nombre d’observations ou d’expériences antérieures. Il n’est pas alors nécessaire de
postuler une quelconque égalité de base entre des résultats à venir. Comme cette approche est
fondée sur des données acquises par l’observation ou l’expérience, on la désigne parfois sous
le nom « d’approche empirique ».

On attribue comme probabilité à un événement sa fréquence expérimentale.

Exemple 1. Si des statistiques nous apprennent que, dans la section B, 40 étudiants sur
400 qui ont obtenu une note supérieure ou égale à 10 en mathématiques I. Il est raisonnable
d’estimer qu’un étudiant a une probabilité de (40/400) pour valider telle matière.

Exemple 2. Avant d’ajouter certain types de soins dentaires à la liste des bénéficiaires
qu’elle couvre, par un groupe d’employés adultes, une compagnie d’assurances désire
analyser les probabilités qui concernent ce genre de traitements. Or, d’après des enquêtes
effectuées par des statisticiens, on a pu remarquer que sur une population de 2000 adultes,
uniquement 200 adultes nécessitent ce type de soins dentaires. Dans ces conditions, on peut
supposer que la probabilité de réalisation de l’évènement en question est :

200
P( A)   0,1ou 10%
2000

Aussi bien que l’approche classique que l’approche fréquentiste de la probabilité

conduisent à des valeurs que l’on peut qualifier d’objectives, en ce sens qu’elles correspondent
à un taux de réalisation de l’évènement qui serait toujours vérifiable à long terme, c’est-à-dire
sur un très grand nombre d’épreuves. D’un point de vue opposé, l’approche subjectiviste de la
probabilité est spécialement appropriée pour les évènements auxquels il n’est pas donné qu’une
seule fois de réaliser ou de ne pas réaliser. Dans tels cas, on désignera sous le nom de probabilité
subjective le degré de conviction attribué par un individu à l’égard de la réalisation de
l’évènement, compte tenu des évidences qu’il a pu constater.

36
 D’une manière synthétique, l’approche subjective, c’est une sorte de mesure de la
conviction ou de la croyance qu’une personne éprouve à l’égard de la réalisation d’un
événement. = jugements personnels sur les évènements à venir.

Exemple. Si le jour de l’examen, on demande à un groupe d’étudiants la probabilité pour

qu’ils valident le module du calcul des probabilités. Nous aurons très probablement deux
réponses différentes. Les probabilités qu’on va recevoir comme réponses sont des
jugements personnelles. Parmi ces étudiants certains sont optimistes (qui escomptent
valider le module) et d’autres pessimistes (ceux qui espèrent ne pas valider le module).
Ces probabilités (les deux groupes d’étudiants) vont changer si on choisit un autre groupe
d’étudiants. C’est pour cette raison que cette approche de calcul des probabilités a été
qualifiée de subjective.

2-1- Définition

Soit Ω un ensemble fini non vide. On appelle probabilité sur le couple (Ω, P(Ω)) dit
espace probabilisable, toute application :

P : P(Ω)  

Vérifiant les deux conditions suivantes :

 La probabilité de Ω est égal à 1, c’est-à-dire P()  1 (axiome de certitude) ;

 Pour tout couple (A, B) d’évènements incompatibles (disjoints= exclusifs), on a
P( A  B)  P( A)  P( B) (axiome d’additivité).

L’espace (Ω, P(Ω), p) est appelé espace probabilisé.

2-2- Propriétés

1. La fonction P est croissante : A, B  P(Ω) avec A  B  P( A)  P( B) ;

2. A P(Ω) : 0  P( A)  1 ;

3. A P(Ω) : P( A)  1  P( A)  p( A)  p( A)  1 ;

4. P()  0 (car on a    et donc P() 1  P()  0 ;

37
 5. A, B  P(Ω) : P( A  B)  P( A)  P( B)  P( A  B) ;

6. Plusieurs événements aléatoires associés à une même expérience aléatoire sont dits
mutuellement exclusifs ou mutuellement incompatibles s’ils sont exclusifs deux à deux.

Pour toute famille finie ( Ai )1i n d’évènements deux à deux incompatibles

 n  n
P  Ai    P ( Ai ) ; (  i  j  Ai  Aj )   )
 i 1  i 1
7. Formule de Poincaré (ou du crible). Si les événements aléatoires ne sont pas

mutuellement exclusifs alors : Pour toute famille quelconque d’évènements ( Ai )1i n on

 n  n
P  Ai    P ( Ai )  ...  (1) k 1  P( Ai1 Ai2  ...  Aik )  ...
a :  i 1  i 1 1 i1  i2 ... ik  n . A titre
 (1) n 1 P( A1  A2 ...  An )
d’exemple Si trois événements aléatoires A, B, et C ne sont pas mutuellement exclusifs
p  Aou B ou C   p  A  p  B   p  C  – p  A et B  – p  A et C  – p  B et C 
alors :
 p  A et B et C 

Calculer la probabilité suivante :

p  Aou B ou C ou D  =?

2-3- Tirages probabilistes d’échantillons

Il existe quatre types de tirages probabilistes :

 Tirage successif avec ordre et avec remise : on dit que le tirage de l’échantillon est ordonné
et avec remise (tirage bernoullien ou non exhaustif) lorsque les n éléments de l’ensemble
étudié sont tirés un à un et remis dans la population avant le tirage de l’élément suivant.
Ce tirage est appelé soit arrangement avec répétition et le nombre de ces tirage est noté n p ,
n!
soit permutation avec répétition et le nombre de tirages est Pn  .
n1 ! n2 ! ...  nk !
 Tirage successif avec ordre et sans remise (exhaustif) : on dit que le tirage est ordonné et
sans remise lorsque les individus sont tirés un à un, mais ne sont pas remis dans la
population avant le tirage de l’individu suivant. Ce tirage est appelé arrangement sans

38
 répétition et le nombre de ces tirages est noté : Anp 
n!
. Lorsque n  p ce tirage est
(n  p)!

appelé une permutation sans répétition et le nombre de tirage est noté Pn  n!

 Tirage simultané (sans ordre) et avec remise : Un tirage sans ordre et sans remise de p
éléments parmi n est appelé combinaison avec répétition de n éléments pris p à p. Le
(n  1  p )!
nombre de ces tirages est noté K np  Cnp1 p  .
(n  1)! p !
 Tirage simultané (sans ordre) et sans remise : Un tirage sans ordre et sans remise de p
éléments parmi n est appelé combinaison sans répétition de n éléments pris p à p. Le nombre
n!
. Lorsque p  n  Cn  0 .
p
de ces tirages est noté de Cnp 
p !(n  p )!

Exemple 1 : Une urne contient une boule bleue, une boule blanche, une boule rouge et
deux boules vertes. Quelles est la probabilité d’obtenir en tirant successivement trois
boules de l’urne :

1. Les boules bleue, blanche et rouge dans cet ordre ?

2. Les boules bleue, blanche et rouge dans un ordre quelconque ?

Solution :

crad A 1
1. p ( A)   .
card  60
cradB 6
2. p( B)   0, 6 . ( cardB  A33  6  3! )
card  60

Exemple 2 : Dans u sac on a placé trois pièces de 1 DH et quatre pièces de 2 DHs. Une
personne extrait de ce sac trois pièces simultanément. En admettant que chaque sous-
ensemble de trois pièces à même probabilité d’être extrait, calculer les probabilités des
évènements suivants :

1. Les trois pièces sont des pièces de 2 DHs.

2. Il y a au moins une pièce de 2 DHs parmi les trois pièces extraites.

Solution :

39
 card A C43 4
1. p ( A)   3  .
card  C7 35

card B C41  C32  C42  C31  C43 34

2. p( B)    . (on peut utiliser également la
card  C73 35
méthode de l’événement contraire

2-4- Notion d’indépendance

2-4-1- Probabilité conditionnelle

Traitons un exemple. Dans une faculté, 45% des étudiants sont des filles, 55% des
garçons. Parmi les filles, 30% sont des filles sont boursières et 70%, ne sont pas boursières.
Parmi les garçons, 60% sont boursiers et 40%, ne sont pas boursiers. On tire au hasard une fiche
dans le fichier de tous les étudiants de la faculté, et on note le résultat obtenu, qui peut être
« fille boursière », « fille non boursière », « garçon boursier » et « garçon non boursier ».

On peut représenter cette situation par le graphique ci-après, appelé arabe pondéré.
Remarquez bien que la somme des probabilités inscrites sur les branches issues d’un même
nœud est égale à 1. Cette loi est connue sous le nom de loi des nœuds.

40
 Arbre pondéré

Le chemin


0,45
 F 
0,7
 NB représente l’évènement « la fiche tirée est celle d’une fille non
boursière », qui est l’évènement « F et NB », c’est-à-dire F  NB .

Si P est la population totale des étudiants, le nombre de filles est 0, 45  P , et puisque parmi
elles, 70% ne sont pas boursières, le nombre de filles qui ne sont pas boursières est 0, 45  P  0,7

. La probabilité de l’évènement F  NB est donc 0, 45  0, 7 . Notons que cette probabilité est le

produit des nombres inscrits sur chaque branche du chemin.

Le nombre inscrit sur la branche G  B est la probabilité d’obtenir la fiche d’un
0,4

étudiant garçon boursier. On dit aussi que c’est la probabilité d’obtenir la fiche d’un boursier

sachant que la fiche tirée est celle d’un garçon. On la note p( B / G) ou pG ( B) ce qui lit

« probabilité de B sachant G ».

Définition : A et B deux évènements d’une même expérience aléatoire et p( A)  0 . La

probabilité que l’évènement B se réalise sachant que l’évènement A est réalisé est le nombre
p( A  B)
noté p( B / A)  p A ( B) et défini par p( B / A)  . Avec la même logique on peut écrire :
p ( A)
p( A  B)
p( A / B)  avec p ( B )  0 .
p( B)

Cette définition conduit à la formule de probabilité composée :

p( AetB)  p( A  B)  p( A / B) p( B)  p( B / A) p( A)

41
 On peut généraliser cette formule à plusieurs événements. Ainsi pour trois événements
A, B, et C on a : p( Aet B et C )  p( A)  p( B / A)  p(C / Aet B) .

Exemple 1 : On considère deux machines M 1 et M 2 dans une usine. La probabilité, notée

p ( M 1 ) , que M 1 tombe en panne est 0,004 ; celle, notée p(M 2 ) , que M 2 tombe en panne

est 0,006. De plus, lorsque M 1 et en panne, la probabilité que M 2 tombe en panne est

0,5.Quelle est la probabilité de l’évènement « M 1 et M 2 » sont en panne en même temps ?

Solution : Cet évènement est l’intersection des évènements M 1 en panne et M 2 en panne.

On a déjà p ( M 1 ) , p( M 2 ) et pM1 ( M 2 ) qui est 0,5. D’où

p( M1  M 2 )  pM1 ( M 2 )  p(M1 )  0,5  0,004  0,002 .

Exemple 2 : Dans une urne contenant 20 boules blanches, 15 boules noires, 15 boules
rouges et 10 boules vertes on choisit de façon aléatoire deux boules successives. Quelle est
la probabilité que les deux boules tirées soient blanches ?

Solution : p( Aet B )  p (B / A)  p ( A)  0,1056

Exemple 3 : Une urne contient cinq boules rouges et une boule noire. Déterminer la
probabilité qu’il faille retirer successivement trois boules, sans remise dans l’urne, pour
extraire la boule noire.
1
Solution : p( Aet B et C )  p( A)  p( B / A)  p(C / Aet B) 
6
2-4-2- indépendance de deux évènements

Définition : Dire que les deux évènements A et B sont indépendants signifie que la réalisation
( ou non) de l’un n’influence pas la réalisation ( ou non) de l’autre. p( A / B)  p( A) ou encore
p( B / A)  p( B) . Cette définition nous permet d’écrire :
p( A  B)  p( A / B) p( B)  p( A)  p( B) .

Plusieurs événements A1 , A2 ,..., An sont donc indépendants si

p( A1  A2 ...  An )  p( A1 )  p( A2 )  ...  p( An ) .
42
Remarques :

1. L'indépendance de plusieurs événements deux à deux n'entraîne pas nécessairement

l'indépendance de l'ensemble des événements ;
2. Si P( A)  0 , les événements A et B sont indépendants si, et seulement si,
P( B / A)  P( B) ;
3. Deux événements A et B peuvent être indépendants pour une probabilité P et être
dépendants pour une autre probabilité Q sur (Ω, P (Ω)) ;
4. Deux événements incompatibles de probabilités non nulles : P( A)  P( B)  0 sont
toujours dépendants pour P.

L’indépendance entre certains évènements est une hypothèse du modèle (qui résulte
souvent de l’analyse du dispositif expérimental) et devrait être annoncée comme telle. Mais
l’usage veut que cette hypothèse soit implicite dans certains situations de référence (en
conformité avec l’intuition et avec les résultats de tests statistiques).

C’est le cas :

 D’un lancer de plusieurs pièces ou dès (l’issue d’un lancer d’une pièce n’est pas
influencée par les issues des autres) ;
 De tirages sans conditionnement dans des urnes différentes ;
 De lancers successifs d’une même pièce ;
 De tirages avec remise dans une seule urne.

Exemple 1 : On lance deux dés parfaitement homogènes numérotés de 1 à 6. Soient :

1. L’événement A « résultat du premier dé est impair » ;

2. L’événement B « résultat du deuxième dé est impair » ;
3. L’événement C « la somme des deux résultats est impair.

Discuter l’indépendance des événements Aet B, A et C l’événement Aet B et C

Solution :
card A 3 1 card B 3 1 card C 18 3 1
p ( A)    , p( B)    et p (C )    
card  6 2 card  6 2 card  36 6 2

43
 L’événement A : le nombre de résultats impair est égal à 3 ( 1, 3 et 5)
L’événement B : le nombre de résultats impair est égal à 3 ( 1, 3 et 5)
Pour l’événement C, on va tracer un tableau afin de faciliter le comptage de la somme des
deux résultats est impair.
Dé 1 1 2 3 4 5 6
Dé 2
1 2 3 5 7
2 3 5 7
3 5 7 9
4 5 7 9
5 7 9 11
6 7 9 11
D’après le tableau le nombre de cas où la somme des deux résultats est impaire est égal à
18.
1 1
1. Indépendance de A et B : p( A  B)  p( B / A)  p( A)    p( A)  p( B) , d’où A
2 2
et B sont donc indépendants.
1 1
2. Indépendance de A et C : p( Aet C )  p(C / A)  p( A)    p( A)  p(C ) , d’où A
2 2
et C sont donc indépendants.
3. Indépendance de A, B et C : p( Aet B et C )  0 car la somme de deux résultats
impaires ne peut pas être impaire. Ce qui implique que
p( Aet B et C )  p( A)  p( B)  p(C ) .

Exemple 2 : Soit A et B deux évènements indépendants pour une probabilité P.

1. Vérifier que les événements Aet B , puis Aet B , enfin Aet B sont indépendants.
2. Donner un exemple où A et B sont indépendants pour une probabilité p et le
sont pas pour une probabilité Q.

Solution :

1. On a : p( A  B)  p( A)  p( B / A)  p( A)[1  p( B / A)]  p( A)[1  p( B)]

 p( A)  p( B).

Les autres assertions se démontrent de façon analogue.

44
 2. Dans un ensemble   {a, b} de cardinal 2, prenons A  {a}, B  {b} . Les deux
1
applications P et Q telles que : Q( A)  Q( B)  et p( A)  1, P( B)  0 permettent
2
de définir deux probabilités sur (Ω, P (Ω)). On vérifie immédiatement que les deux
événements A et B sont indépendants pour P et ne le sont pas pour Q.

2-4-3- Formule des probabilités totales

Si l’univers Ω d’une expérience aléatoire est la réunion d’évènements H1 , H 2 ,..., H n deux

à deux incompatibles, alors pour tout évènement A on peut écrire la formule suivante :
n
p ( A)  p( A  H1 )  p( A  H 2 )  ...  p( A  H n )   p( A  H i )
i 1

Comme pour i allant de 1 à n, on peut écrire p( A  H i )  p( A / H i )  p( H i ) ;

n
Alors p ( A)   p ( A / H i )  p ( H i ) (théorème de distributivité)
i 1

Exemple 1 : Soient 3 urnes U1 , U 2 etU 3 qui sont telles que U1 contient 2 boules blanches et

1 noire, U 2 contient 3 boules blanches et 1 noire et U 3 contient 2 boules blanches et 2

noires.

On lance un dé et on note par X le numéro de la face obtenue. Si X  3 on effectue

le tirage dans U1 . Si X est égal à 4 ou 5 le tirage est fait dans l’urne U 2 . Le tirage est fait
dans U 3 si X  6 . Soient les évènements suivants :

a. U1 : tirer une boule de l’urne U1 ;

b. U 2 : tirer une boule de l’urne U 2 ;

c. U 3 : tirer une boule de l’urne U 3 .

Et soient B l’évènement « tirer une boule blanche » et N l’évènement « tirer une

boule noire. Donnons la probabilité de tirer une boule blanche.

Solution : Les probabilités de tirer une boule des différentes urnes sont données par :
45
 3 2 1
p(U1 )  p(U 2 )  p(U 3 ) 
6 6 6

La figure ci-après présente les différentes éventualités.

Et donc la probabilité de tirer une boule blanche est donnée par :

p ( B )  p ( B  U1 )  p ( B  U 2 )  p ( B  U 3 )
 p( B / U1 )  p (U1 )  p( B / U 2 )  p (U 2 )  p ( B / U 3 )  p (U 3 )
2 3 3 1 2 1 2
      
3 6 4 3 4 6 3

Exemple 2 : Deux bourses U et V contiennent des pièces d’or et des pièces d’argent. La
composition de ces bourses est la suivante :
deux pièces d ' or quatre pièces d ' or
bourse U  bourse V 
trois pièces d ’argent une pièce d ’argent
On tire de l’une des bourses, choisie au hasard, une pièce, et on la remet dans cette
bourse. Et si la pièce tirée est en or, on commence le tirage dans la même bourse. Si la
pièce tirée est en argent, on commence le tirage dans l’autre bourse.

On applique cette règle à chaque tirage à partir du deuxième tirage. Déterminer les
probabilités pour que :

1. Les trois premiers tirages soient faits dans la bourse U ;

2. Le deuxième tirage se fasse dans la bourse U ;
3. Au deuxième tirage on tire une pièce d’argent ;

46
 4. Le premier tirage ait été fait dans U, sachant que l’on a tiré une pièce d’or
au deuxième tirage.

Solution : Notons U i (respectivement Vi ) l’évènement : « le i ème tirage est effectué dans

la bourse U (respectivement V) ». Ai (Respectivement Oi ) l’événement : « au i ème tirage on

extrait une pièce d’argent (respectivement d’or) ».

1. p1  p(U1 U 2 U3 )  p(U1 )  p(U 2 / U1 )  p(U 3 / U1 U 2 )  1  2  2  2

2 5 5 25
2. p2  p(U 2 )  p(U1 )  p(U 2 / U1 )  p(V1 ) p(U 2 / V1 ) . On a utilisé la formule des
1 2 1 1 3
probabilités totales ; U1 V1   . On obtient alors p2     
2 5 2 5 10
3. p3  P( A2 ) ; utilisons encore la formule des probabilités totales vu que
U 2 V2   alors : p( A2 )  p(U 2 )  p( A2 / U 2 )  p(V2 )  p( A2 / V2 )
3 3 7 1 8
    
10 5 10 5 25

1 2 2 3 4
  
p (U1 )  pU1 (O2 ) 2  5 5 5 5  8
4. pO2 (U1 )    .
p (O2 ) 8 17
1
25

2-4-4- Théorème de Bayes

Soit (Ω, P (Ω), p) un espace probabilisé et ( H i )1i  n un système complet d’événements tels

que (i  j ), H i  H j   et i, P( Ai )  0 . Alors pour tout événement A de probabilité non

nulle et pour tout i, on peut écrire : p( A  Hi )  p( Hi / A)  p( A)  p( A / Hi )  p( Hi ) , d’où on

p( A / H i )  p( H i )
tire : p ( H i / A) 
p ( A)

Par définition des probabilités totales on peut remplacer p( A) par sa

n
formule p ( A)   p ( A / H i )  p ( H i ) , on obtient finalement :
i 1

47
 p( H i )  p( A / H i )
p( H i / A)  n

 p( H )  p( A / H )
i 1
i i

Exemple 1 : On suppose que l’on a dans un magasin des machines provenant de deux
usines différentes A et B : 70% viennent de A et 30%viennent de B. parmi celles qui
viennent de A, 20% présentent un défaut. Parmi celles qui viennent de B, 10% présentent
un défaut.

1. Déterminer le pourcentage des machines dans le magasin présentant un défaut.

2. Une machine donnée présente un défaut. Quelle est la probabilité qu’elle
provienne de l’usine B ?

Solution :

1. La probabilité qu’une machine présente un défaut est

p( D)  0,7  0, 2  0,3  0,1  0,17 . Le pourcentage demandé est 17%.
2. Utilisons la formule de Bayes ; la probabilité cherchée est
0,3  0,1 3
p( B / D)   .
0, 7  0, 2  0,3  0,1 17

Exemple 2 : Une urne U1 contient une boule noire et deux blanches. Une urne U 2 contient

deux boules noires, deux blanches et une rouge. On choisit au hasard l’une des deux urnes,
puis on tire au hasard une boule de cette urne. On note N l’événement « la boule tirée est
noire ».

1. Calculez p(N) ;

2. On a tiré une boule noire. Quelle est la probabilité qu’elle provienne de U1 ?

Solution : A noter que tous les choix sont équiprobables (faits au hasard). Le choix d’une
boule passe d’abord par le choix d’une urne. On peut construire l’arbre pondéré associée à cette
expérience.

48
 1 1
1. p(U1 )  p(U 2 )  et p( N / U1 )  (il y a dans U1 trois boules dont une noire).
2 3
2 1 1 1 2 11
Et p( N / U 2 )  . Donc p( N )      .
5 2 3 2 5 30
2. Une boule noire a été tirée. Donc la question posée peut se traduire ainsi : sachant

que N est réalisé, quelle est la probabilité de l’événement U1 « U1 a été choisie » ?

p(U1  N )
Or cette probabilité est pN (U1 ) . Par définition, pN (U1 )  . On a
p( N )

1 1 1 11
p(U1  N )    et p( N )  , donc :
2 3 6 30

1 1

p( N / U1 )  p(U1 ) p( N / U1 )  p(U1 ) 5
p(U1 / N )   2 3 .
p( N ) p( N / U1 )  p(U1 )  p( N / U 2 )  p(U 2 ) 11 11
30

Exemple 3 : dans un pays X, la population se réparti en 80% de campagnards et 20% de

citadins. Les pourcentages de scolarisation, de passage du primaire au secondaire, du
secondaire au supérieur et d’obtention d’un diplôme supérieur pour les étudiants de
l’enseignement supérieur sont respectivement pour les campagnards et les citadins
comme suit : 10%, 65%, 20%, 70%, 50%, 60%, 95% et 40%.Déterminer :

1. La probabilité qu’un enfant en âge de scolarisation, pris au hasard dans le pays X,

obtient un diplôme de l’enseignement supérieur.
2. La probabilité qu’un diplômé de l’enseignement supérieur soit un campagnard.
Déduire celle qu’un diplômé de l’enseignement supérieur soit citadin.

Solution : désignons par R, C et S les événements suivants :

R : « être campagnard », C « être citadin » ; et S « obtenir un diplôme de l’enseignement

supérieur ».

On a p( R)  0,80 p(C )  0, 20

p( S / R)  0,1 0, 2  0,5  0,95  0, 0095 et p( S / C )  0, 65  0, 7  0, 6  0, 4  0,1092

49
 p ( S )  p ( S / R )  p ( R )  p ( S / C )  p (C )
1.
0, 0095  0,8  0,1092  0, 2 0, 092
p( S / R)  p( R) 0, 0095  0,8
2. p( R / S )   0, 258
p( S ) 0, 029

p(C / S )  p(C / S )  1  p( R / S )  1  0, 258  0, 742

Exemple 4 : Deux ateliers A et B fabriquent des puces électroniques. Pour une commande
de 2000 pièces, A en a produit 1200 et B en a produit 800.
L’atelier A produit 4% de puces défectueuses et B en produit 3%. On prend une
puce au hasard dans la commande.
On appelle A l’événement « la puce provient de l’atelier A », B l’événement « elle
provient de l’atelier B » et D l’événement « elle est défectueuse ».

1. Calculer p( D), p( A  D) et p( A / D) .

2. p( D), p( D  B) et p( B / D) .

Solution : pour faciliter les choses on peut construire le tableau suivant :

Nombre de pièces Nombre de pièces non Total

défectueuses défectueuses
Nombre de pièces 0, 04 1200  48 1152 1200
produit par A
Nombre de pièces 0, 03  800  24 776 800
produit par B
Total 72 1928 2000

72
1. p( D)  p( D / A)  p( A)  p( D / B)  p( B)  0, 04  0, 6  0, 03  0, 4  0, 036  .
2000

2. p( A  D) : le chemin  A  D représente l’événement «

0,6 0,4
A  D », d’où
p( A  D)  0, 6  0, 04  0, 024 .
p( D / A)  p( D) 48 0, 24
3. p( A / D)     0, 66 .
p( D) 72 0,36

4. p( D) : pour calculer cette probabilité il y a deux méthodes ; soit celle du complémentaire

ou celle appliquée à la première question.

50
 Première méthode : p( D)  1  p( D)  1  0,036  0,964 .

Deuxième méthode : p( D)  p( D / A)  p( A)  p( D / B)  p( B)

 0,96  0, 6  0,97  0, 4  0,964

5. p( D  B) : le chemin 
0,4
 B  
0,97
 D représente l’événement « B  D », d’où

p( D  B)  0,97  0, 4  0,388 .
p( D / B)  p( B) 0,388 776
6. p( B / D)    0, 402 
p( D) 0,964 1928

51
 Exercices corrigés _Chapitre 2- Calcul des probabilités

Exercice 1 : Une urne contient 9 boules numérotées de 1 à 9. On tire 2 boules.

Déterminer la probabilité d’obtenir 2 boules portant des numéros de même parité dans
les cas suivants :

1. On tire les deux boules simultanément.

2. On tire les deux boules successivement sans remise.
3. On tire les deux boules successivement avec remise.

Solution :

4
1. p( A) 
9
4
2. p( B) 
9
41
p(C ) 
3. 81

Exercice 2 : Pour se rendre à la faculté, un étudiant a le choix entre 4 itinéraires A, B,

1
C et D. La probabilité pour choisir A (respectivement B et C) est respectivement
3
1 1
( , ). La probabilité d’arriver en retard en empruntant A (respectivement B, C) est
4 12
1 1 1
respectivement ( , ). En empruntant D, il n’est jamais en retard.
20 10 5

1. Quelle est la probabilité que l’étudiant choisisse l’itinéraire D ?

2. L’étudiant arrive en retard. Quelle est la probabilité qu’il a emprunté
l’itinéraire C ?

Solution :

1
1. p( D)  1  ( P( A)  p( B)  p(C ))  .
3
1 1 1
2. On a p( R / A)  , p( R / B)  , p( R / C )  et p( R / D)  0 . On cherche p(C / R) :
20 20 5

52
 p ( R / C )  p (C )
p (C / R) 
p ( R / A)  p ( A)  p ( R / B)  p ( B)  p ( R / C )  p (C )  p ( R / D)  p( D)
1 1

12 5 2
(Formule de Bayes). D’où p(C / R)  
1 1 1 1 1 1
     0 7
3 20 4 10 12 5

1 1 1
Exercice 3 : On a p( A)  , p( B)  , p( A  B)  . Calculer p( B / A) et p( A / B) .
2 3 10

1 1
p( A  B) 10 1 p( A  B ) 10 2
Solution : p( B / A)    , p( A / B)   
p( A) 1 5 p( B) 1 5
2 4

Exercice 4 : Une urne contient 5 boules vertes et 10 boules rouges. On tire au hasard
deux fois une boule de l’urne en remettant la boule après tirage.

1. Quelles est la probabilité d’obtenir une boule verte et une boule rouge dans cet
ordre ?
2. Quelles est la probabilité d’obtenir une boule verte et une boule rouge dans un
ordre quelconque ?
3. Si les tirages se font sans remise, quelle est la probabilité d’obtenir une boule
verte et une boule rouge dans cet ordre ? dans un ordre quelconque ?
4. On tire simultanément 5 boules de l’urne. Quelle est la probabilité d’obtenir 2
boules vertes et trois boules rouges ?

Solution :

51 101 2
1. p ( A)  
152 9
51 101 51 101 51 101 4
2. p( B)  p( A)  p (C )    2 
152 152 152 9
crad C A51  A10
1
50 5
3. a) p(C )    
card  2
A15 210 21

2  A51  A101 10
b) p(C )   .
A152 21

53
 C52  C103 400
4. p( D)  5
 .
C15 1001

Exercice 5 : on tire une carte au hasard d’un jeu classique de 32 cartes. Quelle est la
probabilité que cette carte soit un roi ou un trèfle ?

Solution : Soit l’événement A « tirer un roi », B : « tirer un trèfle » et C : « tirer un roi ou

trèfle ». La probabilité demandée est donnée par p( Aou B)  p( A  B) .

4 7 11
p( A  B)  p( A)  p( B))   
32 32 32

Exercice 6 : Voici un tableau relevé lors d’une enquête dans un amphi. L’événement A
désigne les étudiants qui vont au moins une fois par semaine, B l’événement qui
représente l’ensemble des filles.

A A Total
B 7 3
B 5 10
Total

1. Donner la probabilité p( A) .
2. Calculer la probabilité p( A  B) .
3. Calculer la probabilité pB ( A) .

Solution :

12
1. p( A) 
25
7
2. p( A  B) 
25
7
3. pB ( A)  p( A / B) 
10

Exercice 7: Dans une usine d’automobiles, trois chaînes « a », « b » et « c » fournissent

respectivement 25%, 35% et 40% de la production de moteurs.

Certains moteurs sont écartés comme défectueux, dans les proportions suivantes : 5%
pour la chaîne « a », 4% pour la chaîne « b » et 1% pour la chaîne « c ».

54
 On prend un moteur au hasard et on définit les événements suivants : A « le moteur
issu de la chaîne « a » », B « le moteur est issu de la chaîne « b » », C le moteur est issu
de la chaîne « c » » et D « le moteur est défectueux ».

1. Traduire les données de l’énoncé en utilisant les notations des probabilités.

2. Calculer p( D) .
3. Quelle la probabilité qu’un moteur sorte de la chaîne « a » sachant qu’il est
défectueux ?
4. Calculer la probabilité qu’un moteur sorte de la chaîne « c » sachant qu’il n’est
pas défectueux ?

Solution :

1. Les renseignements donnés par le texte sont les suivants :

p( A)  0, 25; p( B)  0,35 ; p(C )  0, 4 ; p( D / A)  0, 05; p( D / B)  0, 04; p( D / C)  0, 01

2. Pour calculer p( D) on peut utiliser l’arbre pondéré. La somme des probabilités des trajets
conduisant à la réalisation de D est égale à :

p( D)  p( A)  p( D / A)  p( B)  p( D / B)  p(C )  p ( D / C )
 0, 25  0, 05  0,35  0, 04  0, 4  0, 01  0, 035

3. La probabilité demandée est :

p ( A  D) p ( A)  p ( D / A)
p( A / D)  
p( D) p( D)
0, 25  0, 05
  0, 4098
0, 0305

4. La probabilité demandée est :

p(C  D) p (C )  p ( D / C )
p(C / D)  
p( D) 1  p( D)

Or p( D / C )  1  p( D / C )  1  0,01  0,99

0, 4  0,99
On a donc p(C / D)   0, 4085
1  0, 0305

55
 Exercice 8 : Un sondage est effectué dans une entreprise comprenant 20% des cadres et
80% d’employés. On sait que 40% des cadres et 15% des employés parlent l’anglais.

On choisit au hasard une personne de l’entreprise. On appelle C l’événement

« être cadre », E l’événement « être employé » et A l’événement « parler anglais ».

1. Calculer les probabilités des événements C  A et E  A .

2. Déduisez-en p( A) .
3. Calculez p(C / A) .

Solution : Pour simplifier les choses on peut construire l’arbre pondéré de cette expérience.

1. Le chemin  C  A représente l’événement « la personne choisie est un cadre

0,2 0,4

qui parle l’anglais ». Autrement dit, c’est l’événement C  A  0, 2  0, 4  0, 08 .

2. Le chemin  E  A représente l’événement « la personne choisie est un employé

0,8 0,15

qui parle l’anglais ». Autrement dit, c’est l’événement E  A  0,8  0,15  0,12 .
p ( A)  p( A  C )  p ( A  E )  p ( A / C )  p(C )  p( A / E )  p( E )
3.
 0, 08  0,12  0, 2

p ( A / C )  p (C ) p ( A / C )  p (C )
p (C / A)  
p ( A) p ( A / C )  p (C )  p( A / E )  p( E )
0, 08
  0, 4
0, 08  0,12

Exercice 9: Un ensemble Ω comprend six éléments distincts a, b, c, d, e et f. on pose

X  {a, b, c}; Y  {a, b, c, d , f }; Z  {a, d , e }; T  {a, b, d } . Soit p une loi de probabilité

définie sur l’ensemble des parties de Ω. On suppose que l’on a :

1 1 1 3
p( X )  ; p( X / Y )  ; p( Z / Y )  ; p(T / Z )  . Déterminer p(T  Z ) et p(T ) .
2 2 3 5

Solution : On pose a  p(a), p(b)  b, etc...

1
1. On a p( X )  et comme X est une partie de Ω on aura donc
2
1 1 1
p( X )   p()  p( X )  1  . D’où  d  e  f (1)
2 2 2

56
 3 3
p(T / Z )  Soit p(T  Z )  p(T / Z )  p( Z )  a  d   (a  e  d ) , ce qui implique
5 5
2
e   (a  d ) . (2)
3

1
p( X / Y )  donne a  c  d  f  2(a  c) , ce qui implique d  f  a  c (3)
2
1 1 3
p( X / Y )  etp( Z / Y )  p ( X  Y ) 2 a  c  (a  d )
2 3 implique  soit 2 (4)
p( Z  Y ) 3

1 2 3
Enfin (1)+(2)+(3)+(4) donne :     (a  d ) soit
2 3 2

3 p(T  Z ) 5
p (T  Z )  et p ( Z )  
13 p (T / Z ) 13

Exercice 10 : Une urne contient deux dés indiscernables, numérotés chacun de 1 à 6.

L’un est parfaitement équilibré, mais le second donne un 6 une fois sur deux et les
valeurs de 1 à 5 sont parfaitement équilibrées. On tire au hasard un dé de l’urne et on
le lance.

1. On obtient un six (événement A). Quelle est la probabilité que le dé tiré soit
équilibré (événement S) ?
2. On obtient un cinq (événement B). Quelle est la probabilité que le dé tiré soit
équilibré (événement S) ?

Solution :

1. On cherche la probabilité p( S / A) :

1 1

p( S  A) p( A / S ) p( S ) 2 6
p( S / A)     0, 25
p( A) p( A / S ) p( S )  p( A / S ) p( S ) 1  1  1  1
* *

2 6 2 2

2. On cherche la probabilité p( S / B)

57
 1 1

p( S  B) p( B / S ) p(S ) 2 6
p( S / B)     0, 625
p( B) p( B / S ) p( S )  p( B / S * ) p(S * ) 1  1  1  1
2 6 2 10

58
Chapitre 3- Variables aléatoires (Aléas numériques)

Introduction

D’après les deux premiers chapitres précédents, nous savons que probabiliser un univers
consiste à affecter à chaque événement élémentaire une « mesure » (sa probabilité) de telle sorte
que la somme de ces probabilités soit égale à 1.

La variable aléatoire est la notion la plus importante à définir après celle de la probabilité
d’un événement. Elle traduit des épreuves aléatoires dont les issues (résultats possibles) sont
transformées en valeurs numériques par une certaine application X.

On distingue deux types de variables aléatoires : les variables aléatoires qualitatives et les
variables quantitatives qui peuvent être soit, discrètes soit, continues. Une variable aléatoire
qualitative est celle exprimée en mots ou lettres (de façon non chiffrée).Une variable aléatoire
est quantitative (discrète ou continue) si elle est exprimée de façon chiffrée. La variable ne peut
prendre que des valeurs entières, si elle est discrète ou des valeurs réelles, appartenant à un
intervalle (nombres infinis), si elle est continue.

Pour pouvoir éviter de travailler sur des variables qualitatives, on a l’habitude d’affecter
un nombre à chacune des valeurs qualitatives, par exemple pour le cas de la pièce de monnaie,
on pourrait affecter 1 pour la face pile et 0 pour l’autre face, de même pour le dé on a l’habitude
de numéroter de 1 à 6 ses faces.

L’intérêt se déplace de l’ensemble fondamental des résultats possibles (éventualités) Ω à

un nouvel espace fondamental.

Soit f X l’ensemble des valeurs possibles pour la variable aléatoire. On peut définir par
l’application X la probabilité associée à chacune des valeurs possibles. On obtient ainsi une
nouvelle loi de probabilité image de la loi sur Ω.

On peut ainsi procéder à des calculs analogues à ceux envisagés en statistique descriptive.
D’ailleurs on trouve ici le même langage que celui utilisé pour l’étude des variables statistiques.

59
 La notion de probabilité pour la variable aléatoire remplace celle de la fréquence pour la
variable statistique. La probabilité est, en effet, une fréquence théorique correspondant à un
nombre infini d’expériences aléatoires.

Voici maintenant, le parallélisme entre le langage de la statistique descriptive et celui

adopté en calcul des probabilités pour l’étude des variables aléatoires.

Statistique descriptive Calcul des probabilités

Variable statistique X
Modalités ou classes
Fréquences fi
Variable discrète
Variable continue
Distribution des fréquences
Fonction cumulative
Moyenne arithmétique
Moments
Variable aléatoire
Valeurs ou intervalles possibles
Probabilités pi
Variable aléatoire discrète
Variable aléatoire continue
Loi (distribution) des probabilités
Fonction de répartition
Espérance mathématique E(X)
Mêmes termes

1- Définitions

Variable aléatoire : On définit une variable aléatoire lorsqu’on associe un nombre réel à
chacun des résultats possibles d’une expérience ou d’un groupe d’expériences aléatoires.

Si (Ω, P (Ω), p) un espace probabilisé fini, on appelle variable aléatoire réelle toute
application de Ω vers l’ensemble ℝ des réels. L’ensemble des « valeurs prises » par la variable
aléatoire s’appelle univers-image. En général, on désigne par X la variable aléatoire.

Remarque : puisque Ω est fini, l’univers-image est fini

Exemples :

1- Soit   { P, F} l’univers représentant le jeu de pile ou face. Supposons que

l’apparition de pile me fasse gagner 10 points et celle de face, perdre 10 points. Il sera naturel
que je considère l’application f de Ω vers ℝ (ensemble des réels) telle que :

60
 f ( P)  10 f ( F )  10

Cette application s’appelle variable aléatoire discrète (ou aléa numérique discret).
L’ensemble f ()  {10,  10} s’appelle l’univers-image.

1 1
Supposons que   { P, F} soit probabilisé de la façon suivante : p( P)  et p( F ) 
2 2
Il paraît naturel de définir sur l’univers-image f ()  {10,  10} , la probabilité p telle que
1 1
p(10)  et p(10)  . Cette nouvelle probabilité s’appelle probabilité-image.
2 2

2- Soit Ω l’ensemble des logements d’une ville déterminée (ou l’ensemble des codes
représentants ces logements). L’épreuve consiste à tirer au sort un de ces logements et à ne
retenir que le nombre de ses pièces.

Si l’on suppose que le nombre de pièces ne peut être que 1, 2, 3, 4, 5, 6, 7, il est naturel
de considérer l’ensemble   {1, 2,3, 4,5, 6, 7} , appelé univers-image. L’application f de Ω vers
ℝ qui, à chaque logement, associe son nombre de pièces s’appelle variable aléatoire.

2- Distribution de probabilité (loi de probabilité)

Si à chacun des nombres associés aux résultats possibles de l’expérience aléatoire, on

associe la probabilité de sa réalisation, on dira qu’on a défini une loi de de probabilité.

2-1- Cas d’une variable aléatoire discrète unidimensionnelle.

Définition : Si X est une variable aléatoire discrète prenant ses valeurs sur   {x1 , x2 ,..., xn } ,

on appelle distribution ( ou loi ) de probabilité de X, l’ensemble des couples ( xi , pi ) ou, ce qui

revient au même, l’application : xi pi . On notera pi  p( X  xi ) la probabilité de

l’événement X  xi .

Propriétés de p :

1. xi  X (), 0  p( xi )  1 ;

61
 n
2.  p( x )  1 ;
i 1
i

3. La loi p permet donc de définir une probabilité sur ( X ()) , P [X(Ω)]. Inversement

toute fonction numérique p définie sur un sous-ensemble fini de ℝ satisfaisant aux

deux conditions 1 et 2 peut être considérée comme la loi d’une variable aléatoire.

Exemple 1 : Soit X la variable aléatoire qui caractérise le résultat de l'expérience aléatoire

« jet d'un dé homogène ». Le domaine de définition de X est donné par   {1, 2,3, 4,5, 6} .

Donner la loi de probabilité de X revient à donner, en plus des valeurs possibles de X, les
probabilités de réalisation de chacun des événements de Ω. Le tableau ci-après donne la loi
(distribution) de probabilité du lancer d’un dé équilibré.

Loi de probabilité de X
xi 1 2 3 4 5 6 p i

1 1 1 1 1 1 1
p( X  xi )
6 6 6 6 6 6

Exemple 2 : Soit X la variable aléatoire qui caractérise le nombre de garçons dans une
famille de quatre enfants. Donner la loi de probabilité de X.

Solution : X est une variable aléatoire discrète, elle peut prendre les valeurs entières 0, 1, 2, 3,
et 4.

La probabilité pour qu'un enfant soit un garçon est 1/2.La probabilité pour qu'un enfant
soit une fille est 1/2.
P(0) est la probabilité que les trois enfants soient des filles. Il y a une seule possibilité :
3
1 1 1 1
p (0)        0,125 .
2 2 2 2
P(1) est la probabilité qu’un seul enfant soit un garçon. Ce garçon peut correspondre au
premier enfant, ou au deuxième, ou au troisième. Il y a donc trois possibilités:
3
1 1 1 1
p (1)  3     3     0,375 .
2 2 2 2

62
 P(2) est la probabilité que deux enfants soient des garçons. Ces deux garçons peuvent
correspondre au premier et deuxième enfants, ou au premier et troisième enfants, ou au
deuxième et troisième enfants. Il y a donc trois possibilités :
3
1 1 1 1
p (2)  3     3     0,375 .
2 2 2 2
P(3) est la probabilité que trois enfants soient des garçons.
3
1 1 1 1
p (3)        0,125 .
2 2 2 2

Loi de probabilité de X
xi 0 1 2 3 p i

p( X  xi ) 0,125 0,375 0,375 0,125 1

Remarque : dans ce qui suit, une variable aléatoire sera toujours notée avec une lettre
majuscule (X, Y, …) et une valeur possible de cette variable aléatoire par une lettre minuscule
(x, y, …).

2-1-1- Fonctions de répartition : cas d’une variable aléatoire discrète à une seule
dimension

De même qu’en statistique descriptive où nous avons complété l’étude d’une distribution
statistique à l’aide de la notion de fonction cumulative, nous allons, dans ce cours, introduire
une notion analogue : fonction de répartition.

Définition : Si X est une variable aléatoire discrète, on appelle fonction de répartition de X,

l’application de l’ensemble de des réels vers [0, 1] telle que :

F:  [0,1]
xi F ( xi )  p ( X  xi )   p( X
x  xi
 x) définition française

ou
n
xi F ( xi )  p ( X  xi )   p ( X  xi ) définition anglo  saxonne
i 0

Remarque : Dans la suite, c’est la définition anglo-saxonne qui sera utilisée.

63
Propriétés des fonctions de répartition : Une fonction de répartition F doit toujours satisfaire
aux conditions suivantes :

1. Elle doit prendre ses valeurs dans l’intervalle [0, 1] ( 0  F ( xi )  1 ;

2. Elle doit être une fonction non décroissante (croissante ou constante). A titre

d’illustration, si x2  x1 alors F ( x2 )  F ( x1 ) ;

3. F ( xi )  0 sur , x1  . En effet si x1 est la plus petite valeur prise par X « l’événement

X  x1 » est impossible, donc F ( xi )  p( X  x1 )  0 ;

4. F ( xi )  1 sur  xn ,   . En effet si xn est la plus grande valeur prise par X,

« l’événement X  x » avec x  xn est certain ; donc F ( xi )  p( X  x)  1 ;

 
5. F doit être continue à droite [ F ( xi )  F ( xi ) ], F ( xi ) étant la limite à droite de F en xi .

Exemple 1 : Reprenons l’exemple 1 qui caractérise le résultat de l’expérience aléatoire

« jet d’un dé homogène ».

xi 1 2 3 4 5 6 p i

1 1 1 1 1 1 1
p( X  xi )
6 6 6 6 6 6
1 2 3 4 5 6
F ( xi ) /////
6 6 6 6 6 6

Exemple 2 : Reprenons les données de l’exemple 2.

xi 0 1 2 3 p i

p( X  xi ) 0,125 0,375 0,375 0,125 1

F ( xi ) 0,125 0,5 0,875 1 ////

2-1-2- Caractéristiques d’une variable aléatoire discrète

Les caractéristiques définies pour les variables statistiques peuvent être étudiées
également pour les variables aléatoires. On retiendra quelques-unes des caractéristiques de
tendance centrale et de dispersion.

64
 2-1-2-1- Mode

Le mode d’une variable aléatoire X est la valeur xi la plus probable.

Exemple : on jette deux fois un dé. Soit X : « la somme des points obtenus » la loi de X est
donnée par le tableau suivant :

xi 2 3 4 5 6 7 8 9 10 11 12 Total
1 2 3 4 5 6 5 4 3 2 1
p( X  xi ) 1
36 36 36 36 36 36 36 36 36 36 36

6
Le mode de la variable aléatoire X est égal à 7 car p( X  7)  , il s’agit de la
36
valeur la plus probable.

2-1-2-2- Espérance mathématique

Soient (Ω, P (Ω), p) un espace probabilisé fini, X une variable aléatoire de loi p et telle

que X ()  {x1 , x2 ,..., xn } , on appelle espérance mathématique d’une variable aléatoire (la
n
valeur moyenne) le nombre réel noté : E ( X )   xi pi .
i 1

Remarques :
n
 L’espérance mathématique E(X) est l’équivalent de X   f i xi pour les variables
i 1

statistiques ;
 L’espérance mathématique est la moyenne à laquelle on espère arriver lorsqu’on effectue
l’expérience aléatoire n fois ;
 E(X) peut être définie pour une variable aléatoire discrète infinie dénombrable. Dans ce cas

E ( X )   xi pi .
i 1

Exemple : Calculons l’espérance mathématique de la variable aléatoire « jet d’un

dé homogène ».

65
 xi 1 2 3 4 5 6 p i

p( X  xi ) 1 1 1 1 1 1 1
6 6 6 6 6 6
E( X ) 1 1 1 2 5 1 21
6 3 2 3 6 6
6
21
E ( X )   xi pi 
i 1 6
Propriétés

 L’espérance mathématique d’une constante est la constante : E (a)  a ;

 E (aX  b)  aE ( X )  b ( a et b étant deux constantes) ;
 E ( X  Y )  E ( X )  E (Y ) ;
 E ( X  Y )  E ( X )  E (Y ) ( si X et Ysont indépendants ) .

2-1-2-3- Variance et écart type

Après avoir défini la position centrale de la distribution, E(X), il importe de préciser de

quelle manière les valeurs s’en écartent. Nous le ferons en introduisant une quantité tout à fait
analogue au « moment d’inertie » des distributions de masses, qui porte dans le langage des

probabilités le nom de la « variance » et qu’on note V ( X ) ou  X . Il s’agit de l’espérance

2

mathématique de  X  E ( X )  , c’est-à-dire la moyenne des carrés des écarts de chaque valeur

2

à la valeur centrale E(X).

n
V ( X )  E ( X  E ( X )) 2   ( xi  E ( X )) 2  pi : V ( X )  0 (c’est une somme de produits
i 1

positifs ( xi  E ( X )) et pi ).
2

En plus, on peut calculer la variance d’une variable aléatoire avec la formule suivante :

V ( X )  E ( X 2 )  E 2 ( X ) (la différence entre l’espérance mathématique des carrés et le carré de

l’espérance mathématique).

En effet :

66
 V ( X )  E ( X  E ( X ))   ( xi  E ( X ))  pi    xi2  2 xi E ( X )  E ( X ) 2   pi
n n
2 2

i 1 i 1
n n n
  xi2 pi  2 E ( X ) xi pi  E ( X ) 2  pi
i 1 i 1 i 1
n n n
Or  xi2 pi  E ( X 2 ),
i 1
 xi pi  E ( X ) et
i 1
p
i 1
i 1

donc V ( X )  E ( X )  2 E ( X )  E ( X )
2 2 2

 E ( X 2 )  E ( X )2

On appelle écart type d’une variable aléatoire discrète X la racine carrée de la variance.

On a  X  V ( X )

Exemple 1: Reprenons-les données de l’exemple on jette deux fois un dé. Soit X : « la

somme des points obtenus » la loi de X est donnée par le tableau suivant :

xi 2 3 4 5 6 7 8 9 10 11 12 Total
1 2 3 4 5 6 5 4 3 2 1
p( X  xi ) 1
36 36 36 36 36 36 36 36 36 36 36

On a :

1 2 3 4 5 6 5 4 3 2 1
E( X )  2   3   4   5   6   7   8   9   10   11  12 
36 36 36 36 36 36 36 36 36 36 36
7

V ( X )  E ( X 2 )  E ( X )2  E ( X 2 )  72

Calculons maintenant l’espérance mathématique des carrés :

1 1
E ( X 2 )  22   ...  12 2   54,83
36 36
d ' où V ( X )  54,83  7  5,83
2

Pour l’ écart type on a :

 X   X2  V ( X )  5,83  2, 414

67
Exemple 2 : On lance simultanément deux dès dont les faces sont numérotés 1, 2, 3, 4, 5,
6. On appelle Z la variable aléatoire égale à la valeur absolue de la différence des numéros
obtenus. Déterminer la distribution de Z, sa fonction de répartition, son espérance
mathématique et sa variance.

Solution : Appelons X et Y les variables aléatoires égales aux numéros indiqués sur chacun des
deux dés. Les valeurs prises par Z sont obtenus grâce au tableau à double entrée.

Y
1 2 3 4 5 6
X
1 0 1 2 3 4 5
2 1 0 1 2 3 4
3 2 1 0 1 2 3
4 3 2 1 0 1 2
5 4 3 2 1 0 1
6 5 4 3 2 1 0

L’équiprobabilité de chacun des 36 couples ( x,y) permet de définir la loi Z.

Distribution et fonction de répartition de Z

zi 0 1 2 3 4 5 Total

p ( Z  zi )
6

3 10 5

8

4 6

3 4

2 2

1 p i 1
36 18 36 18 36 18 36 18 36 18 36 18
3 5 12 15 17 18
F ( zi ) 1 ////
18 18 18 18 18 18

35
Espérance mathématique de Z : E ( Z )   zi pi 
18
2
105 105  35 
La variance de Z : on a E ( Z )   z pi 
665
2 2
i , alors V ( Z )    
18 18  18  324

Exemple 3 : On dispose d’un dé cubique blanc à 6 faces marquées a, b, c, d, e, f. le dé est

parfaitement équilibré.

L’épreuve consiste à lancer le dé et à noter la face présentée par le dé. On lie à cette
épreuve la variable aléatoire X définie ainsi :

 Si le dé présente la face a : X=1 ;

68
 Si le dé présenté la face b ou la face c : X=2 ;
 Si le dé présenté la face d ou la face e ou la face f : X=3.
1. Donner la loi de probabilité de X.
2. Etablir la fonction de répartition de X.
3. Calculer l’espérance mathématique et la variance de la variable X.

Solution :

La loi de probabilité et la fonction de répartition de la variable X, sont données par le tableau

suivant :
xi 1 2 3 Total

p
1 2 3
p( X  xi ) i 1
6 6 6
1 3
F ( xi ) 1 ////
6 6
14
L’espérance mathématique de la variable X est donnée par E ( X )   xi pi  .
6
2
36  14 
La variance de X : on a E ( X )   x pi 
2 2
i  6 , alors V ( X )  6     0,5555
6  6

Propriétés de la variance d’une variable aléatoire :

 V (aX  b)  a 2V ( X ) et par voie de conséquence  (aX  b)  a  ( X ) En effet :

V (aX  b)  E ((aX  B) 2 )  E (aX  b) 2 Or

E ((aX  b) 2 )  a 2 E ( X 2 )  2ab E ( X )  b 2 et
E (aX  b) 2  a 2 E 2 ( X )  2ab E ( X )  b 2 donc
V (aX  b)  a 2  E ( X 2 )  E ( X ) 2   a 2V ( X )   (aX  b)  a  ( X )

 V (b)  0 . La variance d’une constante est nulle.

69
 2-2- Cas d’une variable aléatoire continue unidimensionnelle.

Un intervalle contient une infinité de valeurs, de ce fait la probabilité p( X  x)  0 . La

notion de distribution de probabilité n'a donc plus de sens dans le cas d’une variable aléatoire
continue. Par contre la fonction de répartition conserve toute sa signification.

Pour les variables aléatoires continues, on calcule la probabilité d'observer une valeur
comprise dans un intervalle donné  x, x  x  au lieu de calculer la probabilité d’une valeur

exacte (la probabilité d’une valeur exacte est nulle).

p( x  X  x  x)  p( X  x  x)  p( X  x)  F ( x  x)  F ( x)

Cette probabilité tend vers p( x) quand x tend vers 0.

lim p( x  X  x  x)  lim F ( x  x)  F ( x)

x 0 x 0

F ( x  x)  F ( x) F dF
lim  lim   F ' ( x)  f ( x)
x 0 x x 0 x dx

2-2-1- Fonction de densité de probabilité/ fonction de répartition

Soit X une variable aléatoire réelle définie sur un espace probabilisé (Ω, P (Ω), p), la
fonction f ( x) , drivée de la fonction de répartition F ( x) , s’appelle une fonction de densité de
probabilité.

Définition : Soit f une fonction numérique définie sur . f est une densité si :

 f est positive ;
 f est continue ;

 
f ( x) dx  1 .

La fonction de densité de probabilité et celle de répartition sont liées par la relation

x
suivante : x  , F ( x)   f (t ) dt.


70
 Les deux fonctions (de densité et répartition) et la notion de probabilité p sont les liées
x
par la relation suivante : p( X  x)   f (t ) dt  F ( x)


Propriétés de la fonction de répartition : Soit F la fonction de répartition d’une variable

aléatoire absolument continue X, de densité f ;

 x  , 0  F ( x)  1 ;

 F est continue sur ;

 F est croissante ou constante c’est-à-dire  x1 , x2 ; tel que x1  x2 on a F ( x1 )  F ( x2 ) ;

 F est dérivable en tout point x où f est continue et F ( x)  f ( x) ;

'

 F est dérivable à droite [respectivement à gauche] en tout point x où f admet une

limite finie à droite [respectivement à gauche] et

Fd' ( x)  f ( x  ) respectivement Fg' ( x)  f ( x  ) avec x  x   et  est un infiniment



petit.

Propriétés de calcul : Soit X une variable aléatoire absolument continue de densité f , on a :

a
1.  a  , p( X  a)   f ( x) dx


p( X  a)  0

p( X  a)   f ( x) dx
a

2. (a, b)  2
,a  b 
p ( a  X  b)  p ( a  X  b)  p (a  X  b)
b
 p (a  X  b)   f ( x) dx
a

2-2-2- Caractéristiques d’une variable aléatoire continue

2-2-2-1- Espérance mathématique

Définition : Si la variable aléatoire X admet un moment (non centré) d’ordre 1, il est appelé
espérance mathématique de X noté E(X) avec :

71
 
E( X )   x f ( x) dx


Propriétés de l’espérance mathématique : Soit X une variable aléatoire absolument continue.

 Si X admet une espérance mathématique, alors pout tout couple (a, b) avec a  0 , on a :

E (aX  b)  aE ( X )  b

 Si X admet un moment (non centré) d’ordre r, X r admet une espérance mathématique et

on a :

E ( X r )  mr' ( X )

Variable aléatoire centrée : On appelle variable aléatoire centrée associée à une variable X
admettant une espérance mathématique, la variable X  E ( X ) .

2-2-2-2- Variance. Ecart type

Définition : On appelle la variance d’une variable aléatoire X, le moment centré d’ordre 2, s’il
existe ; on le note V(X).


V ( X )  E[( X  E ( X )) 2 ]  E ( X 2 )  E ( X ) 2 avec E ( X 2 )   x 2 f ( x) dx


On appelle écart type d’une variable aléatoire continue X la racine carrée de la variance

On a  X  V ( X )

Propriétés : Si X admet une variance, pout tout couple de réels (a, b) :

1. V (aX  b)  a 2V ( X )
2.  (aX  b)  a  ( X )

Variable aléatoire centrée réduite : Soit X une variable aléatoire réelle admettant une
espérance mathématique E ( X ) et une variance V ( X )  0 , on appelle variable aléatoire réduite
X  E( X )
associée à X la variable : Z 
 (X )
72
 Elle vérifié E (Z )  0,  (Z )  1

Exemple 1 : Soit X une variable aléatoire de fonction de densité de probabilité f définie

par :

2 x si x  0,1
f ( x)  
0 ailleurs

1. Monter que f est une fonction de densité.

2. Calculer la fonction de répartition de X.
3. Calculer la probabilité p(0,1  X  0, 6) .
4. Calculer l’espérance mathématique de X.
5. Calculer la variance et l’écart type de X.

Solution : Pour que f est une fonction de densité, elle doit vérifier les deux conditions
requises pour une fonction de densité de probabilité :

1. f est non négative : on a x  0,1 alors 2 x  0

2. La deuxième condition requise pour une fonction de densité de probabilité :




f ( x) dx  1 . En effet on a :

 0 1 


f ( x) dx   0 dx   2 x dx   0 dx
 0 1
1
 x2 
 2   1  0  1
 2 0
3. La fonction de répartition F est la primitive de f . On a :

x
F ( x)   f (t ) dt


La fonction de répartition doit être donnée dans chacun des intervalles où f est définie :

73
 x
a. Si x  0 F ( x)   0 dt  0

0 x
b. Si 0  x  1 F ( x)   0 dt   2t dt  x 2
 0
0 1 x
c. Si x  1 F ( x)   0 dt   2t dt   0 dt  0
 0 1

2 1
 0  t   0  1
0

Finalement la fonction de répartition de X est donnée par :

0 si x  0

F ( x)   x 2 si 0  x  1
1 si x  1


0,6 0,6
4. p(0,1  X  0, 6)   2 x dx   x 2   0,36  0, 01  0,35
0,1 0,1

5. Espérance mathématique :


E( X )   xf ( x) dx

0 1 
  x 0 dt   x 2 x dt   x 0 dt
 0 1
1
 x3  2
0 2   0 
 3 0 3

6. La variance de X : on a V ( X )  E ( X )  E ( X ) avec :
2 2

 0 1 
E( X 2 )   x 2 f ( x)dx   x 2 0 dx   x 2 2 x dx   x 2 0 dx
  0 1
1
 x4  1
0 2   0 
 4 0 2

2
1 2 1 1
Et enfin V ( X )  E ( X 2 )  E ( X ) 2      . L’écart type de X :  X  V ( x) 
2  3  18 18

74
3- Inégalité de Biénaymé-Tchebycheff

L’inégalité de Tchebycheff est une conséquence directe de l’inégalité de Mrakov. Elle

X  E( X )
concerne des probabilités relatives à des écarts centrés réduits :
X
Inégalité de Markov : Soient a une constante positive et X une variable aléatoire positive
d’une espérance mathématique finie. On a :
E( X )
p( X  a)  a  0
a
Preuve : Pour la démonstration, nous supposons que X admet une densité de probabilité f .
E( X )
 Si a  E ( X ) , le résultat est évident puisque 1 ;
a
 Si a  E ( X ) ; on a
 0 
E( X )   x f ( x) dx   x f ( x) dx   x f ( x ) dx
  0

 x f ( x) dx
0

0
Car 

x f ( x) dx  0 (la variable aléatoire X est supposée strictement positive)

 a  
Donc E ( X )   x f ( x) dx   x f ( x) dx   a f ( x) dx   a f ( x) dx  ap( X  a)
0 0 a a

E( X )
Et finalement : p( X  a) 
a
Exemple : Soit X une variable aléatoire de fonction de densité de probabilité f définie par :
x
 Si x  0, 2
f ( x)   2
0 ailleurs
4
L’espérance mathématique de X : E ( X )  et d’après l’inégalité de Markov, on a à titre
3
d’exemple :
4
3 8
p( X  )  3   0,888
2 3 9
2

75
 3
L’inégalité de Markov nous enseigne que p( X  ) est sûrement inférieur ou égale
2
3
0,888. Pour vérifier ce résultat, on calcule la valeur exacte de : p( X  ) :
2

1
3  1 x 1  x2  7
p( X  )  3 f ( x) dx  3 dx      0, 4375
2 2 2 2 2  2  3 16
2

Inégalité de Biényamé-Tchebycheff (I.B.T): Soit k une constante positive. Si

Y  ( X  E ( X ))2 est une variable aléatoire réelle de variance finie  X2 , on a :
1
p([ X  E ( X )  k X ] 
k2

Preuve : Il suffit d’appliquer l’inégalité de Markov à la variable aléatoire Y  ( X  E ( X )) .

2

D’après l’inégalité de Markov on a :

E (Y )
p(Y  a)  a  0
a
Si on remplace Y par sa valeur on aura :
E[( X  E ( X )]2
p ( X  E ( X )) 2  a )  a  0
a

Et on sait que E[( X  E ( X )]  V ( X ) . Donc on aura :

2

V (X )
p( X  E ( X )) 2  a)  a  0
a

Et puisque on a ( X  E ( X ))  a , ceci implique donc que X  E ( X )  a

2

Donc on peut réécrire l’inégalité comme suit :

V (X )
p([ X  E ( X )  a ] 
a
Et comme cette inégalité est vérifiée pour toute valeur de a, alors elle l’est également pour le

cas où a  k V ( X ) :
2

1
p([ X  E ( X )  a X ] 
a2
Cette inégalité peut être réécrite autrement, en tenant compte l’évènement X  E ( X )  a et

son complémentaire (événement complémentaire) X  E ( X )  a :

76
 1
1. k p ( X  E ( X )  k X )  1 
k2
 X2
2. a p( X  m  a) 
a2
 X2
3.  a p( X  m  a)  1 
a2

Exemple : Soit X une variable aléatoire de moyenne 10 et d’écart type égale à 2.

1. Donner un minorant à la probabilité p(1  X  19) .

2. Donner un majorant à p( X  4 ou X  16)

Solution :

1. Pour calculer le minorant p(1  X  19) on applique l’inégalité (1) de B.T. :

p(1  X  19)  p(1  10  X  10  19  10)  p( X  10  9)

Comme E ( X )  m  10 et on posant a  9 dans la troisième écriture de l’I.B.T. on peut

écrire :
 X2 4
p( X  10  9)  1  2
 1  0, 049
a 81
La probabilité pour que X soit comprise entre 1 et 19 est sûrement supérieure ou égale à
0,049. Dit autrement, il n’existe aucun loi de probabilité de moyenne 10 et de variance 4,
discrète ou continue, qui peut vérifier p(1  X  19)  0, 049 .
2. Le calcul du majorant pour p( X  4 ou X  16) :

p(4  X  16)  p(4  10  X  10  16  10)  p( X  10  6)

4
p( X  10  6)   0,111
36
On conclut que la probabilité pour que X soit inférieure à 4 ou supérieure à 16 est
sûrement inférieure ou égale à 0,111.

77
 Exercices corrigés _Chapitre 3- Variables aléatoires

Exercice 1 : Soit X une variable aléatoire discrète prenant les valeurs 1, 2, 3, 4, 5 et 6

avec les probabilités respectives 0,1, 0,2, 0,1, 0,3, 0,1 et 0,2.

1. Calculer l’espérance mathématique et l’écart type de X.

Soit Y une nouvelle variable aléatoire discrète prenant les valeurs 3, 4, 5 et 6.

2. Déterminer la loi de probabilité de Y sachant que :

1 1
p(Y  5)  , p(Y  5)  et p(Y  3)  p(Y  4)
3 2
3. Calculer l’espérance mathématique et la variance de Y.

Solution :

1. Loi de X est donnée par le tableau ci-après :

xi 1 2 3 4 5 6 Total
pi 0,1 0,2 0,1 0,3 0,1 0,2 1
6
 L’espérance mathématique de X : E ( X )   xi pi  3, 7
i 1
6
 La variance de X : on a x
i 1
2
i pi  16,3 et donc V ( X )  E( X 2 )  E( X )2  16,3  (3,7)2  2,61

 L’écart type de X :  X  V ( X )  2, 61
2. Loi de Y est donnée par le tableau ci-dessous :

yi 3 4 5 6 Total
pi a b c d 1

1 1 1
On sait que p(Y  5)  donc a  b  , p(Y  5)  donc, p(Y  3)  p(Y  4) donc a  b et
3 3 2
4
a  b  c  d  1 ( pi  1) . On en déduit a  b  c  , d  et la loi de Y est
1 1
i 1 6 2

yi 3 4 5 6 Total
1 1 1 1
pi 1
6 6 6 2

78
 4
 L’espérance mathématique de Y E (Y )   yi pi  5
i 1
4
158
 La variance de Y : on a y
i 1
2
i pi 
6
et donc V (Y )  E (Y 2 )  E (Y )2 
158
6
 (5)2 
4
3
4
 L’écart type de Y :  Y  V (Y ) 
3

Exercice 2 : Une urne contient 2 boules Vertes et 4 boules rouges. On tire les boules une
à une sans remise jusqu’à ce qu’il ne reste que des boules d’une seule couleur dans
l’urne ?

1. Soit X le nombre de tirages nécessaires. Déterminer la loi de X.

2. Calculer l’espérance mathématique de X, la variance et l’écart type de X.

Solution :

1. Soit Vi (respectivement Ri ) « le ième tirage donne une boule verte (respectivement une boule
rouge ». X étant le nombre de tirages nécessaires pour qu’il ne reste que des boules d’une
seule couleur dans l’urne, X peut prendre les valeurs suivantes : 2, 3, 4, 5.
On a :

2 1 1
1. p( X  2)  p(V1  V2 )  p(V2 / V1 )   
6 6 15
2 4 1 4 2 1 2
2. p( X  3)  p(V1  R2  V3 )  p( R1  V2  V3 )       
6 5 4 6 5 4 15
3. p( X  4)  p(V1  R2  R3  V4 )  p( R1  V2  R3  V4 )  p ( R1  R2  V3  V4 ) 
2 4 3 1 4 2 3 1 4 3 2 1 4 3 2 1 4
p ( R1  R2  R3  R4 )                 
6 5 4 3 6 5 4 3 6 5 4 3 6 5 4 3 15
4. p( X  5)  p(V1  R2  R3  R4  V5 )  p ( R1  V2  R3  R4  V5 )  p ( R1  R2  V3  R4  V5 ) 
p( R1  R2  R3  V4  V5 )  p (V1  R2  R3  R4  V5 )  p ( R1  V2  R3  R4  R5 ) 
8
p ( R1  R2  V3  R4  R5 )  p ( R1  R2  R3  V4  R5 ) 
15

D’où le tableau de la loi de X :

xi 2 3 4 5 Total
1 2 4 8
pi 1
15 15 15 15

79
2. Calcul des paramètres de position et de dispersion :
5
64
 L’espérance mathématique de X E ( X )   xi pi   4, 26
i2 15
5
 La variance de X : on a x
i2
2
i pi et donc V ( X )  E( X 2 )  E( X )2  E ( X 2 )  (4,26)2

 L’écart type de X :  X  V ( X )

Exercice 3 : Une boîte contient 3 sortes de boules de poids différents : 7 boules de poids
de 1kg, 5 boules de poids de 3kg et 3 boules de poids 5kg. On tire au hasard une boule
de la boîte et on note X son poids.

1. Donner la distribution de probabilité de X.

2. Calculer l’espérance mathématique, la variance et l’écart type de X.

Solution :

1. La loi de X est donnée par le tableau suivant :

xi 1 3 5 Total
7 5 3
pi 1
15 15 15
7 15 15
xi pi 2, 47
15 15 15
7 45 75
xi2 pi 8, 47
15 15 15

2. Calcul des paramètres de position et de dispersion :

 L’espérance mathématique de X : E ( X )   xi p 2, 47

x pi et donc V ( X )  E( X )  E( X )  8,47  (2,47)

2 2 2
 La variance de X : on a 2
i 2,38

 L’écart type de X :  X  2,38 1,52

Exercice 4 : Soit p la probabilité définie par le tableau suivant :

xi 0 1 2

pi 1 1 1
2 3 6

80
 1 1 1
C'est-à-dire que p(0)  , p(1)  et p(2)  . On pose que A  0,1} et B  {1, 2} .
2 3 6

1. Est-ce que le tableau donné définit bien une loi de probabilité ?

2. Calculer la probabilité des événements suivant : p( A), p( B), p( A / B) et p( B / A) .
3. Calculer l’espérance mathématique de X, puis la variance de X.

Solution :

1. Comme la somme des probabilités vaut 1, donc ce tableau définit bien une loi de
probabilité.
5 1 p ( A  B) 2
2. p( A)  p(0)  p(1)  , p( B)  , p( A / B)   ,
6 2 p( B) 3
p( B  A 2
p ( B / A)  )
p ( A) 5
3. L’espérance mathématique de X :
2
E ( X )   xi p 
3

V ( X )  E( X 2 )  E( X )2 avec E ( X 2 )   x 2 pi  1
i

V ( X )  E( X 2 )  E( X )2  0,555 .

Exercice 6 : X est une variable aléatoire continue définie sur l’intervalle  0,1 par la
fonction de densité suivante :

1 si x  [0,1]
f ( x)  
0 ailleurs

1. Déterminer la fonction de répartition de X.

1 2
2. Calculer la probabilité p   X   .
3 3
3. Déterminer la fonction de répartition de la variable aléatoire Y tel que Y  2 X  3 .

81
Solution :

0 si x  0

1. F ( x)   x si x  [0,1]
1 si x  1


2. Il existe deux méthodes pour calculer cette probabilité :

1 2 2 1 2 1 1
Première méthode : p   X    F    F     
3 3 3  3 3 3 3

1 2 1
Deuxième méthode : p   X    1/3 1 dx   x1/3 
2/3 2/3

3 3 3

3. Si X est définie sur l’intervalle  0,1 , Y est définie sur 3,5 . Donc la fonction de répartition

de Y est donnée par :

0 si y  ,3

 y 3
F ( y)   si y  3,5
 2
1
 si y  5,  

Exercice 7 : Soit F(x) la fonction de répartition de la variable aléatoire X, telle que :

0 si x  , 0

F ( x)  ax 2 si x  0,1

1 si x  1,  

1. Déterminer a
2. Déterminer la fonction de densité de X
1 1
3. Déterminer la p  X 
4 2

Calculer E ( X ), V ( X ) et X

Solution :

1. La fonction de répartition est un cumul de probabilités

82
 0  F ( x)  1 , avec F (1)  1  ax  1  a1  1. donc a  1
2 2

2. La fonction de densité de X est donnée par :

2 x si 0  x  1
f ( x)  
0 si ailleurs

1 1 1 1 3
3. p  X    F   F   
4 2 2  4  16

2 13
1
4. E ( X )  
 0 1  1  2
x f ( x)dx   x 0dx   x  2 x dx   0 dx  0   2 x 3   0 
  0 1
3 0 3 3

V ( X )  E ( X 2 )  E ( X )2
2 14
1
 0 1  1  1
E( X )  
2
x f ( x)dx   x 0dx   x  2 x dx  
2 2 2
0 dx  0   2 x 4   0 
  0 1
4 0 4 2

1
V ( X )  E ( X 2 )  E ( X )2 
18

1
 X  V (X )   0, 235
18

Exercice 8 : Soit f(x) la fonction de densité de la variable aléatoire X telle que :

a (1  x) si x   0,1
f ( x)  
0 ailleurs

1. Déterminer a.
2. Déterminer la fonction de répartition de X.
1 1
3. Calculer la probabilité p   X   .
3 2
4. Soit Y  3 X , déterminer la fonction de répartition et la fonction de densité de Y.

Solution :

1
1. Pour déterminer a il faut que 
0
f ( x) dx vaut 1. Donc

83
 1
1 1   x2 
0
f ( x) dx  1   a (1  x) dx  1  a  x     1
0
  2 0
 12 
donc a 1    1  a  2
 2
x
2. La fonction de répartition de X : F ( x)   f ( x)dx :


0 si x  , 0

F ( x)  2 x  x 2 si x  0,1

1 si x  1,   

1 1 7
3. p  X   
3 2  36

4. On a Y  3 X ce qui signifie si x   0,1 , y   0,3 .La fonction de répartition de Y est

 y  y 2 y2
donnée par F ( y )  p(Y  y )  p(3 X  y)  p  X    Fx    y 
 3 3 3 9
0 si x  , 0
 2 2
2 y2   y si x   0,3
D’où F ( y )   y  si x  0,3 et f ( y )   3 9
3 9 
0 ailleurs
1 si x  3,   


Exercice 9 : Soit f l’application de dans , telle que :

0 si x  , 0

f ( x)   x  x2
 e 8
4

1. Montrer que f est la fonction de densité de probabilité d’une variable aléatoire

notée X.
2. Déterminer la fonction de répartition de X.

Solution :

1. Il est clair que f est une fonction positive continue et, à l’aide du changement de

x2 
variables u  
8
que 
f ( x)dx  1 .

84
  
2 2 2
 K x  x8 
K

K
En effet 

f ( x)dx  1  lim 
K  0 4
e dx  lim  8 (eu ) du  lim 1  e 8
K  0 K  
 1

 

2. La fonction de répartition de X :
0 si x  0
x 
F ( x)  p( X  x)   f (t )dt . Par conséquent : F ( x)   x2
 

1  e
8
si x  0

Exercice 10 : Soit F(x) la fonction de répartition de la variable aléatoire X telle que :

0 si x  0

F ( x)   x si 0  x  1
1 si x  1


On pose Y  X
2
, déterminer la densité de probabilité de la variable aléatoire Y.

Solution : On a F ( x)  p( X  x) et on sait que Y  X 2 , donc on aura :


p(Y  y )  p( X 2  y )  p X  y  Fx   y y , pour tout y  [0,1] . Donc la fonction de

0 si y  0,1

densité de Y est donnée par : f ( y )   1
2 y si y  [0,1]


Exercice 11 : Soit une variable aléatoire X suivant la loi uniforme sur [a, b] c’est-à-dire :

0 si x  a

p ( X  x)  k ( x  a ) si a  x  b où k est une constante
k (b  a ) si x  b


1. Calculer la valeur de k.
2. Déterminer la fonction de répartition et la densité de probabilité de X
3. Calculer l’espérance mathématique, puis l’écart type de X.

85
Solution :

1
1. On sait que p( X  )  1  k  ( Si x  b F ( x)  k (b  a)) .
ba
2.

ab
b
3. E ( X )   x f ( x) dx  
b b 1 
x f ( x)dx   k xdx  k  x 2  
a a
 2 a 2

4. La variance et l’écart type de X :

 1  a  ab  b
b2 2
b
E ( X 2 )   x 2 f ( x) dx   k x 2 dx  k  x 3  
a
 3 a 3

( a  b) 2
D’où la variance de X est égale à : V ( X )  E ( X 2 )  E ( X ) 2 
12

( a  b) 2
L’écart type de X :  X  V ( X ) 
12

Exercice 12 : Soit X une variable aléatoire dont la fonction de densité de probabilité est
x
définie par : f ( x)  k e pour tout réel x, k est une constante

1. Déterminer k.
2. Déterminer l’espérance mathématique de X et sa variance.

Solution :

0  1
1.  f ( x)dx   k e x dx   k e  x dx  2k , et on sait que  f ( x)dx  1 . Donc k 
 0 2
2. E ( X )  0( puisque x f ( x) est une fonctionimpaire)


V ( X )  E( X 2 )   x 2e x dx  2 (On intègre deux fois « par parties »)
0

86
Chapitre 4- Lois de probabilité

Lorsque des valeurs de probabilités sont attribuées à toutes les valeurs que peut prendre
une variable aléatoire X, on dit qu’on affaire à distribution de probabilité (loi de probabilité).
Naturellement, cela peut être réalisé sous forme de tableau de valeurs ou sous d’une expression
mathématique.

Toute distribution de probabilité est soumise à une condition préalable de validité : le

total des valeurs de probabilité affectées à la variable X doit être strictement égal à 1. Lorsqu’on

est dans le cas où une expression suffit à définir la distribution, on peut écrire p( X  xi )  f ( xi )
.

Ces lois de probabilités tentent de décrire des phénomènes statistiques afin de calculer la
probabilité de certains événements. Dans le présent chapitre, nous examinons les paramètres
(de position et de dispersion) de ces lois, les conditions et les situations de leur applicabilité.

1- Lois de probabilité discrètes

Dans le présent point, il sera question de variables aléatoires discrètes, c’est-à-dire de

variables qui ne peuvent prendre qu’un nombre entier de valeurs. Ce seront plus précisément
les principaux modèles de ce type qui seront étudiés, c’est-à-dire les lois ; Bernoullienne,
binomiale, hypergéométrique et de poisson.

1-1- Loi de Bernoulli

Un schéma de Bernoulli est une expérience aléatoire qui a deux résultats possibles (succès
ou échec). Donc, une variable aléatoire X suit une loi de Bernoulli si elle associée à une épreuve
aléatoire qui ne peut prendre que deux issues possibles. La réalisation de l’évènement auquel
on s’intéresse soit appelé « succès » et on le note S. Cet événement a une probabilité p. on
appelle l’événement complémentaire (contraire) de S l’événement « échec » et on le note S
avec une probabilité 1-p=q.

Un processus de Bernoulli peut être considéré comme un procédé d’échantillonnage

présentant les trois caractéristiques suivantes :

87
  Pour chaque épreuve ou observation, il n’y a que deux résultats possibles
(mutuellement exclusifs) possibles. On convient de leur attribuer les noms de succès
et échec ;
 La suite des épreuves, ou observations, est une suite d’événements indépendants ;
 La probabilité d’un succès, qu’on note p, demeure absolument la même pour toutes
les épreuves de la suite ( il s’agit d’un processus stationnaire).

On peut synthétiser la loi de probabilité d’une variable aléatoire X qui suit une loi de
Bernoulli par le tableau ci-après.

Résultats possibles de l’épreuve Succès Echec 2

xi 1 0 p
i 1
i

pi p q=1-p 1

Définition : X variable aléatoire sur (Ω, P (Ω), p) est dite de variable de Bernoulli si

X ()  {0, 1} . On note couramment :

p  p ( x  1)
q  p ( x  0)

On a bien sûr p  q  1 ; p probabilité du « succès » est appelé paramètre de la loi de X.

Propriétés : Si X sui une variable de Bernoulli on a :

E ( X )  1 p  0  q  p
V ( X )  [12  p  02  q]  p 2  p  p 2  p (1  p )  pq
X  pq

Exemple : On lance un dé équilibré et on s’intéresse à l’événement « obtenir le numéro

6 ». On peut alors choisir pour univers l’ensemble {S , S} avec S est l’issue « obtenir le

numéro 6 », S est le résultat « ne pas obtenir le numéro 6 ».

88
 Résultats possibles de l’épreuve S 2

p
S
xi 1 0 i
i 1

pi 1 5 1
6 6
1
E( X ) 
6
5
V (X ) 
36

1-2- Loi Binomiale (expériences indépendantes c a d des tirages avec remise et

processus stationnaire)

X : la probabilité d’obtenir k succès après n tirages

La distribution binomiale est une distribution particulière de probabilité discrète

rencontrée lorsqu’on se trouve dans un cas de processus de Bernoulli.

Lorsqu’on répète n fois un schéma de Bernoulli, toujours dans les mêmes conditions et
de façons que le résultat S ou S de l’une quelconque des épreuves ne dépende pas des épreuves
précédentes, on dit que la variable aléatoire X suit une loi binomiale de paramètres n et p.

Autrement dit, une variable est dite binomiale de paramètres n et p s’elle peut être
considérée comme étant la somme de n variables de Bernoulli identiques et indépendantes de
paramètre p.

Définition : On dit que la variable aléatoire X suit une loi binomiale de paramètres n et p notée
X⇢ B(n, p) lorsque :

 X ()  {0,1, 2,..., n}



k  X (), p( X  k )  Cn p q  Cn p 1  p 
k k nk k k nk


n n
La formule du binôme de Newton donne immédiatement  p( X  k )  Cnk p k q nk 1
k 0 k 0

Propriétés : Si X suit une loi binomiale B(n, p) on a :

89
 E ( X )  E ( X 1  X 2  ...  X n )  E ( X 1 )  E ( X 2 )  ...  E ( X n )
 nE ( X i )  np
V ( X )  V ( X 1  X 2  ...  X n )  V ( X 1 )  V ( X 2 )  ...  V ( X n )(car les X i sont indépendants)
 nV ( X i )  npq
X  npq

Exemple 1 : Une urne contient 100 boules, 10 blanches, 30 vertes, 40 rouges et 20 jaunes.
On effectue trois tirages avec remise d’une boule de l’urne. On s’intéresse à l’événement
« obtenir deux boules blanches en trois tirages ». Calculer la probabilité de cet événement
(tirages sont équiprobables).

Solution : L’expérience est une répétition de trois épreuves de Bernoulli indépendantes,

l’épreuve ici « tirer une boule » avec pour sucés « la boule tirée est blanche » et pour
échec « tirer une boule de couleur non blanche ».

Comme les résultats d’un tirage sont équiprobables on a la probabilité de l’événement

10 90
succès est  0,1 et la probabilité de l’événement échec est  0,9 . D’où la probabilité
100 100
de d’obtenir deux boules blanches en trois tirages est donnée par :

p( X  2)  C32 p 2 q32  C32 (0,1)2 (0,9)1  3  0,01 0,9  0,027

Exemple 2 : Une urne contient des boules rouges et des boules vertes. La proportion des
1 5
boules rouges est , celle des boules vertes . On fait l’hypothèse de l’équiprobabilité à
6 6
chaque tirage. Les tirages successifs sont effectués avec remise. Chaque tirage consiste à
tirer une seule boule de l’urne.

1. On tire 4 boules de l’urne. Quelles est la probabilité, sur les 4 boules tirées, deux,
et deux seulement, soient rouges ?
2. Quelle est la probabilité que, sur les 4 boules tirées, une au moins soit rouges ?
3. Dans cette question, on peut procéder au maximum à 4 tirages successifs.
Cependant, on décide d’arrêter les tirages dès que l’obtient une boule rouge, si

90
 toutefois cela se produit avant le quatrième tirage. Soit X la variable aléatoire dont
les valeurs égales au nombre de tirages effectués.
a. Donner la loi de probabilité de X.
b. Calculer l’espérance mathématique de X.
c. Calculer l’écart type de X.

Solution : Comme les tirages dans l’urne sont indépendants, la variable aléatoire X égale au
 1
nombre de boules rouges obtenues au cours des quatre tirages suit la loi binomiale B  4, 
 6

1. La probabilité d’obtenir exactement deux boules rouges en quatre tirages est donnée
2 2
4 2 1 5 96
par : p ( X  2)  C p q
2
4
2
C     
2
4 .
6 6 625
2. La probabilité d’obtenir au moins une boule rouge dans les quatre tirages est :
p( X  1)  p( X  1)  p( X  2)  p( X  3)  p( X  4)
4
 5  369
ou p( X  1)  1  p( X  0)  1  C40 p 0 q 4  1    
 6  625
Remarque : p( événement au moins égal à 1) 1  p( événement égal à zéro)
3. La distribution de probabilité de X : X prend les valeurs 1, 2, 3, 4. A tire d’exemple
l’évènement « X=3 » signifie les deux premières boules sont vertes et la troisième boule
tirée est rouge. L’indépendance des événements (tirages avec remise) entraîne : par
5 5 1
exemple pour p( X  3)    . On peut donner le la loi de X par le tableau suivant :
6 6 6
xi 1 2 3 4
pi 1 5 1 5 25 3
5 1 5
4 4

6
 
6 6 36 216      
6 6 6
125
216
p
i 1
i 1

xi pi 1 10 75 500 4
671
6 36 216 216 x p
i 1
i i
216


xi2 pi 1 20 225 2000 4

2381
6 36 216 216 
i 1
xi2 pi 
216

On a donc

91
 671
E( X ) 
216
2
2381  671 
V ( X )  E( X )  E( X ) 
2 2
  1, 733
216  216 
 X  V ( X )  1, 733 1,316

1-3- Loi géométrique (expériences indépendantes, processus stationnaire)

X : le nombre d’épreuves nécessaire pour obtenir un premier succès

Lorsqu’on répète plusieurs fois une expérience de type Bernoulli de paramètre p de

manière identique et indépendante. Si X est le temps d’attente k du premiers succès, on dit que
X suit une loi géométrique de paramètre p noté X⇢ G ( p) .

p( X  k )  p(1  p)k 1  pq k 1

Propriétés : Si X suit une loi géométrique G ( p) on a :

1
E( X ) 
p
q
V (X )  2
p

Exemple : Une urne contient 20 boules noires, 10 boules vertes et 20 boules rouges. On
tire une boule de l’urne. Quelle est la probabilité d’obtenir pour la première fois une boule
noire en cinq tirages.

20 2
Solution : On la probabilité du succès est égale à p( N )   . Donc la probabilité
50 5
d’obtenir pour la première fois une boule noire en 5 tirages est :
5 1 4
2  2 2 3
p ( X  5)  pq k 1   1      .
5  5 5 5

92
 1-4- Loi hypergéométrique (deux paramètres de taille/ triages sans remise)

Expériences dépendantes et X : le nombre d’objets de l’échantillon qui possède le

caractère étudié

Une des caractéristiques du processus de Bernoulli est, nous l’avons vu, que la probabilité
p d’un succès demeure constante pour chaque épreuve (tirages indépendants=chaque individu
peut apparaître plusieurs fois)). C’est pourquoi la distribution binomiale ne pourrait être utilisée
dans le cas de tirages dépendants (sans remise=sans répétition).

Dans la loi hypergéométrique, l’hypothèse de de l’indépendance des tirages ne se

maintient plus. Dit autrement, la loi hypergéométrique intervient dans le cas de plusieurs
expériences aléatoires dépendantes, c’est-à-dire que chaque individu ne peut apparaître deux
fois. Il s’agit donc de tirage exhaustif.

Définition : Soit une population finie de taille N dans laquelle on compte deux sous ensemble

d’individus ; n1 qui possède le caractère étudié et n2 qui ne possède pas le caractère étudié (

N  n1  n2 ). Supposons qu’on y prélève, au hasard, un échantillon de n individus sans remise

et que l’on vise à obtenir k succès. On appelle loi hypergéométrique de paramètres N, n1 , et p

notée H ( N , n1 , p) la loi de variable X telle que :

Cnk1 Cnn2 k
p( X  k )
CNn
avec :
 N la taille dela population
n la taille del ' effectif qui possèdele caractère étudié
 1
n2 la taille del ' effectif qui ne possède pas le caractère étudié
n la taille del ' echantillon prélevès sans remise

k le nombretotal de succès

Propriétés : Si X est une variable hypergéométrique de loi H ( N , n, p) on a :

E ( X )  np
N n  N n
V ( X )  npq avec   est le coefficient d ' exaustivité
N 1  N 1 

93
Exemple 1 : Dans une société qui compte 6 employés, trois d’entre eux appartiennent à la
société depuis 5 ans. Si, dans ce groupe de 6 employés, on prélève, au hasard, un
échantillon de 4 employés. Quelle est la probabilité pour qu’il a en ait exactement 2 dans
l’échantillon à présenter ce caractère.

Solution : X suit une loi hypergéométrique H (6, 2, p) . On a donc

C32 C6432 C32 C32

p ( X  2)    0, 6
C64 C64

1-5- Loi de Poisson (tirages indépendants)

X : le nombre d’occurrence (d’apparition) moyen par unité de temps

La distribution de Poisson est une distribution de probabilité utilisée lorsqu’il s’agit de

déterminer des probabilités de succès relatives à des événements que l’on considère comme
répartis dans le temps ou dans l’espace.

Comme dans le cas des processus de Bernoulli, on admet l’hypothèse que les événements
sont indépendants et que le processus est stationnaire.

Chaque processus de Poisson ne dépend que du nombre moyen de succès correspondant

à l’intervalle de temps ou à la portion d’espace que l’on considère, afin d’y déterminer des
valeurs de probabilité. On utilise généralement le symbole  pour désigner ce nombre moyen.

Définition : Soit  un réel strictement positif. On appelle loi de Poisson de paramètre  notée
P( ) , la loi variable aléatoire X telle que :

k
p( X  k )  e 
k!

Propriétés : Si X est une variable de Poisson de la loi P( ) on a :

E( X )  
V (X )  

94
Exemple 1 : Un atelier de réparation de machines reçoit en moyenne 5 appels de service
par heure. La probabilité pour que, durant une certaine heure, on reçoive exactement 3
appels est :

53
Solution : On a   5 , donc p( X  3)  e 5  0,1404
3!

Exemple 2 : En reprenant les données de l’exemple ci-dessus, soit une moyenne de 5 appels
à l’heure dans un atelier de réparation, calculer, pour une heure choisie au hasard, la
probabilité pour qu’on reçoive moins de 3 appels.

Solution : p( X  3)  p( X  2)  p( X  0)  p( X  1)  p( X  2)

50
5
p ( X  0)  e  0, 0067
0!
51
On a p ( X  1)  e 5  0, 0377
1!
52
p ( X  2)  e 5  0, 0842
2!

Donc p( X  3)  0,1246

Exemple 3 : Un décorateur attaché au service de consultation d’un magasin de tissus

répond en moyenne à 12 questions par heure. On demande la probabilité pour qu’en une
période de 10 minutes, il lui soit posé 3 question ou plus.

Solution : La première chose à faire est de calculer  c’est-à-dire la moyenne pour 10

minutes. Moyenne pour une heure est 12, ceci implique la moyenne pour 10 minutes est
12
2.
6

p( X  3)  p( X  3)  p( X  4)  ...  p( X  9)
 0,1804  0, 0902  0, 0361  0, 0120  0, 0034  0, 0009  0, 0002
 0,3232

95
2- Lois de probabilité continues

A l’encontre des variables aléatoires discrètes qui ont fait l’objet du précédent point de ce
chapitre, les variables aléatoires continues sont celles qui peuvent prendre n’importe quelles
valeurs réelles de tout l’intervalle de définition. Une conséquence de cette caractéristique est
qu’il est impossible de faire une liste desdites valeurs et d’attribuer à chacune une probabilité.

C’est pourquoi l’approche qui convient à ce type de variables consiste à bâtir une fonction
dite de densité de probabilité.

2-1- Loi uniforme

Définition : Soient a et b deux nombres réels tels que a  b . On appelle variable aléatoire sur
l’intervalle [a, b] une variable aléatoire absolument continue admettant comme densité la
fonction f définie par :

 1
 si x   a, b 
f ( x)   b  a
0
 si x   a, b 

La fonction de répartition de cette variable est donnée par :

0 si x  a
xa

F ( x)   si x   a, b 
b  a
1 si x  b

Valeurs caractéristiques : Si X suit une loi uniforme sur l’intervalle  a, b  , on a :

ab
E( X ) 
2
(b  a ) 2
V (X ) 
12
ba
X 
2 3

Exemple : Soit une variable aléatoire équirépartie (répartition uniforme) sur l’intervalle
1 3
  x  . Calculer :
4 4

96
 1. La densité de probabilité ;
2. La fonction de répartition ;
3. L’espérance mathématique de X ;
4. L’écart type de X.
Solution :
1. La fonction de densité de X :

  1 3 
0 si x   ,    ,   
  4 4 
f ( x)  
1  1 3
si x    , 
  4 4

2. La fonction de répartition de X :
  1
O si x   ,  
  4
 1  1 3
F ( x)   x  si x    , 
 4  4 4
 3 
1 si x   ,   
 4 
ab 1
3. Espérance mathématique de X : E ( X )  
2 4
1
4. Ecart type de X :  X 
2 3

2-2- Loi normale (ou de Laplace-Gauss)

La distribution normale de probabilité peut être rangée parmi les distributions à la fois
symétriques et moyennement aplaties (mésokurtiques).
La distribution normale de probabilité est importante en inférence statistique pour les
raisons suivantes :
 Les mesures obtenues dans beaucoup de processus aléatoires peuvent être
considérées comme obéissant à une loi normale ;
 Sous certaines conditions assez fréquemment rencontrées, une distribution normale
de probabilité peut être utilisée comme une approximation d’une autre distribution
telles une distribution binomiale ou une distribution de Poisson ;

97
  La distribution de certaines statistiques telles que la moyenne d’échantillon ou la
proportion de l’échantillon obéissent souvent à une loi normale de probabilité, quelle
que soit la distribution de la population sur laquelle est prélevé l’échantillon.

Comme la distribution normale de probabilité est une distribution continue, on ne peut

parler de valeur de probabilité que relativement à un intervalle de valeurs de la variable.

avec m  E ( X ) et  X 
*
Définition : Soient m  . On appelle variable aléatoire de

paramètres m et  X , une variable aléatoire admettant comme fonction de densité, f définie

dans l’intervalle ,   par :
( x  m )2

1 2X2
f ( x)  e
 X 2

Avec m est la moyenne de la distribution et  X l’écart type tandis que les  et e sont
les constantes mathématiques bien connues (  3,1416 et e 2, 7183 ).

N’importe quelle distribution normale de paramètres ( (m,  X ) peut être ramenée normale
réduite.

Théorème : Soit X une variable aléatoire normale de paramètres (m,  X ) . La variable

X m
aléatoire réduite associé Z  suit une loi normale réduite de paramètres (0,1) définie par
X
la fonction de densité suivant :
2
1  z2
f ( z)  e
2
Par ce changement, toutes les variables aléatoires se ramènent à la loi normale réduite.
Exemple 1 : On sait que la durée de fonctionnement d’un composant électrique de type

donnée suit une loi normale de de paramètres m  2000 heures et  X  200 ( N (2000, 200) ).

1. Calculer la probabilité pour qu’un composant, prélevé au hasard, à la sortie de

fabrication ait une durée comprise entre 2000 et 2400 heures.
2. Quelle est la probabilité pour qu’un tel composant, prélevé au hasard, ait une
durée de fonctionnement supérieure à 2200heures ?

Solution :
98
 X m 2400  2000
1. On peut définir une nouvelle variable Z avec Z    2 . Donc
X 200
p(2000  x  2400)  p(0  z  2)  0, 4772
2. La borne de 2200 heures se traduit pour la distribution normale centrée réduite en :
X m 2200  2000
Z   1 . On a donc p(2000  x  2200)  p(0  z  1)  0,3413
X 200
(table de distribution de loi normale centrée réduite). Maintenant la probabilité pour que le
composant prélevé ait une durée supérieure à 2200 heures est :

p ( Z  1)  0,5  p (0  Z  1)  0,5  0,3413  0,1587

p ( X  2200)  0,1587

Emploi de la table de  ( z )

La table de  ( z ) donne p( Z  z ) pour t0 positif. On a évidemment p( Z  )  1 . La

fonction f ( z ) étant symétrique on a  (0)  0,5

Cas n° 1 : Calculer la probabilité suivante : p( Z  1,82)

Solution : On a z  1,82 (positif). Il suffit de lire la table  ( z ) pour z  1,82 (1,80 lu en

colonne et 0,02 lu en ligne) pour obtenir p( Z  1,82)  0,9656 .

Cas n° 2 : Calculer la probabilité suivante : p( Z  0, 77)

99
 Solution : La table ne donne les valeurs de  ( z ) que pour z positif. Dans le cas où z est
négatif on s’appuie sur le fait que la représentation graphique de f ( z ) est symétrique par rapport

à l’axe de x  0 .

 (0, 77)  1   (0, 77)  1  0, 7794  0, 2206  p( Z  0, 77) . D’une façon générale
 ( z )  1   ( z ) , qui pourrait aussi s’écrire  ( z )  1   ( z )

Cas n° 3 : Calculer la probabilité suivante : p( Z  1,19)

Solution : p(Z  1,19)  1  p( Z  1,19) 1  (1,19) 1 0,883 0,117

Cas n° 4 : Calculer la probabilité suivante : p( Z  0,85)

100
 Solution : En raison de la symétrie de f ( z ) , on a

p( Z  0,85)  p( Z  0,85)   (0,85)  0,8023

Cas n° 5 : Calculer la probabilité suivante : p(0,83  Z  1,57)

Solution : p(0,83  Z  1,57)  (1,57)  (0,83) 0,9418 0,7967 0,1451

Cas n° 6 : Calculer la probabilité suivante : p(1,96  Z  1,96)

Solution :
p(1,96  Z  1,96)  (1,96)  ( 1,96)  (1,96) [1  (1,96)] 2 (1 ,96) 1  (2 0,975) 1 0,95

Exemple 2 : Soit X une variable aléatoire normale de paramètres m  5 et X  2 . Calculer

les probabilités suivantes :

1. p( X  6) ;
2. p( X  2) ;

3. p( X  4  3) ;

4. De l’évènement X  2 sachant que X  6 .

101
 Solution :
X 5
1. Notons Z la variable aléatoire centrée réduite associée à X : Z  . Et π la
2
fonction de répartition de la loi N (0,1) .

 X 5 65  X 5 1 
p ( X  6)  p     p    p ( Z  0,5)   (0,5)  0, 6915
 2 2   2 2

 25  3   3   3 
p ( X  2)  p  Z   pZ    1 p  Z    1   
 2   2   2   2 
2.
  3    3 
1  1           0,9332
  2   2 

p( X  4  3)  p(1  X  7)  p(2  Z  1)   (1)   (2)   (1)  [1   (2)]

3.
  (1)  1   (2)  0,8413  0,9772  1  0,8185

p  ( X  2)  ( X  6)   (0,5)   (1,5)  (0,5)   (1,5)  1

p  X  2 / X  6   
p( X  6)  (0,5)  (0,5)
4.
0, 6247
  0,9034
0, 6915

Exemple 3 : Si X suit une loi normale N (m  10,  X  2) , que valent les probabilités

suivantes :

1. p( X  12,5) ;
2. p( X  8, 4) ;
3. p( X  12,5 / X  8, 4) .
Solution :
1. p( X  12,5)  0,1056 .
2. p( X  8, 4)  0, 2119 .
3. p( X  12,5 / X  8, 4)  0,8660 .
Exemple 4 : Sur un échantillon de population on note que 11% des personnes mesurent
moins de 1,60 m et 8% mesurent plus de 1,80 m. En admettant que la taille d’une personne
est une variable aléatoire normale, préciser ses paramètres.

Solution : désignons par X la variable aléatoire égale à la taille d’une personne par m et  X
ses paramètres et par Z la variable réduite associée.
102
  p( X  1, 60)  0,11
On a 
 p( X  1,80)  0, 08

  1, 60  m 
pZ    0,11
  X 
Soi t 
 p  Z  1,80  m   0, 08
  X 

 

En notant π la fonction de répartition de la loi normale réduite nous obtenons

  1, 60  m    1, 60  m 
    0,11      0,89
  X    X 
 
1    1,80  m   1,80  m   0,92
    0, 08   
  X   X 

0,89 et 0,92 ne sont pas lisibles dans une table usuelle des valeurs de π, il convient donc, si on
ne veut pas utiliser une calculatrice possédant la fonction π, de faire une interpolation linéaire.
Rappelant le procédé. Si une fonction π prend des valeurs connues en deux points réels a et b,
 ( x)   (a) x  a
si x  a, b alors  .
 (b)   (a) b  a
Déterminons par exemple le réel x tel que  ( x)  0,89 . Nous observons sur la table des valeurs
π:
 (1, 22)  0,8888

 (1, 23)  0,8907
π étant croissante, x  1, 22;1, 23  et une valeur approchée de x :

 ( x)   (1, 22) x  1, 22

 (1, 23)   (1, 22) 1, 23 1, 22
0,89  0,8888
Soit x  1, 22  0, 01 1, 226
0,8907  0,8888
Un calcul analogue nous donne comme valeur approchée de x tel que
 ( x)  0,92
0,92  0,9192
x  1, 40  0, 01 1, 405
0,9207  0,9192
Ce qui nous conduit au système
103
  1, 60  m
   1, 228
 X

1,80  m  1, 405
  X

Puis à m 1,693 m et  X 0,076

2-3- Loi exponentielle

Définition : Soit  un réel strictement positif. On appelle variable exponentielle, de paramètre

 , une variable aléatoire absolument continue admettant comme densité la fonction définie
par :

0 si x  0
f ( x)     x
 e si x  0

Sa fonction de répartition F est alors définie par :

0 si x  0
F ( x)  
1   e
 x
si x  0

Valeurs caractéristiques : Si X suit une exponentielle de paramètre  :

1
E( X ) 

1
V (X )  2

1
X 


Exemple 1 : La durée de vie, en heures d’un composant électronique est modélisée par
5
une loi exponentielle de paramètre   .
1000

1. Calculer la probabilité de choisir au hasard un composant électronique qui a une

durée de vie moins de 100h ?
2. Calculer la durée de vie moyenne de l’un de ces composants électroniques.

104
Solution :

100
p(0  X  100)  
100
1. 0, 005 e0,005 x dx   e 0,005 x   e 0,005100  e 0,0050 0,39 .
0 0

2. La durée de vie moyenne d’un composant électronique est égale à son espérance
1 1
mathématique E ( X )    200 h .
 0, 005

Exemple 2 : La durée de vie, en heures, d’un composant électronique suit une loi
exponentielle de paramètre  .

1. Déterminer la valeur de  de cette loi sachant que p( X  800)  0,3 .

2. Calculer la durée de vie moyenne de ce composant électronique.

Solution :

800
p( X  800)  1  p( X  800)  1  
800
1.  e  x dx  1  e  x  0  1  (e800  e0 )  e800 
0

On aura donc p( X  800)  0,3  e800 . Ce qui implique :

ln(0,3)
800  ln(0,3)      0, 0015 à 103 près
800

1 1
2. La durée de vie moyenne de ce composant est égale à E ( X )   667 h
 0, 0015

105
 Exercices corrigés _Chapitre 3- Lois de probabilité

Exercice 1 : Dans une société qui compte 6 employés, trois d’entre eux appartiennent à
la société depuis 5 ans. Si, dans ce groupe de 6 employés, on prélève, au hasard, un
échantillon de 4 employés. Quelle est la probabilité pour qu’il a en ait exactement 2 dans
l’échantillon à présenter ce caractère.

Solution : X suit une loi hypergéométrique H (6, 2, p) . On a donc p( X  2)  0, 6

Exercice 2: Un atelier de réparation de machines reçoit en moyenne 5 appels de service

par heure. Calculer, pour une heure choisie au hasard, la probabilité pour qu’on reçoive
moins de 3 appels.

Solution : X suit une loi de Poisson. p( X  3)  0,1246

Exercice 3 : Un décorateur attaché au service de consultation d’un magasin de tissus
répond en moyenne à 12 questions par heure. On demande la probabilité pour qu’en
une période de 10 minutes, il lui soit posé 3 question ou plus.

Solution : X suit une loi de Poisson : p( X  3)  0, 3232

Exercice 4 : Soit X une variable aléatoire normale de paramètres m  5 et X  2 .

Calculer les probabilités suivantes :

1. p( X  6) ;
2. p( X  2) ;
3. p( X  4  3) ;
4. De l’évènement X  2 sachant que X  6 .

Solution :

1. p( X  6)  0, 6915
2. p( X  2)  0,9332

3. p( X  4  3)  0,8185

4. p  X  2 / X  6   0,9034

Exercice 5 : Si X suit une loi normale N (m  10,  X  2) , que valent les probabilités
suivantes :

1. p( X  12,5) ;
2. p( X  8, 4) ;

106
 3. p( X  12,5 / X  8, 4) .

Solution :

1. p( X  12,5)  0,1056 .
2. p( X  8, 4)  0, 2119 .
3. p( X  12,5 / X  8, 4)  0,8660 .

Exercice 6 : Déterminer la moyenne et l’écart type d’une variable aléatoire normale X

sachant que : p( X  5)  0,1587 et p( X  20)  0,9772 .

Solution : Soient m et  X la moyenne et l’écart type de X, on sait

  5m   5m 
 p ( X  5)  p  Z       0,1587
  X   X 

 p ( X  20)  p  Z  20  m     20  m   0,9772
    
  X   X 

Où Z désigne la variable centrée réduite associée à X et  la fonction de répartition de la

 5m 
loi normale réduite N (0,1) .    Étant inférieur à 0,5 utilisons le complément à 1, donc on

 X 

 5m   5m 
aura 1  0,1587  0,8413  1         . D’autre part, une table numérique de la
 X   X 
loi normale réduite nous donne 0,8413   (1) et 0,9772   (2) et l’inactivité de  conduit

 5m
   1

alors à  X
, Dont on déduit immédiatement m  10,  X  5
 20  m
2
  X

Exercice 7 : Déterminer la moyenne et l’écart type d’une variable aléatoire normale X

sachant que p( X  1)  0, 6915 et p( X  4)  0, 0668

Solution : Même démarche de l’exercice n°8

107
 Exercice 8 : Sur un échantillon de population on note que 11% des personnes mesurent
moins de 1,60 m et 8% mesurent plus de 1,80 m. En admettant que la taille d’une
personne est une variable aléatoire normale, préciser ses paramètres.

Solution : désignons par X la variable aléatoire égale à la taille d’une personne par m et  X
ses paramètres et par Z la variable réduite associée.

 p ( X  1, 60)  0,11
On a 
 p ( X  1,80)  0, 08

  1, 60  m 
pZ    0,11
  X 
Soit 
 p  Z  1,80  m   0, 08
  X 

 

En notant π la fonction de répartition de la loi normale réduite nous obtenons

  1, 60  m    1, 60  m 
    0,11      0,89
  X    X 
 
1    1,80  m   0, 08  1,80  m   0,92
     
  X   X 

0,89 et 0,92 ne sont pas lisibles dans une table usuelle des valeurs de π, il convient donc,
si on ne veut pas utiliser une calculatrice possédant la fonction π, de faire une interpolation
linéaire. Rappelant le procédé. Si une fonction π prend des valeurs connues en deux points réels
 ( x)   (a) x  a
a et b, si x  a, b alors  .
 (b)   (a ) b  a

Déterminons par exemple le réel x tel que  ( x)  0,89 . Nous observons sur la table des valeurs

 (1, 22)  0,8888

π:  , π étant croissante, x  1, 22;1, 23  et une valeur approchée de x :
 (1, 23)  0,8907

 ( x)   (1, 22) x  1, 22

 (1, 23)   (1, 22) 1, 23  1, 22

108
 0,89  0,8888
Soit x  1, 22  0, 01 1, 226
0,8907  0,8888

Un calcul analogue nous donne comme valeur approchée de x tel que

 ( x)  0,92
0,92  0,9192
x  1, 40  0, 01 1, 405
0,9207  0,9192

 1, 60  m
   1, 228

Ce qui nous conduit au système 
X
, Puis à m 1,693 m et  X 0,076
1,80  m  1, 405
  X

Exercice 9 : La durée de vie, en heures, d’un composant électronique suit une loi
exponentielle de paramètre  .

3. Déterminer la valeur de  de cette loi sachant que p( X  800)  0,3 .

4. Calculer la durée de vie moyenne de ce composant électronique.

Solution :

1.   0,0015 à10 près

3

E ( X ) 667 h

109
 Table de Loi Normale
Fonction de répartition  de la loi normale centrée
réduite.
Probabilité de trouver une valeur inférieure à z.
 (-z) = 1 -  (z) z
u 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.0 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997

110
 p
k
Table de la loi de Poisson p( X  k )   e  (  le nombre d’occurrences moyen)
k 0 k!


111
 Références bibliographies

[1]. Gagou, A. (1998). « Introduction aux probabilités », 2ème édition.

[2]. Dupont, R. et Fleury, J. (1986). « Probabilités statistiques- Programmation linéaire »,
Edition Vuibert, Mars.
[3]. Degrave, D. et Degrave, C. (2004). « Probabilités- Statistiques », Bréal.
[4]. Pellaumail, J. (1986). « Probabilités, Statistiques, File d’attente, Cours et Exercices
Résolus », Dunod Université.
[5]. Léonard, J. Kakmeir. (1982). « Statistique de la gestion : Théorie et Problèmes », Edition
Montréal.
[6]. Gautier, C. et al. (1976). « Analyse/ Probabilités », Librairie Hachette.
[7]. Meslouhi, K. (2001). « Calcul des probabilités, Cours et Exercices », FSJES, Fès.
[8]. Paul, Pichaureau. (2013). « Probabilités pour la prépa », Imprimerie France Query.
[9]. Lazar, Ph. et Schwartz, D. (1974). « Eléments de probabilités et Statistiques », Edition
Flammarion.
[10]. Cluzel, R. et Vissio, P. (1970). « Statistique et Probabilités », Edition Delagrave.
[11]. Pougotchev, V. (1983). « Théorie des Probabilités et Statistique Mathématique »,
Edition de Moscou.

112