Probabilités

Table des matières

Probabilités simples
1. Introduction : lien fréquence probabilité


























































1
2. Une définition pratique : le modèle d’urne



























































2
3. Définitions et propriétés élémentaires
































































2
3.1 - Vocabulaire


















































































2
3.2 - Situation d’équiprobabilité



































































2
3.3 - Les premiers théorèmes






































































2
4. Dénombrements




















































































3
4.1 - Ensemble des n-uplets d’un ensemble

























































3
4.2 - Arrangements d’un ensemble – Permutations

















































3
4.3 - Combinaisons d’un ensemble

































































4
4.4 - Triangle de Pascal – Formule du binôme de Newton










































4
5. Résumé, applications aux calculs de probabilités





















































5
5.1 - Arrangements et combinaisons































































5
5.2 - Situations de référence







































































5
5.2.1 - Tirages avec remise




































































5
5.2.2 - Tirages sans remise





































































5
5.2.3 - Tirages simultanés





































































5
6. Probabilités conditionnelles, événements indépendants














































5
7. Partition d’un ensemble – Formule des probabilités totales











































6

Variables aléatoires
1. Variable aléatoire




















































































7
2. Somme de deux variables aléatoires

































































7
2.1 - Indépendance de deux variables aléatoires




















































7
2.2 - Espérance mathématique d’une somme de variables aléatoires
































7
2.3 - Variance de la somme de variables aléatoires indépendantes


































7
2.4 - Somme de varables aléatoires suivant des lois usuelles








































7
2.4.1 - Lois normales










































































7
2.4.2 - Lois de Poisson








































































7
3. Loi de probabilité – Fonction de répartition


























































8
3.1 - Cas d’une variable X discrète

































































8
3.2 - Cas d’une variable X continue
































































8
4. Espérance, variance, écart-type d’une variable aléatoire














































8

Les lois de probabilités classiques

1. Loi binômiale (épreuves indépendantes répétées)




















































9
2. Loi de Poisson





















































































10
3. Loi normale (dite de Laplace-Gauss)
































































11
3.1 - Cas général

















































































11
3.2 - Loi normale centrée réduite

































































12
3.3 - Retour au cas général







































































14
3.4 - Quelques aires remarquables
































































14
3.5 - Approximation d’un loi binômiale par une loi normale






































15

Exercices
1. Dénombrements et probabilités simples




























































16
2. Probabilités conditionnelles








































































18

Variables aléatoires
i
Les lois de probabilités classiques
1. Loi binômiale






















































































23
2. Loi de Poisson





















































































24
3. Loi normale
























































































25

ii
 Probabilités simples
1. Introduction : lien fréquence probabilité
Il a fallu longtemps pour arriver à une définition satisfaisante de la probabilité. Celle en vigueur actuellement a été
publiée en
 et est due au russe Kolmogorov. Cette définition explicite le lien entre la fréquence d’un événement et
sa probabilité. Elle s’exprime de façon tout à fait rigoureuse (bien sûr), et en français vulgarisé elle dit à peu près ceci :
Plus le nombre d’expérience augmente, et plus il est probable que la fréquence de l’événement A sera proche
de la probabilité de A.
Par exemple, au jeu de Pile ou Face, la probabilité de l’événement  obtenir un Pile  est 1 2. Cela signifie que plus
le nombre de parties augmente, et plus il est probable que la fréquence d’apparition du Pile soit proche de 1 2.
Dans la pratique, on obtient des schémas où l’on observe une certaine  stabilisation de la fréquence  avec
l’augmentation du nombre d’expériences.
Par exemple, en voici un issu d’une simulation de 1 000 parties successives.

0.65

0.6

0.55

0.51
0.5
0.49

0.45
50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 950

0.4

Simulation du jeu de Pile ou Face sur 1 000 parties

évolution de la fréquence d’apparition du Pile
Sur 100 000 parties, on obtient un graphique de ce type (noter le facteur d’agrandissement par rapport au graphique
précédent) :

0.54

0.53

0.52

0.51 0.505

0.5

0.49
0.495
0.48

0.47
5000 10000 15000 20000 25000 30000 35000 40000 45000 50000 55000 60000 65000 70000 75000 80000 85000 90000 95000
0.46

0.45

0.44

0.43

0.42

0.41

0.4

Simulation du jeu de Pile ou Face sur 100 000 parties

évolution de la fréquence d’apparition du Pile
Cette définition est évidemment inexploitable telle quelle à notre niveau, bien qu’il soit possible (et donc probable),
que nous la retrouvions plus tard dans l’année scolaire. Sous sa forme rigoureuse, elle est appelée loi faible des grands
nombres.

1
Probabilités simples ´

2. Une définition pratique : le modèle d’urne

Dans la plupart des calculs pratiques, le plus simple consiste à ramener l’exemple étudié à la situation de référence :
l’unique tirage dans une urne. On utilise ensuite la définition suivante du mot probabilité :

Définition : probabilité d’un événement

On considère une urne opaque contenant k boules blanches et q boules noires (k q


), dans
laquelle on procède à un tirage aléatoire d’une seule boule. On fait l’hypothèse que chacune des
boules a la même probabilité d’être choisie.
Alors la probabilité de l’événement  choisir une boule blanche  est
k
p=
k+q

Dans la pratique, cela revient à effectuer une modélisation de la situation par un tirage dans une urne, ramenant le
problème à un simple calcul de dénombrement.
Néammoins, si l’on préfère, on peut utiliser l’ensemble des formules qui suivent.

3. Définitions et propriétés élémentaires

3.1 - Vocabulaire
On considère une expérience aléatoire (c’est à dire dont le résultat dépend du hasard). L’ensemble de toutes les issues
de cette expérience est appelé univers des possibles ; on le note souvent Ω.
On appelle événement toute partie de l’univers des possibles, un événement réduit à une seule issue étant appelé
événement élémentaire. Le tableau qui suit résume les définitions et notations usuelles relatives à la notion
d’événement :
langage ensembliste langage des probabilités notation
A est une partie de Ω A est un événement A Ω 
A est vide l’événement A est impossible A = 0/
A est égal à Ω A=Ω

l’événement A est certain
C est la réunion de A et B

C est l’événement (A ou B) C=A B
C est l’intersection de A et B

C est l’événement (A et B) C=A B
A et B sont disjoints A et B sont incompatibles A B = 0/
A et B sont complémentaires A et B sont des événements contraires A = B = cB

3.2 - Situation d’équiprobabilité

Lorsque toutes les issues ont la même probabilité d’apparaı̂tre, on dit que l’on est dans une situation d’équiprobabilité.
Dans ce cas, si Card Ω = n, la probabilité de chacun des événements élémentaire de Ω est 1 n. En découle le fait que si
l’événement A est composé de p événements élémentaires, alors la probabilité de A est p(A) = p n, formule que l’on
se rappelle souvent sous la forme

Card A nombre de cas favorables

p(A) = =
Card Ω nombre de cas possibles

En fait, la majeure partie des problèmes de Bts se situent sous l’hypothèse d’équiprobabilité (ou alors on s’y ramène,
au moins en pensée, par exemple en numérotant les boules lors d’un tirage dans une urne), et l’une des premières
choses à faire lors d’un exercice (après avoir lu son texte et traduit les hypothèses), consiste à dénombrer le cardinal de
l’univers des possibles.

3.3 - Les premiers théorèmes

Ils sont au nombre de trois et sont valables y compris dans les cas de non-équiprobabilité.
1. Si A et B sont des événements incompatibles, (i.e. si A B = 0) 
/ alors

p(A  B) = p(A) + p(B)

2
Probabilités simples ´

2. Quel que soit l’événement A, la probabilité de l’événement contraire A est donnée par

p(A) = 1 p(A)

3. Quels que soient les événements A et B, on a

p(A  B) = p(A) + p(B) p(A  B)

4. Dénombrements
4.1 - Ensemble des n-uplets d’un ensemble
On considère un ensemble E et un entier n

 . On appelle n-uplet (ou n-liste ) de E toute liste ordonn ée de n
éléments de E.

Exemple :


Si E est l’ensemble à 3 éléments E = 1 2 3  , alors (1 1 1), (1 2 3) et (3 2 1) par exemple, sont
des triplets, ou 3-listes, de l’ensemble E. Et (2 2) est un couplet, ou 2-liste, de E.

On note E n , ou  E  E  


 E , l’ensemble des n-listes de E.

n fois

Exemples :


Si E est l’ensemble à 2 éléments E = a b  , alors E 3 est l’ensemble


E 2 = (a a); (a b); (b a); (b b) 

et E 3 est l’ensemble


E 3 = (a a a); (a a b); (a b a); (a b b); (b a a); (b a b); (b b a); (b b b) 

2
La notation désigne l’ensemble des couples (x y) où x et y sont des éléments de .

On appelle cardinal de l’ensemble E, et on note Card E, le nombre d’éléments de l’ensemble E.

Soit p un entier positif non nul et E un ensemble de cardinal Card E = n. Alors Card(E p ) = n p .

4.2 - Arrangements d’un ensemble – Permutations

Soit E un ensemble. On appelle arrangement de p éléments de E un p-uplet de E dont tous les éléments sont
distincts.
Si E est un ensemble fini de cardinal n

 , alors il n’y a qu’un nombre fini d’arrangements de p éléments de E. On
note Anp ce nombre, et on a la propriété :

Anp =  n  (n 1)  (n   


 (n
2) p + 1) avec la convention A0n = 1

p facteurs

Soit E un ensemble fini de cardinal n


. On appelle permutation de E tout arrangement de n éléments de E. On
appelle factorielle n, et on note n!, le nombre de permutations de cet ensemble E. On a donc pour tout entier n

n! = Ann =  n  (n 1)  (n   2) 


 2  1 avec la convention 0! = 1

n facteurs

On aura ainsi
0! = 1 1! = 1 2! = 2 3! = 6 4! = 24 5! = 120 etc



Avec cette nouvelle notation , on peut écrire le nombre Anp sous la forme suivante :

n!
Anp =
(n p)!

3
Probabilités simples ´

4.3 - Combinaisons d’un ensemble

Soit E un ensemble et p un entier. On appelle combinaison d’ordre p de E tout sous-ensemble de E de cardinal p.
On peut également considérer cette combinaison comme une liste non ordonnée de p éléments distincts de E.
Exemple


Si E désigne l’ensemble 1 2 3  , alors les triplets (1 2 3) et (1 3 2) représentent 2 arrangements
distincts,
2 permutations distinctes, mais une seule combinaison (que l’on note parfois entre
accolade 1 2 3  pour bien rappeler que c’est un sous-ensemble de E que l’on consid ère).
Si E est un ensemble fini de cardinal n

 , alors il n’y a qu’un nombre fini de combinaisons d’ordre p de E. On note
Cnp ce nombre, et on a la propriété :
n  (n 1)  (n 2) 


 (n p + 1) Anp n!
Cnp = = = avec la convention Cn0 = 1

p! p! p!(n p)!
En d’autres termes, Cnp représente le nombre de parties à p éléments que l’on peut faire à partir d’un ensemble à n
éléments.
4.4 - Triangle de Pascal – Formule du binôme de Newton
On a les propriétés suivantes, que l’admettra :
Propriétés

pour tout entier n


, C = 1 , 0
Cnn = 1 , Cn1 = 1 .

 , avec 0  p 
n

pour tous entiers n p n, Cnn  p

= Cnp

pour tous entiers n p

 , avec 1  p  n 1, Cnp = Cnp  1
1 + Cnp 1

Graphiquement, le calcul des Cnp successifs donne ce que l’on appelle le triangle de Pascal :
p
0 1 2 3 4 5 6 7



n
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
.. .. .. .. .. .. .. ..
. 1 . . . . . . . 1
Ainsi C52 = 10 par exemple.

Newton, qui sert à développer une expression du type (a + b)n avec n


On retrouve les Cnp dans d’autres branches des mathématiques; on a ainsi, en algèbre, la formule dite du binôme de
. Cette formule dit que si a et b sont deux
réels quelconques et n un entier quelconque, alors

∑ Cnp a p bn 
n
(a + b)n = p

p=0

autrement dit :
(a + b)n = Cn0 bn + Cn1 abn  1
+ Cn2 a2 bn  2
+  + Cnn  1 an  1 b + Cnn an
Appliqué à n = 4, la formule du binôme donne :
(a + b)4 = a4 + 4a3 b + 6a2 b2 + 4ab3 + b4

4
Probabilités simples ´

5. Résumé, applications aux calculs de probabilités

5.1 - Arrangements et combinaisons
Un p-arrangement est une liste ordonnée de p éléments distincts. Le nombre Anp = n(n 1)


(n p + 1) est égal
au nombre de p-arrangements distincts qu’il est possible de faire avec n éléments distincts.
Une p-combinaison est une liste non ordonnée de p éléments distincts. On peu également la considérer comme un
ensemble à p éléments. Le nombre Cnp = Anp p! est égal au nombre de p-combinaisons distinctes qu’il est possible de
faire avec n éléments distincts. À noter que ce nombre est également le nombre de sous-ensembles de cardinal p que
l’on peut constituer à partir d’un ensemble de cardinal n.

5.2 - Situations de référence

Ce sont les tirages dans une urne, la plupart des exercices pouvant se ramener à l’une des trois situations ci-dessous.
Dans tout ce paragraphe, on suppose que l’urne que l’on considère contient n boules ayant toutes la même probabilité
de sortie.
5.2.1 - Tirages avec remise

Si l’on effectue p tirages successifs avec remise, il y a n p issues différentes possibles.

5.2.2 - Tirages sans remise

Si l’on effectue p tirages successifs sans remise, il y a Anp issues différentes possibles si l’on tient compte de l’ordre de
sortie, et Cnp issues différentes possibles si l’on ne tient pas compte de cet ordre.
5.2.3 - Tirages simultanés

On se ramène au cas des tirages sans remise. On peut, au choix, considérer ou non que l’ordre a de l’importance, le tout
étant de rester cohérent d’un bout à l’autre de l’exercice : si l’on dénombre l’univers des possibles en tenant compte de
l’ordre, il faut tenir compte de l’ordre jusqu’à la fin de l’exercice ! Moyennant cette précaution élémentaire, les deux
méthodes (ordre ou non) donneront les même résultats en termes de probabilité.

6. Probabilités conditionnelles, événements indépendants

On considère une expérience aléatoire donnée. Soient A et B deux événements, avec p(B) = 0 (autrement dit,
l’événement B n’est pas impossible). On appelle probablité de A sachant B, et on note pB (A) ou p(A
B) le nombre

pB (A) =
p(A B)

p(B)

On a donc en particulier, si p(B) = 0, les relations

p(A  B) = p(B)  pB (A) = p(A)  pA (B)

  – En raisonnant sur les cardinaux des ensembles plûtot que sur les probabilités, on a

pB (A) =

Card(A B)
Card(B)

On dit que les deux événements A et B sont indépendants si p(A  B) = p(A)  p(B) (ce qui revient à dire que
pB (A) = p(A)).

5
Probabilités simples ´

7. Partition d’un ensemble – Formule des probabilités totales

Soit Ω un ensemble et B1 B2 


Bn , des sous ensembles de Ω. On dit que la famille (B1 B2 


Bn ) est une partition
de Ω lorsque les deux conditions suivantes sont vérifiées :

les Bi sont disjoints deux à deux, (autrement di Bi B j = 0/ si i = j),

Ω est inclus dans la réunion des Bi (autrement dit B1 B2


Bn = Ω).  
Par exemple, si B est un sous ensemble de Ω, alors (B B) est une partition de Ω.

Propriété Formule des probabilités totales

Dans une expérience aléatoire, on note Ω l’ensemble des résultats possibles (on parle aussi de
l’univers associé à l’expérience).
Si la famille (B1 B2 


Bn ) forme une partition de Ω, alors on a, pour tout événement A de Ω :

   
n
p(A) = ∑ p(A Bi ) = p(A B1 ) + p(A B2 ) +  p(A Bn )
i=1

En particulier, si B est un sous ensemble de Ω, alors

p(A) = p(A  B) + p(A  B)

On en déduit alors, puisque p(A  B) = p(A)  pA (B) par définition, que si B n’est ni certain ni impossible, alors

p(A)  pA (B) + p(A)  pA (B) = p(A) soit pA (B) + pA (B) = 1

6
Probabilités simples ´

Variables aléatoires
1. Variable aléatoire
On considère une expérience aléatoire (c’est à dire dont le résultat dépend du hasard). On note Ω l’univers de cette
expérience (Ω est donc l’ensemble de tous les résultats possibles).
On appelle variable aléatoire toute fonction X de Ω vers .
  – En termes plus concrets (mais en faisant des abus de language), on peut considérer qu’une
variable aléatoire X est une variable dont le contenu dépend du résultat d’une expérience aléatoire donnée.

On appelle image de Ω par X, et on note X(Ω), l’ensemble des valeurs réelles pouvant être prises par X.
Si l’image de Ω par X est un intervalle ou une réunion d’intervalles, on dit que la variable X est continue. Dans le cas
contraire, on dit qu’elle est discrète.

Exemples
On considère l’expérience aléatoire consistant à choisir un individu français au hasard, et à
comptabiliser le nombre X de minutes qu’il a passé devant la télévision la semaine précédente.
Ici, l’univers des possibles est constitué de tous les individus français, et la variable aléatoire X est
continue. L’image de Ω par X est l’intervalle [0 7  24  60]
On considère l’expérience aléatoire consistant à lancer un dé à 6 faces et à observer le nombre X
sur la face supérieure du
dé. Ici, l’ensemble Ω contient 6 événements élémentaires, et l’image de
Ω par X est l’ensemble 1 2 3 4 5 6  . La variable aléatoire X ainsi définie est discrète.
Soit X la variable aléatoire mesurant le nombre de lancers nécessaires, au jeu de Pile ou Face, pour
obtenir Face pour la première fois, en supposant qu’à chaque lancer, Pile et Face sont équiprobables.
Alors X peut prendre n’importe quelle valeur entiére positive. L’événement (X = k) correspond
à :  obtenir Pile à chacun des (k 1) premiers lancers, et Face au k-ième lancer  . Dans ce
cas, la variable X peut prendre une infinité de valeurs différentes. On dit que X est discrète et
dénombrable.

2. Somme de deux variables aléatoires

2.1 - Indépendance de deux variables aléatoires
Soit X une variable aléatoire discrète prenant un nombre fini de valeurs α1 α2 


αn .
Soit Y une variable aléatoire discrète prenant un nombre fini de valeurs β1 β2 


β p .
 
Alors les variables X et Y sont indépendantes si, pour tout i et j vérifiant 1 i n et 1
 j
 p, on a

p(X = αi et Y = β j ) = p(X = αi )  p(Y = β j )

2.2 - Espérance mathématique d’une somme de variables aléatoires

On admet que si X ey Y sont deux variables aléatoires d’espérances respectives E(X) et E(Y ), alors

E(X + Y ) = E(X) + E(Y )

De la même façon, on aura E(X Y ) = aE(X) E(Y ).

2.3 - Variance de la somme de variables aléatoires indépendantes

Si X et Y sont deux variables aléatoires indépendantes, alors

V (X + Y ) = V (X) + V (Y )

2.4 - Somme de varables aléatoires suivant des lois usuelles

7
Probabilités simples ´

2.4.1 - Lois normales

Si X1 et X2 sont deux variables aléatoires indépendantes suivant les lois normales respectives N (m1 σ1 ) et N (m2 σ2 ),
alors la variable X1 + X2 suit la loi normale de moyenne m1 + m2 et d’écart-type σ21 + σ22 .
2.4.2 - Lois de Poisson

Si X1 et X2 sont deux variables aléatoires indépendantes suivant les lois de Poisson respectives P (λ1 ) et P (λ2 ), alors
la variable aléatoire X1 + X2 suit la loi de Poisson P (λ1 + λ2 ).

3. Loi de probabilité – Fonction de répartition

On considère une expérience aléatoire donnée, et une variable aléatoire X associée à cette expérience. On note Ω
l’univers de cette expérience.

3.1 - Cas d’une variable X discrète

On appelle loi de probabilité de X, ou encore distribution de X, la fonction définie de X(Ω) vers [0 1] par

f (k) = p(X = k) où p(X = k) désigne la probabilité que X soit égale au réel k

La fonction de répartition de la variable aléatoire X est la fonction F, définie de vers [0 1] par

F(x) = p(X
 x)

On remarque que la fonction de répartition F est croissante (au sens large) sur .

3.2 - Cas d’une variable X continue

On appelle densité de probabilité de X, la fonction définie de X(Ω) vers [0 1] par

f (k) = p(X = k) où p(X = k) désigne la probabilité que X soit égale au réel k

La variable aléatoire X étant continue, cette fonction f sera également continue.

Admettons que, par exemple, X ne prenne pas de valeur négative. Autrement dit, si X(Ω)  [0 +∞[. Alors la fonction
de répartition de la variable aléatoire X est la fonction F, définie de vers [0 1] par

x
F(x) =
( f (t)) dt

0

(Si X prend des valeurs négatives, on adapte cette définition par l’exemple.)
On remarque que là encore, la fonction de répartition F est croissante (au sens large) sur .
On a alors la propriété remarquable suivante, pour tous a et b tels que b a 0 :  

p(a
 X
 b) = F(b) F(a) =

b
f (t) dt
a

8
Probabilités simples

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

Si X est une variable aléatoire discrète prenant n valeurs xi , avec les probabilités P(X = xi ) = pi (où 1
 i
 n),
alors l’espérance mathématique, notée E(X), de la variable aléatoire X est le nombre défini par

n
E(X) = ∑ pi xi
i=1

Si X est une variable aléatoire continue, alors l’espérance mathématique, notée E(X), de la variable aléatoire X
est le nombre défini par
+∞
E(X) = x f (x) dx


où f est la densité de probabilité de la variable X.

Dans tous les cas, la variance d’une variable aléatoire X est, si elle existe, l’espérance mathématique de la variable
aléatoire (X E(X))2. On la note V (X). On définit alors l’écart-type de la variable aléatoire X, noté σ(X), par

σ(X) = V (X)

On a alors la propriété
V (X) = E X 2

[E(X)]2
qui implique en particulier, pour tout réel a et b,

V (aX + b) = a2V (X)

9
Probabilités simples

Les lois de probabilités classiques

1. Loi binômiale (épreuves indépendantes répétées)
On considère une expérience aléatoire n’ayant que deux issues possibles : A et A (souvent appelés succès et échec ),
et on répète n fois de suite cette expérience, en faisant l’hypothèse que chaque expérience est indépendante des
précédentes (cas du jeu de Pile ou Face par exemple). On dit que l’on est dans le cadre d’un sch éma de Bernouilli.
On note p la probabilité de A et q = 1 p la probabilité de A.
On note X la variable aléatoire indiquant le nombre de fois où A est réalisé après les n expériences.
Alors la loi de probabilité de X, notée B (n p), est appelée loi binômiale de paramètres n et p, et elle est caractérisée
par
p(X = k) = Cnk pk (1 p)n  k
= Cnk pk qn  k

On montre alors que son espérance, sa variance et son écart-type vérifient

E(X) = np V (X) = npq σ(X) = npq

Exemple : Jeu de Pile ou Face

On lance une pièce de monnaie 60 fois de suite, et on appelle X la variable aléatoire qui, à chaque
série de 60 lancers, associe nombre de fois où est sorti le Pile.
Chaque lancer est indépendant des précédents, et il n’y a que 2 issues possibles (Pile ou non); la
variable aléatoire X suit donc une loi binômiale. Comme la probabilité d’obtenir Pile est 1 2, et
qu’il y a 60 expériences, cette loi est la loi B (60; 1 2) dont la représentation graphique est donnée
ci-dessous :

0.1

0.05

-5 5 10 15 20 25 30 35 40 45 50 55

loi binômiale B (60; 1/2)

La probabilité d’obtenir 25 Pile sur les 60 lancers est

25

35
1 1 

p(X = 25) = 25
C60   0 045

2  2 

Exemple : Jeu de dé

On jette un dé bien équilibré à 6 faces. La probabilité d’obtenir le numéro sur un lancer est de 

1 6. On considère l’épreuve qui consiste à lancer 60 fois de suite le dé, en notant à chaque fois le
numéro obtenu.
On considère maintenant 2 variables aléatoires distinctes :

10
Probabilités simples

On note X la variable aléatoire qui à chaque épreuve de 60 lancers associe le nombre de fois où
l’on a obtenu le numéro , et on note Y la variable aléatoire qui à chaque épreuve de 60 lancers


associe le nombre de fois où l’on a pas obtenu le numéro . 

Ces 2 variables sont évidemment liées : quel que soit la série de 60 lancers, on aura X + Y = 60.
Que ce soit du point de vue de la variable X ou de celui de la variable Y , l’expérience consistant à
lancer une fois le dé est indépendante des autres expériences, et ne comporte que 2 issues possibles
(on obtient le 6 ou pas, le succès du point de vue de X étant l’échec du point de vue de Y et
réciproquement).
On en déduit que la variable X suit la loi binômiale B (60; 1 6) alors que la variable Y suit la loi
binômiale B (60; 5 6).
Les représentations graphiques de ces lois sont données ci-dessous :

0.1 0.1

0.05 0.05

-5 5 10 15 20 25 30 35 40 45 50 55 -5 5 10 15 20 25 30 35 40 45 50 55

loi binômiale B (60; 1/6) loi binômiale B (60; 5/6)

La probabilité d’obtenir 10 fois le numéro sur 60 lancers est : 

10

50

10

50
1 1 60! 1 5
p(X = 10) = 10
C60 1 =  
6  6  10!50! 6  6 

60  59 


 51 550 

=  60 0 137
10  9 


 2  1 6

La probabilité d’obtenir 50 fois un autre numéro que le numéro sur les 60 lancers est : 

50

10

50

10
5 5 60! 5 1
50
p(Y = 50) = C60 1 =  
6  6  50!10! 6  6 

60  59 


 51 550 

=  60 0 137
10  9 


 2  1 6

Ces deux probabilités sont bien sûr égales puisque, comme X + Y = 60, on a Y = 60 X et donc

p(X = 10) = p( X = 10) = p(60 X = 60 10) = p(Y = 50)

Ici, les espérances des variables X et Y sont respectivement

1 5
E(X) = 60  = 10 et E(Y ) = 60  = 50

6 6

11
Probabilités simples

2. Loi de Poisson
On dit qu’une variable aléatoire dénombrable X, à valeurs dans , suit une loi de Poisson de paramètre λ (λ
 0),
si et seulement si, pour tout entier naturel k,
λk
p(X = k) = e  λ
k!
On note P (λ) cette loi, et on montre alors que son espérance, sa variance et son écart-type vérifient

E(X) = λ V (X) = λ σ(X) = λ

Dans la pratique, si n est  grand  , p  voisin  de 0 et np pas  trop grand  , on considère en général la loi de Poisson
de paramètre np comme une bonne approximation de la loi binômiale. Plus précisément, si n 50, p 0 01 et


np 10, alors on considère que la loi B (n p) est  proche  de la loi P (np), ce qui permet d’utiliser la loi de Poisson


(à un seul paramètre) plutôt que la loi binômiale (à deux paramètres). Les calculs s’en trouvent alors singulièrement
simplifiés



On retiendra que, sous certaines conditions, on peut approcher une loi binômiale par une loi de Poisson
ayant la même espérance.

0.1

0.05

-5 5 10 15 20 25 30 35 40 45 50 55

loi de Poisson de paramètre 10

3. Loi normale (dite de Laplace-Gauss)

3.1 - Cas général
Une variable aléatoire continue X suit une loi normale de paramètres m et λ lorsque sa densité de probabilité est
la fonction f définie par

f (x) =
1
 e 2 ( σ )
1 x m 2
où σ 0 et m



σ 2π


Elle est notée N (m σ) et on montre que sa variance et son écart-type vérifient :

E(X) = m V (X) = σ2 et σ(X) = σ

En étudiant les variations de cette fonction, on remarque que

f (x + m) = f (x m)

La courbe C f présente donc une symétrie par rapport à l’axe vertical d’équation x = m.


 e 2 ( σ )

1
1 1 x m 1
  
1 x m 2
On a f (x) = 2 , du signe opposé à (x m). d’où le tableau de variations :
σ 2π 2  σ  σ


x  ∞ m +∞
f (x) + 0 
 
1

 σ  2π
f (x)
 
0 0

12
Probabilités simples

et la courbe

-1 O 1 m 2

loi normale N (m σ), avec m = 1 2 et σ = 0 5

3.2 - Loi normale centrée réduite

On appelle loi normale centrée réduite la loi normale N (0 1) de paramètres m = 0 et σ = 1. Et on a le théorème
suivant, qui permet de ramener l’étude de toute loi normale à l’étude de la loi normale centrée réduite.

Théorème
X m
Si une variable aléatoire X suit la loi normale N (m σ), alors la variable aléatoire T = suit
σ
la loi normale centrée réduite N (0 1).

La densité de probabilité de cette loi, et la fonction de répartition sont données par :

f (t) =
1
 e
t2
2 et P(T
 t) = Π(t) =
t
f (t) dt


2π ∞

alors qu’espérance, variance et écart-type sont donnés par

E(T ) = 0 V (T ) = 1 σ(T ) = 1

et sa courbe représentative est la suivante :

P (T 6 t) = Π(t)

Π(t)

O t

loi normale N (0 1)

Pour calculer la probabilité d’un événement concernant une variable aléatoire T suivant la loi normale N (0 1), on
utilise en général la table du formulaire et les deux propriétés suivantes :
cette courbe est symétrique par rapport à l’axe des ordonnées,
l’aire totale comprise entre la courbe et l’axe des abscisses est égale à 1.

13
Probabilités simples

Exemples :

1. Calcul de P(T
 1 67) = Π(1 67)

P (T 6 1, 67) = Π(1, 67)

O 1, 67

a table donne directement le résultat. Il suffit de trouver les deux premiers chiffres de t
dans la colonne, soit 1 6 : le troisième chiffre de t est indiqué dans la première ligne, soit

0 07. La réponse est donnée à l’intersection de la ligne correspondant à 1 6 et de la colonne
correspondant à 0 07, soit P(T 1 67) = 0 952 5.

t 0 00 0 01


0 07



0 0 0 500 0 0 504 0


0 527 9



0 1 0 539 8 0 543 8


0 567 5



.. .. .. .. .. ..
. . . . . .
1 6 0 945 2 0 946 3


0 952 5



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

2. Calcul de P(T  1 25).

P (T > 1, 25) = 1 − Π(1, 25)

O 1, 25

On a P(T 1 25) = 1 P(T 1 25), car P(A) = 1 P(A).




Or Π(1 25) = P(T 1 25) et P(T = 1 25) = 0 puisque T est une variable aléatoire
continue, d’où :

P(T  1 25) = 1 Π(1 25)

= 1 0 894 4
= 0 105 6

14
Probabilités simples

3. Calcul de P(T
 1 67).

P (T 6 −1, 67) = 1 − Π(1, 67)

−1, 67 O

On a
P(T
 1 67) = Π( 1 67)
= P(T 1 67)  vu la symétrie de la courbe
=1 Π(1 67)
=1 0 952 5
= 0 047 5
4. Calcul de P((t1
 T
 t2 ).

P (t1 6 T 6 t2 ) = Π(t2 ) − Π(t1 )

O t1 t2

On a bien évidemment
P(t1
 T
 t2 ) = Π(t2 ) Π(t1 )

5. Dans le cas particulier où t1 = t2 , on a

P (−t 6 T 6 t) = 2Π(t) − 1

−t O t

P( t
 T
 t) = Π(t) Π( t)
= 2 [Π(t) Π(0)] vu la symétrie de la courbe
Or Π(0) = 1 2, d’où
P( t
 T
 t) = 2Π(t) 1

15
Probabilités simples

Par exemple
     

2 2
P T 0 5 P( 1 T 1) 0 68 P( 2 T 2) 0 95
3 3
   


P( 2 6 T 2 6) 0 99 P( 3 T 3) 0 997

3.3 - Retour au cas général

Soit X une variable aléatoire suivant la loi normale N (m σ). On sait que la variable T = (X m) σ suit alors la loi
 
normale N (0 1). Si on veut calculer la probabilité p(a X b), on se ramène à la variable T , qui suit la loi normale
centrée réduite N (0 1), pour pouvoir se servir du formulaire. On procède alors de la façon suivante :
P(a
 X
 b) = P(a m
 X m
 b m)
 

a m X m b m
=P
σ σ σ 

 

a m b m
=P T
σ σ 

3.4 - Quelques aires remarquables

Avertissement : les valeurs indiquées dans ce paragraphe ne sont données qu’à titre indicatif
afin de donner un ordre d’idée. Pour un calcul précis (intervalle de confiance par exemple), il faut
impérativement se reporter aux formulaires dédiés.
Soit X une variable aléatoire suivant la loi normale N (m σ). On sait que la variable T = (X m) σ suit alors la loi
normale N (0 1),
Sur le graphique ci-dessous, on indique quelques une des aires remarquables :

m −(2σ/3) m +(2σ/3)
m −3σ m −2σ m−σ m m+σ m +2σ m +3σ

0, 5
0, 68
0, 95
0, 997

loi normale N (m σ) et quelques aires remarquables

En effet, on a X = m + σT . Pour tout réel t 0, le calcul de P( t

 T
 t) donne alors
P( t
 T
 t) = P( tσ
 σT

tσ)
= P(m tσ
 m + σT
 m + tσ)
= P(m tσ
 X
 m + tσ)
On a ainsi, par exemple, P(m 2σ X
m + 2σ) = 2Π(2) 1
 0 95. (Ce n’est qu’une approximation assez


grossière : pour plus de précision, il faudrait prendre t = 1 96 et non pas t = 2.)

16
Probabilités simples

3.5 - Approximation d’un loi binômiale par une loi normale

On admet que si n est  grand  et p ni  trop proche de 0  , ni  trop proche de 1  , alors la loi B (n p) est tr ès
proche de la loi N (m σ) où m = np et σ = np(1 p). On convient en général d’utiliser cette approximation lorsque
np et n(1 p) sont supérieurs à 15. On remarque que, lors d’une telle approximation, la moyenne et l’écart-type sont
conservés.

0.1

0.05

-4 -2 2 4 6 8 10 12 14 16 18 20 22 24 26 28

n = 100 p = .15 m = 15 σ = 3.57071

Approximation de la loi B (100; 0 15) par la loi N (15 100  0 15  0 85)

17
Probabilités simples

Exercices

1. Dénombrements et probabilités simples

Exercice 1 : Une situation de non équiprobabilité : le dé truqué

Un dé a été truqué de telle sorte que la probabilité de sortie du 6 soit la triple de celle de sortie du 1. Les numéros
1 2 3 4 5 ayant la même probabilité de sortie.
a ) Calculer la probabilité de sortie de chaque numéro.
b ) Calculer la probabilité de l’événement A :  obtenir un numéro pair  .

Exercice 2 : Diagramme et tableau en fabrication mécanique

Une usine fabrique des pièces pour l’horlogerie. Une pièce peut être défectueuse à cause d’au moins l’un de deux
défauts appelés a et b. On considère un lot de 10 000 pièces dans lequel 2 % des pièces présentent le défaut a, 8 %
présentent le défaut b, et 0 16 % présentent simultanément les défauts a et b.
1. Faire un diagramme ensembliste (les  patatoı̈des  ) pour représenter la situation, et déterminer le pourcentage
de pièces qui n’ont aucun défaut.
2. Dans le tableau ci-dessous, A (resp. B) est l’ensemble des pièces ne présentant pas le défaut A (resp. B). Reproduire
puis compléter ce tableau.
A A Total
B
B
Total 10 000

3. On choisit au hasard une pièce dans ce lot de 10 000. Toutes les pièces ont la même probabilité d’être choisies.
Déterminer la probabilité de chacun des événements suivants :
a ) E1 :  La pièce choisie présente l’un au moins des deux défauts  ;
b ) E2 :  La pièce choisie présente un défaut et un seul  ;
c ) E3 :  La pièce choisie ne présente aucun défaut  .

Exercice 3 : Arbre et durée de mise au point

Dans une usine, la mise au point d’un matériel électronique nécessite l’exécution de trois tâches consécutives, notées
A, B et C. Un gestionnaire de l’entreprise a relevé sur une longue période les durées nécessaires pour effectuer chacune
des trois tâches.
Pour A, une heure ou deux heures; pour B, quatre heures, cinq heures ou six heures; pour C, deux ou trois heures.
On admet que, pour chacune des tâches A, B, C, la durée d’exécution ne peut pas prendre à l’avenir d’autres valeurs
que celles qui ont été données ci-dessus.
Dans ce qui suit, on appelle  mise au point  un triplet (a b c) de trois nombres donnant dans l’ordre (t âche A, tâche
B, tâche C) les durées d’exécution des trois tâches.
1. À l’aide d’un arbre, donner toutes les  mise au point  possibles.
2. Chaque  mise au point  définit un événement élémentaire. L’observation sur une longue période conduit à
admettre que tous les événements élémentaires sont équiprobables.
Déterminer la probabilité des événements suivants :
a ) E1 :  La mise au point dure huit heures  ;
b ) E2 :  La mise au point dure au plus neuf heures  ;
c ) E3 :  La mise au point dure strictement plus de neuf heures  .

18
Probabilités simples

Exercice 4 : Tirages simultanés

Une boı̂te contient 9 jetons sur lesquels sont respectivement inscrits les nombres :

0 1 2 3 4 5 6 7 8

On tire simultanément deux jetons de cette boı̂te.

Les tirages sont supposés équiprobables.
On désigne par A et B les deux événements suivants :
A  obtenir deux nombres pairs 
B  obtenir deux nombres multiples de 3 
(On rappelle que 0 est un nombre pair et que 0 est multiple de 3.)
1. Montrer que
a ) la probabilité de A est 5 18;
b ) la probabilité de B est 1 12

c ) la probabilité de (A B) est 1 36.
2. Calculer la probabilité de l’événement  obtenir deux nombres pairs ou deux nombres multiples de 3 

Exercice 5 : Le tiercé
Il y a vingt chevaux au départ du prix d’Australie, la grande course pour le tiercé de dimanche prochain. Seule nous
intéresse l’arrivée des trois premiers chevaux.
Gagner le tiercé dans l’ordre consiste à trouver le nom et l’ordre d’arrivée des trois premiers. Gagner le tiercé dans
le désordre consiste, seulement, à trouver le nom des trois premiers.
En jouant trois numéros, quelle est la probabilité de gagner dans l’ordre ? dans le désordre ?

Exercice 6 : Une situation de référence : Tirages dans une urne

Dans tout cet exercice, les résultats seront exprimés sous forme de fraction irréductible.

Une urne contient 12 boules blanches et 8 boules rouges. On effectue des tirages dans cette urne, chacune des 20 boules
ayant la même probabilité d’être tirée.
1. Tirages successifs avec remise : On tire successivement 3 boules, la boule tirée étant remise dans l’urne après
chaque tirage. Quelle est la probabilité d’obtenir :
a ) 2 boules blanches et une boule rouge, dans cet ordre ?
b ) 2 boules blanches et une boule rouge dans un ordre quelconque ?
c ) au moins une rouge?
2. Tirages successifs sans remise : Reprendre les questions précédentes, mais en supposant cette fois que l’on
tire successivement 3 boules, la boule tirée n’étant pas remise dans l’urne après chaque tirage.
3. Tirages simultanés : On tire simultanément 3 boules. Quelle est la probabilité d’obtenir :
a ) 2 boules blanches et une boule rouge ?
b ) au moins une rouge ?

Exercice 7 : Tirages successifs avec et sans remise

1. Tirages avec remise

On tire une carte au hasard d’un jeu de 32 cartes bien battu, on note le résultat, on remet la carte dans le jeu, on
bat les cartes et on tire à nouveau une carte au hasard. Un résultat est un couple de cartes. Tous les couples sont
équiprobables.
Quelle est la probabilité de l’événement A :  Les deux cartes tirées sont des piques  ?
2. Tirages sans remise
Même question qu’au 1. en ne remettant pas la première carte tirée dans le paquet avant de tirer la seconde carte.

19
Probabilités simples

2. Probabilités conditionnelles

Exercice 8 : Probabilités conditionnelles

Deux machines MA et MB produisent chaque jour respectivement 100 et 200 pièces du même modèle. La machine A
sort 5% de pièces défectueuses, la machine MB en sort 6%.
1. Faire un diagramme ensembliste pour représenter la situation journalière.
2. Compléter, après l’avoir reproduit, le tableau suivant qui résume la situation journalière :

Nombre de pièces Nombre de pièces

Total
produites par MA produites par MB
Nombre de pièces
défectueuses
Nombre de pièces
non défectueuses
Total 300

3. Un jour donné, on choisit au hasard une pièce parmi la production des deux machines. On admet que l’on est dans
une situation d’équiprobabilité.
On considère les événements suivants :
A :  La pièce choisie provient de la machine MA 
B :  La pièce choisie provient de la machine MB 
D :  La pièce choisie est défectueuse 
D :  La pièce choisie n’est pas défectueuse 
Calculer la probabilité des événements suivants :

A B D D A  D B  D

4. On note pD (A) la probabilité de l’événement  A sachant D  , autrement dit la probabilité que la pièce choisie
provienne de la machine MA , sachant que cette pièce est défectueuse.
a ) Déterminer les probabilités pD (A) et pD (B).
b ) À l’aide des questions précédentes, vérifier que l’on a bien

pD (A)  p(D) = p(A  D) et pD (B)  p(D) = p(B  D)

Exercice 9 : Imprimerie et probabilités conditionnelles

Dans une imprimerie, la fabrication journalière d’un quotidien conduit à deux défauts de fabrication :
– le défaut D :  présence de taches d’encre sur la dernière page du journal  ;
– le défaut A :  présence de taches d’encre sur la page des offres d’emplois  .
La probabilité qu’un journal, pris au hasard dans la fabrication, présente le défaut D est 0 0045.
La probabilité qu’un journal, pris au hasard dans la fabrication, présente le défaut A est 0 0025.
La probabilité qu’un journal, pris au hasrd dans la fabrication, présente le défaut D sachant qu’il présente le défaut A
est 0 8.
On choisit un journal au hasard dans la fabrication.
1. Calculer la probabilité qu’il présente les deux défauts.
2. Calculer la probabilité qu’il présente le défaut A sachant qu’il présente le défaut D.
3. Calculer la probabilité qu’il présente au moins un défaut.

20
Probabilités simples

Exercice 10 : Le mondial de l’automobile

On effectue une enquête sur les goûts des consommateurs concernant les accessoires automobiles.
Dans la population interrogée, 90% souhaitent un véhicule équipé d’un autoradio, 15% souhaitent la climatisation, et
12% souhaitent ces deux équipements.
1. On choisit un individu au hasard dans cette population. Tous les individus ont la m ême probabilité d’être choisis.
a ) Quelle est la probabilité qu’il ne souhaite pas d’autoradio ?
b ) Quelle est la probabilité qu’il souhaite au moins un des deux équipements ?
2. On choisit un individu au hasard un individu parmi ceux qui souhaitent la climatisation. Quelle est la probabilit é
qu’il souhaite également un autoradio ?

Exercice 11 : Fiabilité de contrôles de moteurs en Formule 1

Un constructeur de moteurs pour  Formule 1  fabrique des moteurs de compétition. La probabilité qu’un de ces
moteurs soit exempt de défaut, et par suite ne casse pas lors d’un grand prix, est 0 8. On dira pour simplifier qu’un tel
moteur est  bon  , et on notera B l’événement :  le moteur est bon  .
Avant chaque Grand Prix, un contrôle très sévère est effectué : soit le moteur est déclaré utilisable, soit il est rejeté.
On note U l’événement :  le contrôle déclare le moteur utilisable  .
Ce contrôle n’est pas infaillible :
– sachant qu’un moteur est bon, il est déclaré utilisable dans 95% des cas;
– sachant qu’un moteur a un défaut, il est rejeté dans 80% des cas.
On choisit un moteur au hasard la veille du grand prix du Zimbabwé.
1. Calculer la probabilité des événements suivants :
a ) V :  le moteur est bon et il est déclaré utilisable  ,
b ) W :  le moteur a un défaut et il est déclaré utilisable  .
c ) En déduire la probabilité de U.
2. Montrer que la probabilité qu’un moteur soit bon, sachant qu’il est déclaré utilisable, est 0 95.

Exercice 12 : Groupes sanguins

Le sang humain est classé en quatre groupes distincts : A, B, AB et O. Sur une population P, les groupes sanguins se
répartissent de la façon suivante :
A B AB O
41% 10% 4% 45%

D’autre part, le sang peut posséder le facteur Rhésus : si le sang d’un individu présente ce facteur, il est dit de Rhésus
positif (noté Rh+ ), s’il ne possède pas ce facteur il est dit de Rhésus négatif (noté Rh  ).
Dans la population P, la proportion d’individus possédant ou non le facteur Rhésus se répartit de la façon suivante :

Groupe A B AB O
Rh+ 84% 81% 85% 80%
Rh  16% 19% 15% 20%

Ainsi, la probabilité que le sang d’un individu tiré au hasard soit de Rhésus positif sachant que son groupe est A vaut
p(Rh+
A) = 0 84.
Les valeurs approchées des résultats numériques finaux seront donnés au centième le plus proche.
Un individu ayant le groupe O et de Rhésus positif est appelé un donneur universel.
1. Montrer que la probabilité qu’un individu pris au hasard dans la population P soit un donneur universel est 0 36.
2. Montrer que la probabilité qu’un individu pris au hasard dans la population P ait un sang Rh + est 0 82.

21
Probabilités simples ´

Exercice 13 : Test de contrôle dans l’industrie pharmaceutique

Une société de produits pharmaceutiques fabrique en très grande quantité un certain type de comprimés.
Un comprimé est conforme si sa masse exprimée en grammes appartient à l’intervalle [1 2; 1 3].
La probabilité qu’un comprimé soit conforme est 0 98. On choisit un comprimé au hasard dans la production.
On note :
A : l’événement  le comprimé est conforme  ;
B : l’événement  le comprimé est refusé  .
On contrôle tous les comprimés. Le mécanisme de contrôle est tel que :
– un comprimé qui est conforme est accepté avec une probabilité de 0 98.
– un comprimé qui n’est pas conforme est refusé avec une probabilité de 0 99.
On a donc
p(A) = 0 98 p(B
A) = 0 98 p(B
A) = 0 99

1. Déterminer
p(B
A) p(B  A) p(B  A)

2. Calculer
a ) la probabilité qu’un comprimé soit refusé,
b ) la probabilité qu’un comprimé soit conforme, sachant qu’il est refusé.

Exercice 14 : Productique
Trois machines M1 , M2 et M3 produisent le même type de tiges d’acier.
Les productions journalières de M1 , M2 et M3 sont respectivement n1 = 2 200, n2 = 2 100 et n3 = 1 700.
La probabilité qu’une tige tirée au hasard parmi la production d’une même machine soit défectueuse est p1 = 0 06
pour M1 , p2 = 0 08 pour M2 , et p3 = 0 07 pour M3 .
1. Récapituler la situation journalière dans un tableau.
2. On choisit une tige au hasard dans la production d’une journée. Tous les tirages sont équiprobables. Calculer la
probabilité à 10  3 près de chacun des événements suivants :
a )  la tige choisie est défectueuse et provient de M1  ,
b )  la tige choisie est défectueuse et provient de M2  ,
c )  la tige choisie est défectueuse et provient de M3  ,
d )  la tige choisie provient de M1 , sachant qu’elle est défectueuse  .

Exercice 15 : C’est beau le progrès



La commande d’un portail automatique est composée de trois éléments : une commande manuelle à infrarouges type
plip, un récepteur, et un vérin électrique. Une étude statistique des pannes de chacun des trois éléments constitutifs du
portail automatique permet d’estimer que la probabilité de panne à chaque utilisation est de 0 001 pour la plip, 0 000 5
pour le récepteur, et 0 000 1 pour le vérin. Les pannes des trois éléments sont supposées indépendantes les unes des
autre.
Calculer la probabilité de panne d’un tel système au cours d’une utilisation par l’usager.

Exercice 16 : Des plaques isolantes

Une usine fabrique des plaques isolantes pour le bâtiment. Deux défauts de fabrication seulement sont possibles : un
défaut d’épaisseur noté e, et un défaut de conductivité thermique noté c.
On choisit une plaque au hasard dans la production d’une journée.
On note E l’événement  la plaque présente le défaut e  , et C l’événement  la plaque présente le défaut c  .
Une étude statistique a permis de déterminer les probabilités suivantes :

p(E) = 0 02 et p(C) = 0 1

On admet que les événements E et C sont indépendants.

22
Probabilités simples ´

Calculer la probabilité de chacun des événements suivants :

a ) F1 :  La plaque présente les deux défauts  ,
b ) F2 :  La plaque présente au moins un défaut (et peut-être les deux)  ,
c ) F3 :  La plaque ne présente aucun des deux défauts  ,
La question suivante est hors barême :
d ) F4 :  La plaque présente un et un seul des deux défauts  .
Exercice 17 : Des erreurs dans le contrôle
Dans un atelier, on contrôle les pièces d’un certain modèle qui sont fabriquées en grande quantité. Parmi celles-ci, 2%
sont défectueuses.
Le contrôle est tel que 96% des pièces non défectueuses sont acceptées, et que 98% des pièces défectueuses sont
refusées.
1. On considère un lot de 10 000 pièces respectant ces pourcentages. Compléter, après l’avoir reproduit, le tableau
suivant :
Nombre de Nombre de
pièces pièces non Total
défectueuses défectueuses
Nombre de
pièces acceptées
après le contrôle
Nombre de
pièces refusées
après le contrôle
Total 10 000
2. On choisit au hasard une pièce parmi les 10 000 d’un tel lot. On est dans une situation d’équiprobabilité. On
considère les événements suivants :
E1 :  La pièce est défectueuse et acceptée par le contrôle 
E2 :  La pièce est bonne et refusée par le contrôle 
E3 :  Il y a une erreur dans le contrôle 
Déterminer les probabilités p(E1 ), p(E2 ) et p(E3 ).
3. Déterminer la probabilité de l’événement  La pièce est bonne sachant qu’elle a été refusée  .

Variables aléatoires
Exercice 18 : Dans une urne



Dans cet exercice, les tirages sont équiprobables.
Une urne contient quatre boules noires et quatres boules blanches. On tire simultan ément quatre boules de l’urne.
Soit X la variable aléatoire qui à chaque tirage associe le nombre de boules noires tirées.
Déterminer la loi de probabilité de X, son espérance mathématique et la valeur approchée arrondie à 10  2
près de son
écart-type.
Exercice 19 : Urne et loi binômiale
Dans une urne, il y a 10 boules blanches et 18 boules rouges indiscernables au toucher. On consid ère l’épreuve qui
consiste à extraire au hasard, l’une après l’autre et sans remise, deux boules de l’urne. On est dans une situation
d’équiprobabillité. On donnera, pour chaque résultat, la valeur exacte et une valeur approchée à 10  2 près.
1. Déterminer la probabilité de l’événement E :  La première boule tirée est blanche  .
2. On répète cinq fois de suite l’expérience précédente. Après chaque épreuve, les deux boules tirées sont remises
dans l’urne. Les cinq épreuves élémentaires précédentes sont donc indépendantes.
Soit X la variable aléatoire qui, à chaque partie de cinq épreuves, associe le nombre de fois que se produit
l’événement E.
Déterminer la loi de probabilité de X.

23
Probabilités simples ´

Exercice 20 : Prévisions de vente – Fonction de répartition

Une entreprise de fournitures industrielles commercialise des pièces de rechange pour pompes hydrauliques. On a
relevé sur une longue période le nombre de pièces de type A vendues.
L’étude statistique permet d’admettre que la variable aléatoire X qui associe à un jour ouvrable choisi au hasard pendant
un mois le nombre de pièces vendues ce jour-là a une loi de probabiloité définie par le tableau suivant.
On donnera les valeurs approchées arrondies à 10  2
près des résultats.

nombre xi
0 1 2 3 4 5 6
de pièces vendues
P(X = xi ) 0 10 0 16 0 25 0 30 0 13 0 05 0 01

1. Représenter graphiquement la fonction de répartition de la variable aléatoire X.

2. Calculer l’espérance mathématique E(X) de la variable aléatoire X. Que représente E(X) ?
3. Calculer la variance et l’écart-type de la variable aléatoire X.

Exercice 21 : La loterie
Une partie de loterie consiste à lâcher une bille dans un appareil qui comporte six portes de sortie, numérotées de 1 à 6.
Soit X la variable aléatoire qui à chaque partie associe le numéro de la porte de sortie franchie. Sa loi de probabilité
est définie par le tableau suivant :

i 1 2 3 4 5 6
P(X = xi ) 1 32 5 32 10 32 10 32 5 32 1 32

La règle du jeu est la suivante : un joueur mise 2 francs; il reçoit 12 francs si la bille franchit les portes 1 ou 6, 2 francs
si elle franchit les portes 3 ou 4. Les portes 2 et 5 ne rapportent rien.
Le  gain  d’un joueur est la différence entre ce qu’il reçoit à l’issue de la partie et sa mise. Le gain peut donc être
éventuellement un nombre négatif ou nul.
Soit Y la variable aléatoire qui à chaque partie effectuée par un joueur donné associe le gain.
1. Quelles sont les valeurs possibles de Y ?
2. Déterminer la loi de probabilité de Y .
3. Un jeu est équitable si l’espérance de gain est nulle. Ce jeu est-il équitable ?

Les lois de probabilités classiques

1. Loi binômiale
Exercice 22 : Loi binômiale : un cas d’école
On considère une épreuve aléatoire débouchant sur deux éventualités : succès et échec, de probabilités respectives 0 7
et 0 3.
On désigne par X la variable aléatoire qui associe à n épreuves aléatoires indépendantes le nombre k de succès.
On désigne par Y la variable aléatoire qui associe à n épreuves aléatoires indépendantes le nombre k d’échecs.
1. a ) Quelles sont les lois suivies par X et Y ?
b ) Déterminer, en fonction de n, l’expression de :

P(X = k) P(Y = k) P(X = 0) P(X  1) P(Y = n)

2. a ) On suppose que n = 10. Calculer

P(X = 0) P(X = 2) P(X

 2) P(X 2)

b ) Toujours avec n = 10, déterminer l’espérance mathématique E(X) et l’écart-type σ(X) de la variable aléatoire
X.

24
Probabilités simples ´

Exercice 23 : Loi binômiale et contrôle de livraison

À la livraison d’un nombre très important de pièces dont 1% sont défectueuses, on prélève au hasard un échantillon de
50 pièces.
La population est suffisamment importante pour que l’on puisse assimiler ce prélèvement à un tirage avec remise de
50 pièces. On a donc une succession de cinquante épreuves indépendantes.
On note X la variable aléatoire qui associe à chaque prélèvement de 50 pièces le nombre de pièces défectueuses.
1. Expliquer pourquoi X suit une loi binômiale. Donner les paramètres de cette loi.
2. Calculer, à 10  3 près, la probabilité des événements suivants :
a ) A :  L’échantillon ne comporte aucune pièce défectueuse  ;
b ) B :  L’échantillon comporte une seule pièce défectueuse  ;
c ) C :  L’échantillon comporte au moins deux pièces défectueuses  ;

Exercice 24 : Dans le secteur de l’électronique

Une entreprise du secteur de l’électronique fabrique des résistances en grande série. Une étude statistique a montré
que la probabilité qu’une résistance prise au hasard dans le’ensemble de la production journalière soit défectueuse est
2
10  3 .
On tire avec remise dix résistances dans la production d’une journée. Les tirages sont donc indépendants.
Calculer la probabilité de chacun des événements suivants :
a ) A :  Obtenir un jour donné exactement 2 résistances défectueuses  ,
b ) B :  Obtenir un jour donné au plus 2 résistances défectueuses  ,
c ) C :  Obtenir un jour donné au moins 2 résistances défectueuses  ,
Tous les résultats ser(ont donnés à 10  6 près.

Exercice 25 : Loi binômiale dont un paramètre est à déterminer

On désigne par X une variable aléatoire suivant une loi binomiale de paramètres n et 0 01, notée B (n; 0 01).

1. Déterminer n pour que P(X = 0) 0 01.
2. Déterminer n pour que P(X  1)  0 90.

Exercice 26 : Contrôle de qualité : Bernoulli à l’usine

Dans tout cet exercice, et sauf indication contraire, les résultats seront donné à 10  4
près.
Une usine produit des articles dont 5% présentent des défauts.
En vue du contrôle de qualité, on constitue un échantillon de 120 articles choisis au hasard dans la production. La
production est assez importante pour que l’on puisse assimiler ce prélèvement à un tirage avec remise de 120 articles.
On désigne par X la variable aléatoire qui, à tout échantillon de 120 articles, associe le nombre d’articles défectueux.
1. Déterminer la loi suivie par la variable aléatoire X. (Justifier.)
2. Déterminer la probabilité pour que l’échantillon ne contienne aucun article défectueux.
3. Déterminer la probabilité pour que l’ échantillon contienne au plus un article défectueux.
4. Déterminer la probabilité pour que l’échantillon contienne au moins deux articles défectueux.

2. Loi de Poisson
Exercice 27 : Loi de Poisson
Soit X une variable aléatoire qui suit une loi de Poisson de paramètre 4. Déterminer la probabilité d’avoir 7
 X
 9.

Exercice 28 : Loi de Poisson : détermination du paramètre

Soit X une variable aléatoire qui suit une loi de Poisson. Déterminer à 10  2
près le paramètre λ sachant que P(X =
0) = 0 3.
(Indication : Utiliser la définition de la loi de Poisson.)

25
Probabilités simples

Exercice 29 : Loi de Poisson : lecture inverse de la table


Soit X une variable aléatoire qui suit une loi de Poisson de paramètre 7. Déterminer la plus petite valeur de k vérifiant
P(X k) 0 80.


Exercice 30 : Il faut


éliminer !

Une usine produit des bouteilles d’eau. Parmi celles-ci, 3% sont défectueuses.
On appelle X la variable aléatoire qui, à tout lot de 100 bouteilles prises au hasard, associe le nombre de bouteilles
défectueuses. On admet que X suit une loi de Poisson de paramètre 3.
Déterminer la probabilité de chacun des événements suivants :
1.  Un tel lot n’a aucune bouteille défectueuse 
2.  Un tel lot a deux bouteilles défectueuses 
3.  Un tel lot a trois bouteilles défectueuses  .

Exercice 31 : Contrôle de qualité : Bernoulli et Poisson à l’usine

Dans tout cet exercice, et sauf indication contraire, les résultats seront donné à 10  4
près.
Une usine produit des articles dont 5% présentent des défauts.
En vue du contrôle de qualité, on constitue un échantillon de 120 articles choisis au hasard dans la production. La
production est assez importante pour que l’on puisse assimiler ce prélèvement à un tirage avec remise de 120 articles.
On désigne par X la variable aléatoire qui, à tout échantillon de 120 articles, associe le nombre d’articles défectueux.
1. a ) Déterminer la loi suivie par la variable aléatoire X. (Justifier.)
b ) Déterminer la probabilité pour que l’échantillon ne contienne aucun article défectueux.
c ) Déterminer la probabilité pour que l’ échantillon contienne au plus un article défectueux.
d ) Déterminer la probabilité pour que l’échantillon contienne au moins deux articles défectueux.
2. On admet qu’on peut approcher la loi précédente par une loi de Poisson.
a ) Expliquer pourquoi le paramètre de cette loi est 6.
b ) Déterminer dans ce cas la probabilité que l’échantillon contienne au moins un article défectueux.
c ) Déterminer dans ce cas la probabilité que l’échantillon contienne au plus trois articles défectueux. (On
donnera le résultat à 10  3 près.)

Exercice 32 : Approximation d’un loi binomiale par une loi de Poisson

Dans cet exercice chaque probabilité demandée sera calculée à 10  3 près.

Une petite entreprise emploie 20 personnes. Une étude statistique permet d’admettre qu’un jour donné la probabilité
qu’un employé donné soit absent est 0 05. On admet que les absences des employés survenues un jour donné sont
indépendantes les unes des autres. On note X la variable aléatoire qui à chaque jour choisi au hasard associe le nombre
d’employé absents.
On admettra que X suit une loi binômiale B (20; 0 05).
1. Calculer la probabilité des événements suivants :
a ) E1 :  un jour donné il y a exactement 3 absents  ;
b ) E2 :  un jour donné il y a strictement plus de 2 absents  ;
c ) E3 :  un jour donné le nombre d’absents est compris entre 3 et 6 (bornes comprises)  .
2. Calculer l’espérance mathématique E(X) de la variable X. Que représente E(X) ?
3. On approche la loi binômiale du 1. par une loi de Poisson de paramètre λ = np, où n et p sont les paramètres de
cette loi binômiale.
a ) En utilisant la loi de Poisson, déterminer les probabilités respectives des trois événements E1 , E2 et E3 de la
question 2..
b ) Vérifier que les résultats obtenus au 4. diffèrent de moins de 1% des résultats obtenus au 2..

26
Probabilités simples

Exercice 33 : Approximation d’un loi binomiale par une loi de Poisson

Dans cet exercice chaque probabilité demandée sera calculée à 10  3 près.

Une petite entreprise emploie 20 personnes. Une étude statistique permet d’admettre qu’un jour donné la probabilité
qu’un employé donné soit absent est 0 05. On admet que les absences des employés survenues un jour donné sont
indépendantes les unes des autres. On note X la variable aléatoire qui à chaque jour choisi au hasard associe le nombre
d’employé absents.
On admettra que X suit une loi binômiale B (20; 0 05).
1. Calculer la probabilité des événements suivants :
a ) E1 :  un jour donné il y a exactement 3 absents  ;
b ) E2 :  un jour donné il y a strictement plus de 2 absents  ;
c ) E3 :  un jour donné le nombre d’absents est compris entre 3 et 6 (bornes comprises)  .
2. Calculer l’espérance mathématique E(X) de la variable X. Que représente E(X) ?
3. On approche la loi binômiale du 1. par une loi de Poisson de paramètre λ = np, où n et p sont les paramètres de
cette loi binômiale.
a ) En utilisant la loi de Poisson, déterminer les probabilités respectives des trois événements E1 , E2 et E3 de la
question 2..
b ) Vérifier que les résultats obtenus au 4. diffèrent de moins de 1% des résultats obtenus au 2..

3. Loi normale
Exercice 34 : Loi normale centrée réduite
La variable aléatoire X suit la loi normale N (0 1). Déterminer :
a) p(X
 0 85).
b) p(X 0 85).



c) p(X 0 85).
d)
 
p( 1 96 X 1 96).
e) p(X  1 96).

Exercice 35 : Loi normale centrée

La variable aléatoire X suit la loi normale N (0 3). Déterminer :
a) p(X
 0 85).
b) p(X 0 85).



c) p(X 0 85).
d)
 
p( 1 96 X 1 96).
e) p(X  1 96).

Exercice 36 : Loi normale

La variable aléatoire X suit la loi normale N (20 5). Calculer

a) p(X
 28) c) p(X 12) e) p(12
 X
 28)



b) p(X  28) d) p(X 12)

Exercice 37 : Gestion de parc automobile et loi normale

Une entreprise de transport a un parc total de 150 camions. On désigne par X la variable aléatoire qui, à chaque camion
choisi au hasard dans le parc, associe la distance qu’il a parcouru dans une journ ée. (Les distances sont mesurées en
kilomètres.) Une étude statistique permet d’admettre que cette variable aléatoire X suit une loi normale de moyenne
120 et d’écart-type 14.
Déterminer à 10  4 près la probabilité qu’un camion parcourt un jour donné une distance comprise entre 110 et 130
kilomètres (on utilisera éventuellement une interpolation affine).

27
Probabilités simples

Exercice 38 : À consommer avec modération (loi normale)

On ajoute du SO2 dans un vin pour le protéger d’une part des attaques des levures et des bactéries, d’autre part de
l’oxydation.
Après embouteillage, on prélève des échantillons de 50 bouteillses sur la chaı̂ne d’embouteillage et on dose dans
chaque bouteille la concentration en SO2 libre qui sera exprimée en mg.L  1 .
La production étant très importante, on assimile ce prélèvement à un prélèvement non exhaustif. Voici les résultats du
dosage de SO2 dans un échantillon.

Concentration (en mg.L  1 ) Nombre de bouteilles

[20; 20 2[ 3
[20 2; 20 4[ 9
[20 4; 20 6[ 20
[20 6; 20 8[ 13
[20 8; 21[ 5

1. statistiques : Donner des valeurs approchées à 10  3 près de la moyenne m et de l’écart-type σ de cet échantillon.
2. probabilités : À chaque production obtenue après avoir rajouté du SO2 , on associe la concentration en SO2
libre. On définit ainsi une variable aléatoire X. On admet que X suit la loi normale de moyenne 20 5 mg.L  1 et
d’écart-type 0 2 mg.L  1 .
On estime que le vin est impropre à la consommation si la concentration en SO2 libre est supérieure ou égale à
20 9 mg.L  1 .
Sous ces hypothéses, quel est, a 1% près, le pourcentage de bouteilles impropres à la consommation ?

Exercice 39 : Loi normale, lecture inverse de la table

La variable aléatoire X suit la loi normale N (0 1). Déterminer le nombre a tel que :
a) p(X
 a) = 0 99.
b) p(X
 a) = 0 01.
c) p(X  a) = 0 05.
d) p(X  a) = 0 90.

Exercice 40 : Loi normale, lecture inverse de la table

La variable aléatoire X suit la loi normale N (0 5). Déterminer le nombre a tel que :

a ) p(X a) = 0 99.
b ) p(X
 a) = 0 01.
c ) p(X  a) = 0 05.
d ) p(X  a) = 0 90.

Exercice 41 : Granulométrie, bts mai, session 1992

Le but de cet exercice est d’étudier une méthode de granulométrie fréquemment utilisée dans l’industrie sucrière pour
calibrer le sucre blanc en foncion de la taille de ses cristaux.
– Partie A –
Pour effectuer un calibrage il faut que le sucre soit bien sec, or dans 5% des cas celui-ci est trop humide et l’op ération
ne peut être effectuée. On fait dix calibrages successifs.
a ) Quelle est la probabilité pour que tous les calibrages puissent être effectués ?
b ) Quelle est la probabilité pour que deux calibrages au plus ne puissent être faits à cause de l’humidité du sucre ?
– Partie B –
Le sucre est bien sec.

28
Probabilités simples

Le calibrage consiste alors à faire passer le sucre au travers d’une série de tamis emboı̂tés les uns sur les autres et posés
sur un fond.
Sucre
tamis 1

tamis 2

tamis 3

Fond

On admettra que la variable aléatoire X prenant pour valeur la taille des cristaux de sucre suit une loi normale N (m σ).
Dans le cadre de cet exercice on supposera qu’on dispose de 3 tamis dont voici les ouvertures de mailles en mm :
Tamis n 1 : ouverture 0 8 mm;
Tamis n 2 : ouverture 0 5 mm;
Tamis n 3 : ouverture 0 2 mm.
Les cristaux de sucre dont la taille est inférieure à 0 2 mm se retrouvent dans le fond à la fin du calibrage.
1. Compléter le tableau suivant :

Niveau de récupération Taille des cristaux de sucre récupérés

Tamis n 1 0 8
 X
Tamis n 2



 X



Tamis n 3



 X



Fond X 0 2

2. On verse 1 800 g de sucre dont la taille des cristaux X suit la loi normale de moyenne m = 0 58 mm et d’écart-type
σ = 0 2 mm.
a ) Calculer la probabilité de l’événement : [X 0 2] et la probabilité de l’événement [0 5 X 0 8].

b ) Estimer la masse de sucre récupéré d’une part dans le fond et d’autre part dans le tamis n 2.
3. On constate maintenant que m = 0 65 mm etque 40% de la quantité de sucre initialement versé se retrouve dans
le tamis n 2. Quelle est alors la valeurs de l’écart-type σ de la variable aléatoire X ?

Exercice 42 : Coupes de plaques d’acier, bts mai, session 1994

Dans un atelier, une machine A permet de couper des plaques d’acier dont la longueur permet de d éfinir une variable
aléatoire qui suit une loi normale de moyenne M = 100 et d’écart-type σ = 1 (les longueurs étant exprimées en cm).
1. a ) Quelle est, à 10  2 près par défaut, la probabilité qu’une plaque ait une longueur extérieure à l’intervalle
[98; 102] ?
b ) Trouver une valeur approchée à 10  2 près du nombre a tel que 90% des plaques aient une longueur dans
l’intervalle [100 a; 100 + a].
2. On supppose maintenant que 3% des plaques coupées par la machine A sont rejetées parce que leur longueur ne
convient pas. Dans un lot contenant un grand nombre de plaques, on en pr élève N. X est la variable aléatoire qui,
à cette épreuve, associe le nombre de plaques dont la longueur est incorrecte.
a ) Quelle est la loi suivie par X ?
b ) On suppose N = 5. Calculer p(X = 2).
c ) On suppose N = 100. Quel est le paramètre de la loi de Poisson par laquelle on peut approcher la loi de X ?
Donner alors une valeur approchée à 10  2 près de p(X = 8), de p(X 2).
3. La machine A coupe 500 plaques par jour, dont 3% sont rejetées. On lui adjoint une machine B, et 9% des plaques
coupées par cette machine B sont rejetées.
a ) La machine B coupe 1 000 plaques par jour.

29
Probabilités simples

Quelle est alors la probabilité pour qu’une plaque coupée dans l’atelier soit rejetée ?
b ) On veut que la probabilité de rejet d’une plaque reste inférieur à 05. Quel nombre maximum de plaques
peut-on couper avec la machine B, sachant que A coupe 500 plaques par jour ?

Exercice 43 : Ajustements et probabilités, Bts Mécanique et Automatismes Industriels, 1991

Une usine produit des pièces de type A qui doivent s’ajuster dans des pièces de type B.

A x y B

1. Les différentes valeurs prises par la cote x permettent de définir une variable aléatoire X suivant une loi normale
de moyenne 20, d’écart-type 0 04.
a ) Déterminer la probabilité pour qu’une pièce de type A soit acceptable sachant que sa cote x doit être comprise
dans l’intervalle [19 92 ; 20 08].
b ) On suppose maintenant que la proportion de pièces défectueuses de type A réalisées est 0 05. On prélève des
échantillons de 100 pièces. Soit T la variable aléatoire prenant pour valeurs le nombre de pièces défectueuses
d’un échantillon.
Quelle est la loi de probabilité de T ? On admettra qu’on peut l’assimiler à une loi de Poisson dont on
donnera le paramètre.
Déterminer la probabilité de l’événement : T 4

2. Les différentes valeurs prises par la cote y permettent de définir une variable aléatoire Y suivant une loi normale
de moyenne 20 1 et d’écart-type 0 03. On suppose d’autre part que les pièces de type A et B peuvent s’assembler
si le jeu entre les cotes, y x, est au moins égal à 0 01.
On rappelle que si X et Y sont des varables aléatoires suivant des lois normales de moyennes mx et my , de variances
Vx et Vy , alors Y X suit une loi normale de moyenne my mx et de variance Vx + Vy .
a ) Déterminer la moyenne et l’écart-type de la variable Y X.
b ) Quelle est la probabilité qu’une pièce de type A prise au hasard puisse être introduite dans une pièce de type
B également prise au hasard ?

30