Chapitre 1

Dénombrement

1.1 Permutation
Soit E un ensemble. On appelle permutation de E toute bijection de E dans E.
Exemple : E={1,2,3}
Les permutations de E sont {1, 2, 3}, {1, 3, 2}, {2, 1, 3}, {2, 3, 1}, {3, 1, 2}, {3, 2, 1}.
Proposition 1.1.1. Le nombre de permutations d’un ensemble à n élements est n!

Démonstration. On raisonne par récurrence sur n. Pour n = 1 le résultat est vérifier.

Supposons qur le résultat est vraie jusqu’à l’ordre n − 1.
Soit E un ensemble à n éléments. On choisit 1 élement parmi n éléments. Ce qui donne
n possibilités et il reste n − 1 éléments à ordonner, soit n − 1 possibilités. Le total fait
n(n − 1)! = n!.

Exemples
1) Dans une urne contenant n boules distincts indiscernables au touher et numérotés
de 1 à n. On tire n boules successives sans remises. Le nombre de tirage possibles
est n!.
2) Le nombre de mots possibles pour former STYLO est 5 !.

1.2 Arrangements sans répétition

Définition 1.2.1. On appelle arrangement sans répétition de p éléments distincts pris

4
parmi n éléments d’un ensemble E, toute disposition ordonnée de p, (0 < p ≤ n) élé-
ments de E.
Exemple : E={1,2,3}
Les arrangements sans répétition à 2 élément de E sont {1, 2}, {1, 3}, {2, 1}, {2, 3}, {3, 1}, {3, 2}.

Proposition 1.2.2. Le nombre d’arrangements sans répétition de p éléments distincts

n!
pris dans un ensemble à n éléments est Apn = (n−p)!
= n(n − 1)...(n − p + 1).
Exemple : Dans une urne contenant n boules indiscernables au toucher. On tire
successivement et sans remises p boules parmi n boules (p ≤ n). Le nombre de tirages
possibles est Apn .

1.3 Combinaison sans répétition

Définition 1.3.1. On appelle combinaison sans répétition de p éléments distincts pris
parmi n éléments d’un ensemble E, toute disposition non ordonnée de p éléments de E,
(n ≥ p).

Proposition 1.3.2. Le nombre de combinaisons sans répétition de p éléments pris parmi

Apn n!
n éléments est Cnp = p!
= p!(n−p)!
.

n!
Proprétés 1.3.3. 1) Cnp = card {F ⊂ {1, 2, ..., n} tel que card F = p} = p!(n−p)!
;p ≤
n
p−1 p
2) Cnp = Cnn−p , Cnp = Cn−1 + Cn−1 .
3) Formule de binôme : ∀n ∈ N, ∀(a, b) ∈ R2 ,
n
X
n
(a + b) = Cnk ak bn−k .
k=0

Exemples
1) On tire p boules simultanément d’une urne contenant n boules. Le nombre de
tirage possibles est Cnp .
Xn
2) 2n = Cnk .
k=0

5
1.4 Arrangements avec répétition
Définition 1.4.1. On appelle arrangement avec répétition de p éléments pris parmi les n
éléments d’un ensemble E, toute disposition ordonnée de p éléments, non nécéssairement
distincts, de E.
Exemple :
1) Les arrangements avec répétition à 2 éléments de E = {1, 2, 3} sont
{1, 1}, {1, 2}, {1, 3}, {2, 1}, {2, 2}, {2, 3}, {3, 1}, {3, 2}, {3, 3}.

Proposition 1.4.2. Le nombre d’arrangements avec répétition de p éléments d’un en-

semble E, à n éléments est np .

1.5 Combinaisons avec répétition

Définition 1.5.1. On appelle combinaison avec répétition de p éléments pris parmi
les n éléments d’un ensemble E, toute disposition non ordonnée de p éléments, non
nécéssairement distincts, de E.
Exemples : Les combinaisons avec répétition à 2 éléments de E = {1, 2, 3} sont
{1, 1}, {2, 2}, {3, 3}, {2, 1}, {2, 3}, {3, 1}.

Proposition 1.5.2. Le nombre combinaisons avec répétition de p éléments d’un en-

p
semble E, à n éléments est Cn+p−1 .

Le nombre de dispositions possibles de p boules indiscernables dans n boites discer-

p
nables est égale à Cn+p−1 .

1.6 Permutations avec répétition

Supposons que les n éléments de E se répartissent en l catégories : il ya n1 éléments
du type 1, n2 éléments du type 2,..., nl éléments du type l (avec n1 + n2 + ... + nl = n.)

Définition 1.6.1. On appelle permutation avec répétition de n éléments d’un ensemble

E, toute disposition ordonnée de n éléments où figure n1 fois un élément de type 1, n2
fois un élément de type 2, ..., nl fois un élément de type l.

6
Proposition 1.6.2. Le nombre de permutations avec répétition des n éléments de l’en-
semble E est
n!
,
n1 ! × ... × nl !
où n = n1 + n2 + ... + nl .

1.7 Théorie des ensembles

Définition 1.7.1. Soient A et B deux ensembles. On dit que A est inclu dans B et on
note A ⊂ B si tout élément de A appartient à l’ensemble B.
Notations : Soit Ω un ensemble non vide. L’ensemble de toute les partie de Ω sera
noté P(Ω).
Soit A ∈ Ω, on notera A = Ac = CΩA le complémentaire de A dans Ω.

A = {w ∈ Ω, w ∈
/ A}.

Proposition 1.7.2. Soient A et B deux sous ensembles d’un ensemble fini Ω. On a les
propriétés suivantes :
1) (Ac )c = A
2) ∅c = Ω, Ωc = ∅
3) A ∩ Ac = ∅, A ∪ Ac = Ω
4) (A ∩ B)c = Ac ∪ B c et (A ∪ B)c = Ac ∩ B c
5) A ⊂ B =⇒ B c ⊂ Ac
6) cardAc =card Ω - cardA.

Proposition 1.7.3. Soient E et F deux ensembles finis et soit une bijection de E sur
F. Alors F est fini et card E= card F.

Proposition 1.7.4. Soient Ω un ensemble fini et (Ai )1≤i≤n une partition de Ω. Alors
n
X
card Ω = card Ai .
i=1

En particulier card A = card Ω − card A; pour tout A ⊂ Ω.

7
Théorème 1.7.5. Soit Ω un ensemble non vide et (Ai )1≤i≤n n parties finies de Ω. Alors
n
X X
card (A1 ∪ ... ∪ An ) = (−1)k−1 card (Ai1 ∩ ... ∩ Aik ).
k=1 1≤i1 <i2 ...<ik ≤n

En particulier, on a

card (A1 ∪ A2 ) = card (A1 ) + card (A2 ) − card (A1 ∩ A2 ).

Proposition 1.7.6. Soient E et F deux ensembles finis. Alors l’ensemble F(E, F ) des
applications de E dans F est fini et on a

card (F(E, F )) = ( card F ) card E .

Comme conséquence on a le résultat suivant.

Corollaire 1.7.7. Soit Ω un ensemble fini à n éléments, alors

card (P(Ω)) = 2n .

8
Chapitre 2

Lois de probabilités des variables

aléatoires

2.1 Espace probabilisé

L’ensemble de tous les résultats possibles d’une expérience aléatoire est appelé espace
d’états (ou univers) Ω. On appelle événement, toute partie de Ω. L’ensemble P(Ω) désigne
l’ensemble de toutes les parties de Ω.

Définition 2.1.1. Soit

P : P(Ω) −→ [0, 1]
A 7−→ P(A)
une application vérifiant :
1) P(Ω) = 1
2) Pour tout A1 , A2 , ..., An , ... des évenements 2 à 2 disjoints, alors
X
P(∪n≥1 An ) = P(An ).
n≥1

L’application P est dite probabilité sur P(Ω). Le triplet (Ω, P(Ω), P) est appelé espace
probabilisé.
Si Ω est fini ou dénombrable, Ω = {wi }i∈I , I ⊂ N, la donnée des valeurs prises par P
sur les singletons caractérise l’application P.
Dans le cas où Ω est fini, Ω = {wi }i=1,...,n , et si

12
 1
P({w1 }) = P({w2 }) = ... = P({wn }) =
n
alors P est dite la probabilité uniforme sur P(Ω). Dans ce cas
card A
P(A) = ; ∀A ∈ P(Ω).
card Ω
Dans tout ce qui suit, on désigne par (Ω, P(Ω), P) un espace probabilisé.

Proposition 2.1.2. Soient A et B deux événements. Alors

1) Si A désigne le complémentaire de A, alors P(A) = 1 − P(A).
2) P(∅) = 0.
3) A ⊂ B =⇒ P(A) ≤ P(B) et P(B \ A) = P(B) − P(A).
4) P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Proposition 2.1.3. Soient A1 , A2 , ..., An des événements. Alors

n
X X
P(∪ni=1 Ai ) = (−1)k−1 P(∩kj=1 Aij ).
k=1 1≤i1 <...<ik ≤n

2.2 Probabilités conditionnelles

2.2.1 Définition
Soient A et B deux événements tels que P(B) 6= 0. La probabilité de A sachant B
est définie par
P(A ∩ B)
P(A/B) = .
P(B)
Proposition 2.2.1. L’application

PB : P(Ω) −→ [0, 1]
A 7−→ P (A/B) = PB (A)
définie une probabilité. Cette probabilité est appelée probabilité conditionelle sachant B.

Proposition 2.2.2. Soient A et B deux événements tels que P(A) > 0 et P(B) > 0,
alors
1) P(A/bbP (A ∩ B) = P(A/B) × P(B) = P(B/A) × P(A).

13
2.2.2 Indépendance
Définition 2.2.3. Les événements A et B sont dits indépendants si

P(A ∩ B) = P(A) × P(B).

Proposition 2.2.4. Si A et B sont indépendants, alors il en est de même pour A et B

pour A et B, pour A et B.

2.2.3 Formule de Bayes

Définition 2.2.5. On dit que les sous ensembles A1 , ..., An de l’ensemble Ω forment un
système complet d’évenements, si
1) P(Ai ) 6= 0, ∀i = 1, ..., n
1) Ai ∩ Aj = ∅, ∀i 6= j,
2) ∪ni=1 Ai = Ω
Théorème 2.2.6. Soit {A1 , ..., An } un système complet d’évenements. Alors ∀B ∈ P(Ω),
on a n
X
1) P(B) = P(B/Ai ) × P(Ai ) : Formule des probabilités totale
i=1
P(B/Ak ) × P(Ak )
2) P(Ak /B) = n : Formule de Bayes
X
P(B/Ai ) × P(Ai )
i=1

2.3 Variable aléatoire et fonction de répartition

Dans la plupart des phénomènes aléatoires, le résultat d’une épreuve peut se traduire
par une « grandeur », très souvent représentée par un nombre entier ou un nombre réel.
La notion qui représente efficacement ce genre de situation concrète est celle de variable
aléatoire.

2.3.1 Variable aléatoire

Définition 2.3.1. On appelle variable aléatoire (v.a), toute application X de
X : Ω −→ R
w 7−→ X(w).

14
Exemple 1 : On lance un dé à 6 faces numérotés de 1 à 6, 2 fois

Ω = {1, .., 6}2 −→ R

w 7−→ X(w) = Somme des numéros obtenus.

Exemple 2 : On observe la durée de vie des atomes radio-actifs

X : Ω −→ R
w 7−→ X(w) = durée de vie d’un atome radio-actif.

Définition 2.3.2. Soit X une v.a. L’application PX définie par

PX (B) = P(X ∈ B); ∀B intervalle de R

est une probabilité, appelée loi de probabilité de X.

2.3.2 Fonction de répartition

Définition 2.3.3. On appelle fonction de répartition d’une variable aléatoire X, l’ap-
plication FX définie par

FX : R −→ [0, 1]
x 7−→ FX (x) = P (X ≤ x).
FX vérifie les propriétés suivantes :
1) lim FX (x) = 0.
x→−∞
2) lim FX (x) = 1.
x→+∞
3) FX est croissante sur R, c’est à dire ∀x ≤ x0 alors FX (x) ≤ FX (x0 ).
4) F est continue à droite en tout point de R.

Proposition 2.3.4. La fonction de répartition caractérise la loi d’une v.a., c’est à dire
si X et Y sont deux v.a. définies sur le même espace probabilisé alors X et Y sont de
même loi si est seulement si FX = FY .
Exemple : Loi de Bernoulli B(p).
Considérons une expérience aléatoire qui donne un succès avec une probabilité p ou un

15
échec avec une probabilité q = 1 − p, alors Ω = {succès , échec}.
Soit
X : Ω −→ R
(
1 si w = succès
w 7−→ X(w) =
0 si w = échec
•X(Ω) = {0, 1}
•P (X = 1) = p
•P (X = 0) = 1 − p.
On dit que X suit la loi de Bernoulli de paramètre p. On note X B(p).
On vérifie que la fonction de répartition de X est

 0 si x < 0


FX (x) = P(X ≤ x) = 1−p si 0 ≤ x < 1

si x ≥ 1.

 1

Proprétés 2.3.5. Soit X une variable aléatoire de fonction de répartition FX . Alors

i) P(a < X ≤ b) = FX (b) − FX (a).
ii) P(X > a) = 1 − FX (a).
iii) P(X = a) = FX (a) − FX (a− ), où FX (a− ) désigne la limite à gauche de FX en a.

2.4 Loi de probabilité d’une variable aléatoire discrète

Définition 2.4.1. Une v.a. X est dite discrète si elle ne prend qu’un nombre fini ou
dénombrable de valeurs dans R. La donnée de (P (X = x); x ∈ X(Ω)) caractérise la loi
de probabilité de X.

2.4.1 Exemples de lois discrètes

Loi Binomiale
Considérons une épreuve de Bernoulli donnant un succès avec la probabilité 0 < p < 1
ou un échec avec la probabilité 0 < 1 − p < 1. On répète cette épreuve n fois de manières
indépendantes.
• Ω = {succès , échec}n

16
Soit
X : Ω −→ R
w 7−→ X(w) = Le nombre de succès obtenus.

•X(Ω) = {0, ..., n}.

Soit k ∈ X(Ω)

P (X = k) = P ( obtenir k succès et n-k échecs )

= Cnk pk (1 − p)n−k .
On dit que X suit la loi Binomiale de paramètre n et p. On note X B(n, p).
Loi de Poisson
Soit

X : Ω −→ R
w 7−→ X(w) = Le nombre d’apparition d’un évenement E dans un intervalle de temps [0,T].

•X(Ω) = N.
e−λ λk
Soit k ∈ N, P (X = k) = k!
où λ > 0.
On dit que X suit la loi de Poisson de paramètre λ > 0 (Le paramètre λ dépend de
[0, T ]). On note X P(λ).

2.4.2 Moments d’une variable aléatoire discrète

Définition 2.4.2. Soit X est une v.a discrète. On appelle espérance mathématique de
X (si elle existe) et on note E(X), la quantité définie par
X
E(X) = xP(X = x).
x∈X(Ω)

On appelle moment non centré (respectivement centré) d’ordre k de X, la quantité définie

par
X
mk = E(X k ) = xk P(X = x),
x∈X(Ω)
X
(respectivement µk = E((X − E(X))k ) = (x − E(X))k P(X = x)).
x∈X(Ω)
• Si k = 1, m1 = E(X) est appelé aussi moyenne de X.

17
• Si k = 2, µ2 = E((X − m1 )2 ) = V ar(X) est appelée variance de X.
La variance de X mesure la dispersion de X autour de sa moyenne m1 .
p
On appelle écart type de X, le réel positif : σ(X) = V ar(X).
σ(X) et X sont de même unités de mesure.
Notons que E(.) est linéaire et que

V ar(X) = E(X 2 ) − E(X)2 ≥ 0.

Si g : R −→ R est continue sauf sur un nombre fini de points, la moyenne de g(X) (si
elle existe) est définie par
X
E(g(X)) = g(x)P(X = x).
x∈X(Ω)

Exemles 1) Si X B(n, p), alors E(X) = np et var(X) = np(1 − p)

2) Si X P(λ), alors E(X) = λ = var(X).

2.5 Loi de probabilité d’une variable aléatoire continue

Définition 2.5.1. Une v.a. X est dite absolument continue (ou continue) s’il existe une
fonction positive f de R dans R+ telle que
Z x
FX (x) = P(X ≤ x) = f (t)dt.
−∞

Ceci est équivalent à dire que FX est la primitive de f, telle que lim FX (x) = 0. La
x→−∞
fonction f est appelée densité de X. On note f = fX .
R +∞
• Comme lim FX (x) = 1, alors −∞ fX (t)dt = 1.
x→+∞
• Si FX est dérivable en x0 alors FX0 (x0 ) = fX (x0 ).
Dans ce cas, on a ∀a ≤ b;
Z b
P(X = a) = 0 et P(a < X < b) = P(a ≤ X ≤ b) = FX (b) − FX (a) = fX (t)dt.
a

18
2.5.1 Exemples de lois continues
Loi uniforme
Une variable aléatoire X est dite uniforme sur [a, b] (on note X U([a, b]) ) si elle est
à valeurs dans [a, b] et a pour densité la fonction
1
fX (x) = 1[a,b] (x).
b−a
Loi normale
On dit qu’une variable aléatoire X est Normale (ou Gaussienne) de paramètres m et σ 2
(on note X N (m, σ 2 )) si elle est à valeurs dans R et a pour densité la fonction
1 (x−m)2
fX (x) = √ e− 2σ2 .
2πσ
Loi exponentielle
Une variable aléatoire X est dite exponentielle de paramètres λ > 0 (on note X
exp(λ)) si elle est à valeurs dans R+ et a pour densité la fonction

fX (x) = λe−λx 1R+ (x).

Loi Gamma
Soit X une variable aléatoire positive. On dit que X suit la loi Gamma de paramètres
a > 0 et λ > 0 (on note X γ(a, λ)) si sa densité est définie par

λa −λx a−1
fX (x) = e x 1R+ (x),
Γ(a)
R +∞
où Γ(a) = 0
e−x xa−1 dx.

Proposition 2.5.2. Si X N (m, σ 2 ), alors

X−m
1) Z = σ
N (0, 1),
2) FZ (−z) = 1 − FZ (z), pour tout réel z.
3) P (−z ≤ Z ≤ z) = 2FZ (z) − 1, pour tout réel z positif.
Notons que la fonction de répartition de la loi normale n’est pas explicite, il y a une
table qui détermine des valeurs approchées de la fonction de répartition de la loi normale
N (0, 1).

19
2.5.2 Moments d’une variable aléatoire absolument continue
Définition 2.5.3. Soit X est une v.a absolument continue de densité fX . On appelle
espérance mathématique de X, lorsqu’elle existe, la quantité
Z
E(X) = xfX (x)dx.
R

On appelle moment non centré (respectivement centré) d’ordre k de X, la quantité définie

par Z
k
mk = E(X ) = xk fX (x)dx,
Z R
(respectivement, µk = E((X − E(X))k ) = (x − E(X))k fX (x)dx).
R
• Si k = 1, m1 = E(X) est appelé aussi moyenne de X.
• Si k = 2, µ2 = E((X − m1 )2 ) = V ar(X) est appelé variance de X.
La variance de X mesure la dispersion de X autour de sa moyenne m1 .
p
On appelle écart type de X, le réel positif : σ(X) = V ar(X).
σ(X) et X sont de même unités de mesure.
Notons que E(.) est linéaire et que

V ar(X) = E(X 2 ) − E(X)2 ≥ 0.

Si g : R −→ R est continue sauf sur un nombre fini de points, la moyenne de g(X) (si
elle existe) est définie par
Z
E(g(X)) = g(x)fX (x)dx.
R

Exemples
1) Si X N (m, σ 2 ), alors E(X) = m et var(X) = σ 2 .
a a
2) Si X γ(a, λ), alors E(X) = λ
et var(X) = λ2
.

2.6 Fonction des moments génératrice

Définition 2.6.1. On appelle fonction des moments génératrice de la v.a X, la fonction
définie par
MX (t) = E(etX ),

20
sur son domaine DX = {t ∈ R, MX (t) < ∞}. Notons que 0 ∈ DX et que DX est un
intervalle de R.
X
Remarques 2.6.2. 1) Si X est une v.a. discrète, alors MX (t) = etx P(X = x).
x∈X(Ω)
Z +∞
2) Si X est une v.a. continue, alors MX (t) = etx fX (x)dx.
−∞

Théorème 2.6.3. La fonction des moments génératrice caractérise la loi d’une v.a

Théorème 2.6.4. Soit X une v.a. (continue ou discrète). Supposons que DX est non
(n)
réduit à {0}. Alors GX est de C ∞ sur int (DX ) et que GX (0) = E(X n ), ∀n ∈ N.
Exemples
tσ 2
1) Si X N (m, σ 2 ), alors MX (t) = exp(tm + 2
) pour tour réel t.
n
2) Si X B(n, p), alors MX (t) = (1 − p + p exp(t)) .

Proposition 2.6.5. La variance vérifie les propriétés suivante. Pour toute v.a (discrète
ou continue) X et pour tout réel a, on a
1) V ar(X + a) = V ar(X)
2) V ar(aX) = a2 V ar(X).

Définition 2.6.6. Soit X une v.a. (continue ou discrète).

Si E(X) = 0, la v.a X est dite centrée.
Si var(X) = 1, la v.a X est dite réduite.

21