Probabilités

Cours : Probabilités

Pr : OUAISSA Hamid

Licence Education
Spécialité : Enseignement
secondaire Mathématiques

Année universitaire :
2023-2024

[Link] Page 1
 1

Probabilités

1.1 Introduction

Les probabilités vont nous servir à modéliser une expérience aléatoire, c'est-à-dire
un phénomène dont on ne peut pas prédire l'issue avec certitude, et pour le que
l'on décide que le dénouement sera le fait du hasard.
Exemple 1.1.1. - l'enfant à naître sera une lle.
- Victoire d'une équipe de foot lors du prochain match.
- le dé va faire un nombre pair.
La première tâche qui vous attend est de décrire les diérentes issues possi-
bles de cette expérience aléatoire. Puis on cherche à associer à chacune de ces
éventualités un nombre compris entre 0 et 1 qui mesure la chance qu'elles ont
de se réaliser. Comment interpréter/xer ce nombre, appelé probabilité?Il existe
plusieurs manières de voir
-Proportion:
On lance un dé. Quelle est la probabilité de

A= "obtenir un chire pair"

Chaque face du dé la même chance, et il y en a 6. Quant aux chires pairs, ils
sont 3. D'où, intuitivement,
P (A) = 3/6 = 1/2.
-Fréquence:
Un enfant est attendu. Quelle est la probabilité que ce soit une lle? On a
observé un grand nombre de naissances. Notons kn le nombre de lles nées en
observant n naissances. Alors
kn
P (A) = lim
n→+∞ n

2
Introduction aux probabilités

mais cette limite a-t-elle un sens?

-Opinion:
Quelle est la probabilité pour que l'équipe de Maroc gagne la coupe d'Afrique
des nations? Dans ce cas, on ne peut pas rejouer le même match dans les mêmes
conditions plusieurs fois. On peut considérer les qualités des joueurs, des en-
traîneurs, les résultats de la saison...Mais le choix de la probabilité est forcément
subjectif. Dans ce cours l'objectif est de simplement introduire sur les espaces
nis toutes les notions importantes de probabilités. Cela fera appel à quelques
propriétés sur l'analyse combinatoire, les variables aléatoires ainsi que quelques
lois de probabilités que ça soit discrètes ou continues. D'abord, on doit commencer
par un petit rappel sur la théorie des ensembles ainsi que le dénombrement.

1.2 Rappel sur la théorie des ensembles et le dénom-

brement

Dénition 1.2.1. Ensemble des parties d'un ensemble.

Soit E un ensemble. On appelle l'ensemble des parties de E, l'ensemble noté P(E)
dont les éléments sont les sous-ensembles de E.
Exemple 1.2.1. Soit E l'ensemble à deux éléments : E = {a, b}. Alors E admet
comme sous-ensembles ∅, {a}, {b} et E lui même. Ainsi
P (E) = {∅; E; {a}; {b}}

Si E contient 2 éléments, P (E) contient 4 éléments.

Dénition 1.2.2. Ensembles disjoints.
Deux ensembles E et F sont dits disjoints si
E∩F =∅

Dénition 1.2.3. Partition d'un ensemble. Soit (Ai )i∈I une famille de sous-
ensembles de E. On dit qu'elle forme une partition de E si
1. ∪ Ai = E,
i∈I

2. Ai ∩ Aj = ∅ dés que i ̸= j ∈ I.
Propriétés 1.2.1. Soient A, B, C ∈ P (E). Alors
1. A ∩ Ā = ∅, où Ā le complémentaire de A.
2. A ∪ Ā = E.

[Link] Page 3
Introduction aux probabilités

3. A ∪ B = B ∪ A; A ∩ B = B ∩ A,
4. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
5. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
6. A ∪ Ā = E; A ∩ E = A.
Propriétés 1.2.2. Lois de Morgan.
Soient A, B deux sous-ensembles de E Alors
1. A ∪ B = Ā ∩ B̄,
2. A ∩ B = Ā ∪ B̄,
L'analyse combinatoire est une branche des mathématiques qui étudie com-
ment dénombrer des objets. Le dénombrement consiste à déterminer le nombre
d'éléments dans un ensemble ni. Elle fournit des méthodes utiles en théorie de
probabilités.
Dénition 1.2.4. On appelle cardinal d'un ensemble ni E le nombre d'éléments
de E. On le note |E| ou card(E).
Un ensemble ni est un ensemble dont le cardinal est ni.
Propriétés 1.2.3. Soient E et F deux ensembles nis. Alors
• Si E ⊂ F, on a card(E) ≤ card(F ) , avec égalité si et seulement si E = F.
• card(E × F ) = card(E) · card(F ) où × désigne le produit cartésien dénit par
E × F = {(a, b) | a ∈ E, b ∈ F }
• card(E ∪ F ) = card(E) + card(F ) − card(E ∩ F )

On rappelle le produit cartésien des ensembles E1 , ..., En est

E1 × E2 × ... × En = {(e1 , ..., en ) | ei ∈ Ei pour i ∈ {1, ..., n}}

L'élément (e1 , e2 , ..., en ) est appelé un n-uplet.

si n = 2, on parle de couple. si n = 3, on parle de triple.
Exemple 1.2.2. Soit E = {2, 3, 4}, F = {2, 1} alors
E × F = {(2, 2), (2, 1), (3, 2), (3, 1), (4, 2), (4, 1)}

On a bien card(E × F ) = card(E) · card(F ) = 3 ∗ 2 = 6.

Ceci nous amène à énoncer théorème fondamentale de dénombrement appelé
également principe multiplicatif.

[Link] Page 4
Introduction aux probabilités

Propriétés 1.2.4. (principe multiplicatif) : Soit ensembles nis E1 , E2 , ....En ,

alors on a
n
Y
card(E1 × E2 × ... × En ) = card(Ei )
i=1

Maintenant, on considère l'exemple suivant pour bien stimuler ce principe

Exemple 1.2.3. Un restaurant propose sur sa carte 3 entrées, 4 plats de résistance
et 2 desserts.
a) Combien de menus diérents composés d'une entrée, d'un plat et d'un dessert
peut-on constituer ?
b) Même question si le dessert est une tarte aux pommes imposée.
Correction a) Soit E l'ensemble des entrées, P celui des plats et D celui des
desserts. On considère alors les triplets de la forme (entrée, plat, dessert) éléments
de E × P × D. D'après le principe multiplicatif, on a :
card(E × P × D) = 3 ∗ 4 ∗ 2 = 24.

Il existe 24 menus diérents.

b) Puisque, on a xé le dessert alors le nombre de menu est
card(E × P ) = 3 ∗ 4 = 12.

Il existe 12 menus diérents dont le dessert est une tarte aux pommes.
Corollaire 1.2.1. Soit un ensemble ni n éléments. Alors le nombre de k-uplets
est égal à :
card(E × E × ... × E ) = card(E k ) = nk
k fois
Terminologie:

ˆ Disposition sans répétition : c'est une disposition où un élément peut appa-

raître 0 ou 1 fois.
ˆ Disposition avec répétition : un élément peut gurer plus d'une fois.

ˆ Disposition ordonnée : l'ordre d'obtention d'un élément est important. Ex.

les éléments constituant la plaque minéralogique d'un véhicule.
ˆ Disposition non-ordonnée : l'ordre d'obtention d'un élément n'est pas im-
portant, on n'en tient pas compte dans la caractérisation de la disposition.
Ex. Les numéros issus d'un tirage du loto.

[Link] Page 5
Introduction aux probabilités

1.2.1 Arrangement
Dénition 1.2.5. Un arrangement est une sélection ordonnée d'objets, autrement
dit, Étant donné un ensemble E de n éléments, on appelle un arrangement de p
éléments toute dispostion ordonnée de p éléments pris parmi les n éléments. Le
nombre d'arrangements de p éléments pris parmi n éléments est noté Apn ,

Remarque 1.2.1. On a nécessairement 1 ≤ p ≤ n, p ∈ N∗ . Si n < p alors Apn = 0.

Deux arrangements de p élément sont donc distincts s'ils diérent par la nature
des éléments qui les composent ou par leur ordre dans la suite.

Exemple 1.2.4. RAT est un arrangement de lettres dans le mot ARRANGE-

MENT.

Nous pouvons dénir un arrangement plus rigoureusement à l'aide des infor-

mations présentées dans la section précédente sur le produit cartésien. On peut
alors parler d'arrangement sans ou bien avec répétition.
Soient n et p des entiers naturels tels que 1 ≤ p ≤ n.,

Arrangements avec répétition

Lorsqu'un élément peut être observé plusieurs fois dans un arrangement, le nombre
d'arrangements avec répétition (ou avec remise) de p éléments pris parmi n est
alors
Apn = np

Explication : Pour le premier élément tiré, il y a n manières de ranger l'élément

parmi n. Pour le second élément tiré, il existe également n possibilités d'arrangements
car le premier élément fait de nouveau parti des n éléments Ainsi pour les p élé-
ments tirés parmi n, il y aura n × n × · · · × n (p fois) arrangements possible, soit
Apn = np .
En eet on a n possibilités pour chaque place.
Réaliser un arrangement avec répétition des éléments d'ensemble E, c'est aussi
dénir une application d'un ensemble F à p éléments dans E à n éléments.

Exemple 1.2.5. Si on considère une urne qui contient 9 boules numérotés (3

rouges, 3 noires et 3 blanches). On tire 4 boules avec remise de cette urne. Com-
bien de nombres de tirage possible ?
Il s'agit d'un arrangement avec répétition, le nombre de tirage possible est de 94

Exemple 1.2.6. On veut déchirer le code d'un portable composé de 3 chires.

[Link] Page 6
Introduction aux probabilités

Arrangements sans répétition

Dénition 1.2.6. Lorsque chaque objet ne peut être observé qu'une seule fois
dans un arrangement. Autrement dit un arrangement de p éléments d'un ensemble
E (card(E) = n) est un p-uplet d'éléments distincts de E. C'est aussi dénir une
application injective d'un ensemble F à p éléments dans E à n éléments.
Pour compter le nombre d'arrangements, nous exploitons le principe multipli-
catif du dénombrement. Soit un ensemble dont le cardinal est n.
Après avoir sélectionné le premier élément de l'arrangement, il nous reste n − 1
choix, car il n'y a pas de répétition permise dans un arrangement. De
même, après avoir sélectionné le deuxième élément de l'arrangement, il nous reste
n − 2 choix. Si nous continuons ainsi, après le (p-1)-ième élément, il y a donc
n − (p − 1) = n − p + 1 choix pour le p-ième et dernier élément de l'arrangement.
D'où, le nombre d'arrangements de p éléments d'un ensemble de cardinal n est :
n × n − 1 × ... × n − p + 1
L'expression ci-dessus peut être reformulée à l'aide des factorielles.
Dénition 1.2.7. Le factorielle d'un entier naturel n est égale à
n × n − 1 × ..... × 1
il se note n!
Alors le nombre d'arrangement sans répétions de p éléments parmi n, se calcule
n!
Apn =
(n − p)!
Exemple 1.2.7. Une course de 20 athlètes, on attribue une médaille d'or au
premier, une médaille d'argent pour le deuxième et le bronze pour le troisième.
Combien y-a-t il de classements possible ?
On voit clairement que l'ordre ici est important et il n y a pas de répétition donc
le nombre de cas possibles est
20!
A320 = = 20 × 19 × 18 = 6840
17!
Exemple 1.2.8. Pour jouer à la loterie, il faut choisir cinq numéros sur une
grille de 49 numéros et un numéro complémentaire parmi dix. Peux-tu calculer le
nombre de résultats possibles à la loterie ?
Pour les numéros non-complémentaires, il s'agit d'un arrangement où n = 49 et
p = 5.
Il y a donc A549 = (49−5)!
49!
= 228826080 arrangements de cinq numéros. Pour
prendre en compte le numéro complémentaire, il faut utiliser le principe de multi-
plication du dénombrement. Comme il y a dix possibilités pour le numéro complé-
mentaire, il y a 10 · 228826080 = 2288260800 résultats possibles du loto.

[Link] Page 7
Introduction aux probabilités

Pour un arrangement en dénombrement, l'ordre est important. Une permuta-

tion est un type spécial d'arrangement.

Permutation
Dénition 1.2.8. Une permutation est un rangement ordonné de n objets distin-
guables. Autrement dit, Une permutation est un arrangement de tous les éléments
dans un ensemble. C'est également une bijection d'un ensemble de n éléments vers
lui même.

Exemple 1.2.9. ART est une permutation du mot RAT.

Permutations sans répétition

Étant donné un ensemble E de n éléments ; on appelle permutation de n éléments
distincts, toutes suites ordonnées de n éléments. Le nombre de permutation de n
éléments est noté
Pn = n!

Remarque 1.2.2. La permutation sans répétition constitue un cas particulier

d'arrangement lorsque n = p. En eet, nous pouvons en déduire le nombre de
permutations à l'aide de la formule pour le nombre d'arrangements, où p = n ainsi
:
n!
Ann = = n!
(n − n)!
où 0! = 1.

Exemple 1.2.10. Le nombre de façon de placer 5 étudiants dans 5 places dif-

férentes est
5! = 5 × 4 × 3 × 2 × 1 = 120.

Réaliser une permutation sans répétition des éléments d'ensemble E, c'est

réaliser un tirage exhaustif sans remise des éléments de E en tenant compte de
l'ordre du tirage. C'est aussi dénir une bijection de ensemble E sur lui-même.

Exemple 1.2.11. Un site internet requiert à ses clients d'avoir un mot de passe
composé de tous les chires entre 0 et 9 compris. Chaque chire ne doit apparaître
qu'une seule fois dans le mot de passe. Saurais-tu calculer le nombre de mots de
passe possibles ?
Chaque mot de passe serait une permutation des chires entre 0 et 9. Comme
il y a dix chires, il peut y avoir 10! = 3628800 mots de passe possibles.

[Link] Page 8
Introduction aux probabilités

Permutations avec répétition.

Dénition 1.2.9. Soit E un ensemble tel que Card(E) = n et soit n1 ; n2 ; :::; nr
r
des entiers naturels tels que ni = n. On appelle permutations avec répétition
X

i=1
de E une disposition ordonnée de n éléments. Parmi les n éléments on trouve n1
éléments de a1 , n2 éléments de a2 ,..., nr de éléments ar . c'est à dire Le nombre de
permutations est
n!
Pn1 ;n2 ;...;nr =
n1 !n2 !...nr !
C-à-d que le premier élément gure n1 fois, le deuxième gure n2 fois et ainsi
de suite.
Exemple 1.2.12. Combien de mots diérents peut on écrire en permutant les
lettres du mot "Yassine".
Le nombre de mots que l'on peut former est le nombre des {1; 1; 2; 1; 1; 1}-
permutations (avec répétition) de l'ensemble des lettres "Yassine", soit
7! 7!
P = = = 2520
1!1!2!1!1!1! 2!

Question: Combien de permutations possibles des lettres A, B, B, C et C?

Exemple 1.2.13. Combien de nombres diérents peut-on écrire avec les chires
3,4,5,0,3 ?

1.2.2 Combinaisons
Dénition 1.2.10. Étant donné un ensemble de n éléments ; on appelle combi-
naison de p éléments, tout sous-ensemble de p éléments non ordonné pris parmi
les n éléments.

Combinaisons sans répétion

Une combinaison est une sélection de p éléments pris parmi n éléments. Autrement
dit, on appelle combinaison sans répétition de p éléments pris parmi n et sans
remise d'un ensemble E toute disposition non ordonnée de p éléments de E. Ici
l'ordre des éléments n'a pas d'importance et les éléments ne se répètent pas.

[Link] Page 9
Introduction aux probabilités

Dénition 1.2.11. Pour déterminer le nombre de combinaisons, nous utilisons la

formule suivante :
n!
Cnp =
p!(n − p)!
Le symbole Cnp se lit "combinaison de k parmi n". Il se note également n


p

Remarque 1.2.3. (Explication) Pour une disposition ordonnée de p éléments

parmi n sans répétition.
ˆ Il y a Apn possibilités de tirer p élément parmi n en les ordonnant : Apn =
n!
(n−p)!

ˆ Une fois les p élément tirés, il y a p! manières de les ordonner.

p
ˆ Il y a donc Cnp = Ap!n manières de tirer p élément parmi n sans les ordonner.
Cnp = Nombre de combinaisons possibles
=
Nombre d'arrangements possibles
Nombre
p
de permutations possibles dans cet arrangement
An
= p!
n!
= p!(n−p)!

Exemple 1.2.14. BON est une combinaison des lettres de COMBINAISON.

Exemple 1.2.15. Combien de couleurs peut-on obtenir en mélangeant deux couleurs
non identiques des trois couleurs : Rouge, Bleu, Jaune ?
On considère des échantillons non ordonnés : Rouge + Bleu = Bleu + rouge. Il
n'y a pas répétition : Jaune + Jaune ne convient pas. La réponse est donc : C32
mélange possibles.
3!
C32 = =3
2!1!
Exemple 1.2.16. On tire au hasard trois billes d'un sac contenant une bille rouge
(R), une bille bleue (B), une bille jaune (J) et une bille verte (V). Déterminer le
nombre de combinaisons possibles
Exemple 1.2.17. Imagine que tu dois constituer un groupe de cinq personnes pour
travailler sur un devoir commun. S'il y a 30 personnes dans ta classe, combien de
façons y-a-t-il pour former le groupe ?
Si tu dois former une équipe de cinq personnes et tu fais partie du groupe en
plus, alors p correspond à 4. Comme il y a 30 personnes dans la classe, alors n
correspond à 29 . Puisque l'ordre n'a pas d'importance et il n'y a pas de répétition
alors c'est une combinaison sans répétition. Le nombre de façon possible
29

29!
4 = = 23751
4!25!

[Link] Page 10
Introduction aux probabilités

Il y a donc 23751 façons pour former le groupe.

Exemple 1.2.18. Nombre de tirages du Loto. Les boules sont numérotées de 1 à
49. On tire 6 boules. Combien le nombre de tirages possibles.
Un tirage de 6 numéros parmi 49, est une combinaison de 6 parmi 49. Le nombre
de tirages possibles vaut donc
6 49!
C49 = = 13983816.
6!43!

Combinaisons avec répétition.

Dénition 1.2.12. On appelle combinaison avec répétition de p éléments parmi n
éléments avec répétition (remise) d'un ensemble E toute disposition non ordonnée
de p éléments, non nécessairement distincts de E. Le nombre de combinaison est
p (n + p − 1)!
Cn+p−1 =
p!(n − 1)!

Exemple 1.2.19. Combien de combinaisons avec répétition à deux éléments de

l'ensemble {1; 2; 3}. Les combinaisons possibles sont : {1; 1}; {1; 2}; {1; 3}; {2; 2}; {2; 3}
et {3; 3}. On a alors :
2 (3 + 2 − 1)!
C3+2−1 = =6
2!(3 − 1)!
Exemple 1.2.20. On tire au hasard trois billes dans une urne qui contient une
bille rouge, deux billes bleues distinctes et quatre billes vertes distinctes. Déter-
miner le nombre de combinaisons possibles si on eectue les tirages avec remise.
7+3−1
Nombre de combinaisons possibles = = 84
3!(7 − 1)!
Propriétés 1.2.5. Propriété de symétrie : Pour tout entier naturel k tel que
0≤k≤n
n
= (nk )


n−k

On a également la propriété du triangle de Pascal

n+1
(nk ) + n



k+1 = k+1

Les principes du dénombrement servent à résoudre de nombreux problèmes. Il

faut donc savoir identier si le contexte contient un arrangement, une permutation
ou une combinaison à l'aide de divers exercices de dénombrement.
Exercice
[Link] il y a d'arrangements de trois lettres distinctes du mot ARRANGE-
MENT ?

[Link] Page 11
Introduction aux probabilités

2. Dans ta cuisine, il y a du poulet, du boeuf, du poisson, des épinards, des cour-

gettes, des asperges, des tomates, du riz et des pâtes. Pour créer un plat équilibré,
tu choisiras une viande, un légume et un féculent. Combien de possibilités de plats
y-a-t-il ?
3. Trouve le nombre d'agencements possibles avec les lettres du mot LICORNE
sans séparer les voyelles.

1.3 Notions de Probabilités

1.3.1 Langage de Probabilités

Dénition 1.3.1. Expérience aléatoire.
Une expérience aléatoire est une épreuve que l'on peut répéter plusieurs fois
et telle que :
ˆ l'ensemble des résultats (issues) possibles est connu ;

ˆ on ne peut pas prévoir, par avance lequel de ces résultats sera réalisés.

Dénition 1.3.2. Univers : L'ensemble de tous les résultats possibles d'une

expérience aléatoire constitue l'espace échantillon ou univers de l'expérience ou
encore l'espace des observations; on le note habituellement Ω.
Exemple 1.3.1. On considère quelques exemples d'expériences aléatoires
NO Expérience Ensemble de résultats possibles (Univers)
Jeter un dé et relever le nombre
1 Ω = {1, 2, 3, 4, 5, 6}
qui est sur sa face supérieure
2 Jeter une pièce de monnaie Ω = { pile,face } = {P, F }
Compter le nombre de personnes
3 entrant dans un magasin entre Ω = {1, 2, 3, . . .} = N
8h et 22 h
4 Jeter un dé deux fois de suite Ω = {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (6, 5), (6, 6)}
Jeter une pièce de monnaie
5 Ω = {P P P, P P F, P F P, P F F, F P P, F P F, F F P, F F F }
trois de fois de suite
Dénition 1.3.3. Événement
Les sous-ensembles de l'univers Ω sont appelés événements. On distingue les événe-
ments simples ou événements élémentaires qui sont constitués d'un seul élément
(autrement dit, un singleton) et des événements composés.
Exemple 1.3.2. Dans l'expérience No 1 de l'exemple précédant:
Soit ω ∈ {1, 2, 3, 4, 5, 6} = Ω.
ω est appelé une réalisation ou une "épreuve".

[Link] Page 12
Introduction aux probabilités

Soit A = {2}, A ⊂ Ω est appelé un événement simple.

Soit B = { " le nombre obtenu est pair " } est appelé un événement composé.

B est réalisé ⇐⇒ ω ∈ {2, 4, 6}.

Exemple 1.3.3. Quelques exemples d'événements.
≻ L'espace échantillon (univers) Ω est l'événement qui est toujours réalisé, "événe-
ment certain".
≻ L'ensemble vide ∅ est l'événement qui n'est jamais réalisé "événement im-
possible".
≻ SiA est un événement, alors Ā est un événement aussi.
≻ Si A et B sont deux événements, alors A ∪ B est un événement aussi.
≻ SiA et B sont deux événements, alors A ∩ B est un événement aussi.

1.3.2 Opérations sur les événements

≻ Événement impossible : A = ∅;
≻ Événement certain : A = Ω;
≻ Événement contraire : Ā = Ω\A;
≻ Événements incompatibles : A ∩ B = ∅;
≻ Réalisation simultanée de deux événements : A ∩ B ;
≻ Réalisation d'un événement au moins : A ∪ B ;
≻ Événement A\B = A ∩ B̄ = A\(A ∩ B). Cet événement est caractérisé par
la réalisation de A et la non réalisation de B .
On arrive au point essentiel de dénir la probabilité d'un événement A(A ⊂ Ω),
qui doit mesurer la chance que l'événement A à de se réaliser lors qu'on eectue
une expérience.

1.3.3 Tribus
Dénition 1.3.4. Tribus. Soient Ω un ensemble et P(Ω) l'ensemble des parties
de Ω. On appelle tribu de Ω un sous-ensemble

T ⊂ P(Ω)
vériant les conditions suivantes :

1. Ω ∈ T ,
2. ∅ ∈ T ,
3. A ∈ T ⇒ Ā ∈ T , ( Ā est le complémentaire de A)
4. (An )n∈N ⊂ T ⇒ ∪ An ∈ T .
n∈N

[Link] Page 13
Introduction aux probabilités

Les éléments d'une tribu T de Ω sont donc des sous-ensembles de E . La

troisième condition précise que si un sous-ensemble est dans la tribu T , son com-
plémentaire également. Un cas particulier de la condition (4) est de dire que si
deux sous-ensembles A et B sont dans la tribu T , alors leur réunion A ∪ B est
aussi dans T .

Exemple 1.3.4.
≻ Soit Ω un ensemble. Alors T = P(Ω) est une tribu de Ω.
≻ Soit Ω un ensemble. Alors T = {Ω, ∅} est une tribu de Ω. C'est la plus petite
tribu que l'on puisse construire sur Ω. Elle est souvent appelée la tribu triviale.
≻ Soit Ω = {a, b, c} un ensemble à trois éléments. Considérons le sous-
ensemble de P(Ω)

T = {Ω, ∅, {a}, {b, c}}.

Alors T vérie les conditions pour être une tribu de Ω.

1.3.4 Espaces probabilisables

Dénition 1.3.5. Un espace probabilisable est un couple (Ω, T ) où Ω est un
ensemble, T une tribu sur Ω.

Exemple 1.3.5. L'espace (Ω, P(Ω)) est un espace probabilisable.

Vocabulaire

Soit (Ω, T ) un espace probabilisable. Alors

≻ Ω est appelé l'espace des épreuves.
≻ Les éléments de la tribu T sont les événements.
≻ Un élément ω ∈ Ω est appelé résultat. Si ω ∈ Ω est un élément d'un
événement A ∈ T , on dit que ω réalise A .
Dans le tableau suivant, on cite quelques exemples de vocabulaire analogues
passant de la théorie des ensembles à la théorie de probabilité.

[Link] Page 14
Introduction aux probabilités

notations vocabulaire ensembliste vocabulaire probabiliste

espace des épreuves (événement cer-
Ω ensemble plein
tain)
∅ ensemble vide événement impossible
ω élément de Ω événement élémentaire
A sous-ensemble de Ω événement
ω∈A ω appartient à A ω réalise A
A⊂B A inclus dans B A implique B
A∪B réunion de A et B A ou B
A∩B intersection de A et B A et B
Ac ou A complémentaire de A événement contraire de A
A ∩ B = ∅ A et B disjoints A et B incompatibles

Exemple 1.3.6. Considérons l'ensemble à deux éléments

Ω = {p, f }

Cet espace des épreuves peut, par exemple, correspondre aux résultats d'un lancer
d'une pièce de monnaie. Prenons
T = P(Ω) = {{p, f }, ∅, {p}, {f }}.

Considérons le résultat p. Alors les événements suivants sont réalisés :

Ω, {p}

Notons que l'événement est toujours réalisé, quel que soit le résultat ω ∈ Ω.

1.3.5 Dénition et propriétés d'une Probabilité

Dénition 1.3.6. Soit (Ω, T ) un espace probabilisable. Une application
P : T 7→ [0, 1]

est appelée une probabilité sur cet espace si

1. P (Ω) = 1,
2. 0 ≤ P (A) ≤ 1, pour tout événement A ⊂ Ω
3. Pour tout familles ni ou dénombrable (Ai )i∈I d'événements deux-à-deux
disjoints (incompatibles) (Ai ∩ Aj = ∅ pour i ̸= j ) on a :
  X
P ∪ Ai = P (Ai )
i∈I
i∈I

[Link] Page 15
Introduction aux probabilités

Propriétés 1.3.1. Soit P une probabilité sur l'espace (Ω, T ). Alors

1. P (Ω) =
P
P (ω) = 1
ω∈Ω

2. P (∅) = 0,
3. Pour tout A ∈ T, P (A) =
P
P (ω)
ω∈A

4. Pour tout A ∈ T, P (Ā) = 1 − P (A)

5. Pour tout A, B ∈ T, P (A\B) = P (A) − P (A ∩ B),
6. Pour tout A, B ∈ T , si A ⊂ B , alors P (A) ≤ P (B);
7. Si A, B ∈ T sont deux événements pas nécessairement incompatibles, alors

P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

On peut préciser le calcul de probabilités d'un événement quelconque A. Dans

le cas équiprobable de manière simpliée, la probabilité théorique vaut
Card(A) Nombre de cas favorables à A
P (A) = = .
Card(Ω) Nombre de cas possibles
Exemple 1.3.7. Soit Ω = {p, f }. On considère la tribu T = P(Ω). L'application

T 7→ [0, 1]
dénie par
1
P ({p}) = = P ({f }), P (Ω) = 1, P (∅) = 0
2
est une probabilité sur cet espace.
Exemple 1.3.8. Soit Ω = {pp, pf, f p, f f }. On considère la tribu T = P(Ω).
L'application P dénie à partir de
1
P ({pp}) = P ({pf }) = P ({f p}) = P ({f f }) =
4
s'étend en une probabilité. Ceci signie qu'il existe une unique loi de probabilité
sur(Ω, T ) dont la restriction aux événements élémentaires est donnée par les égal-
ités ci-dessus. En particulier si A = {pp, pf, f p} qui correspond à l'événement
d'avoir au moins pile dans deux lancers d'une pièce, alors P (A) = 43 .

[Link] Page 16
Introduction aux probabilités

Dénition 1.3.7. Soit Ω un ensemble et T un tribu sur Ω.

On appelle espace probabilisé un triplet (Ω, T, P ) où (Ω, T ) est un espace proba-
bilisable et P une probabilité sur (Ω, T ).
Dénition 1.3.8. (Evénements négligeables.) Soit (Ω, T, P ) un espace probabil-
isé. Un événement A ∈ T est dit négligeable si sa probabilité est nulle :

P (A) = 0.

1.3.6 Équiprobabilité
On dit qu'il y a équiprobabilité lorsque Ω est ni, de cardinal n, et tous les événe-
ments simples sont de même probabilité c'est à dire elles ont la même chance de
se réaliser (équiprobables). Dans ce cas :
1 1
P ({ω}) = = , ∀ω ∈ Ω
n Card(Ω)
où Card(Ω) est le nombre d'élément de Ω. La probabilité P sur Ω est dite
uniforme. Si les événements simples sont équiprobables, la probabilité de tout
événement A est donnée par :
Card(A) Nombre de cas favorables à A
P (A) = = .
Card(Ω) Nombre de cas possibles
Attention! Cette formule n'est valable que lorsque les événements élémentaires
sont bien équiprobables. Dans ce cas, il sut de savoir calculer le cardinal des
ensembles considérés pour calculer les probabilités.
Remarque 1.3.1. On est maintenant en mesure de modéliser des expériences
aléatoires simples, c'est-à-dire :
- choisir Ω,
- choisir une probabilité sur Ω, en justiant ce choix.
Attention, pour décrire une probabilité, il faut donner P(A) pour tout A ⊂ Ω, . Ou
alors, on peut plus simplement donner P (ω) pour tout ω ∈ Ω. Le lecteur déduira
P (A) pour tout A d'après la dénition d'une probabilité.

3.3.7 Indépendance
Dénition 1.3.9. (Événements indépendants.) Soit (Ω, T, P ) un espace proba-
bilisé. Deux événement A, B ∈ T sont dits indépendants si la réalisation de A
n'aecte pas la réalisation de B, et inversement. Autrement dit, A et B sont
indépendants si
P (A ∩ B) = P (A)P (B)

[Link] Page 17
Introduction aux probabilités

Cette notion d'indépendance est fondamentale pour la suite. Elle ne concerne

que deux événements. Pour trois (ou plus) événements, nous avons la dénition
suivante
Dénition 1.3.10. Soit (Ω, T, P ) un espace probabilisé. Un ensemble d'événements
A1 , A2 , . . . , An ∈ T est dit totalement indépendant si pour tout sous-ensemble
I ⊂ {1, 2, . . . , n}
!
\ Y
P Ai = P (Ai ) ,
i∈I i∈I

Les événements sont deux à deux indépendants si pour tous indices i, j(i ̸= j),

P (Ai ∩ Aj ) = P (Ai ) P (Aj )

Exemple 1.3.9. On considère l'expérience relative à un lancer de deux dés équili-

brés. On a alors
Ω = {(1, 1), (1, 2), · · · , (1, 6), (2, 1), (2, 2), · · · , (2, 6), (6, 1), · · · , (6, 6)}

Cet ensemble ni contient donc 6 × 6 = 36 éléments. On considère les événe-

ments
A = { la somme des dés vaut 7}
B = { le premier dé ache 4}
C = { le second dé ache 3}
Calculer P (A ∩ B), P (A ∩ C), P (B ∩ C) et P (A | B ∩ C).
Propriétés 1.3.2. Si A et B sont des événements indépendants, alors :
≻ A et B̄ sont des événements indépendants;
≻ Ā et B sont des événements indépendants;
≻ Ā et B̄ sont des événements indépendants.

Exemple 1.3.10. Une urne contient 12 boules numérotées de 1 à 12 . On en tire

une hasard, et on considère les événements
A="tirage d'un nombre pair",
B = "tirage d'un multiple de 3 ".
Les événements A et B sont-ils indépendants?

1.3.7 Probabilités conditionnelles

Dénition 1.3.11. (Probabilités conditionnelles) Soient (Ω, T, P ) un espace prob-
abilisé et A, B ∈ T deux événements tels que P (B) ̸= 0. On appelle probabilité
conditionnelle de l'événement A sachant B le rapport

[Link] Page 18
Introduction aux probabilités

P (A ∩ B)
P (A | B) =
P (B)
il est noté aussi par PB (A).
Il est clair que la probabilité conditionnelle de A sachant l'événement total Ω
est égal à P (A). De même si B est un événement tel que B ⊂ A, alors A ∩ B = B
et P (A | B) = 1.
Remarque 1.3.2. Si A et B sont tels que P (A) > 0, P (B) > 0 on peut écrire :
P (A ∩ B)
P (A | B) = =⇒ P (A ∩ B) = P (A | B) · P (B)
P (B)
De même :
P (A ∩ B)
P (B | A) = =⇒ P (A ∩ B) = P (B | A) · P (A)
P (A)

≻ A : l'événement dont on cherche à prévoir la probabilité.

≻ B : l'élément additionnel qui aide à prévoir la probabilité de A.
≻ P (A) : c'est la probabilité à priori.
≻ P (A | B) : probabilité à posteriori de A contenu de B .
≻ P (B) : à calculer par la formule des probabilités totale.
≻ P (B | A) : abilité informationnelle de B par rapport à A.

Exemple 1.3.11. On tire au hasard une carte parmi 10 (numérotées de 1 à 10 ).

soit S l'événement "le numéro tiré est multiple de 3 à condition qu'il soit
supérieur ou égal à 7"
Exemple 1.3.12. Une urne contient 10 boules noires et 15 boules blanches. On
eectue deux tirages successifs sans remettre la première boule tirée dans l'urne
(tirage sans remise). Quelle est la probabilité d'obtenir une boule noire au premier
tirage et une boule blanche au deuxième tirage?
On a Card(Ω) = 25
≻ A : l'événement " Obtenir une boule noire au premier tirage "
10
Card(A) = 10 et P (A) =
25
≻B: l'événement " Obtenir une boule blanche au deuxième tirage "
15
Card(B) = 15 et P (B | A) =
24
≻ C : l'événement " Obtenir une boule noire au premier tirage et une boule
blanche au deuxième tirage "

[Link] Page 19
Introduction aux probabilités

C = A ∩ B =⇒ P (C) = P (A ∩ B)
P (B ∩ A) 15 10 1
P (B | A) = =⇒ P (B ∩ A) = P (B | A)P (A) = =
P (A) 24 25 4

Remarque 1.3.3. 1. L'événement contraire de A | B est Ā | B .

2. Cas particulier si A ⊂ B alors P (A) ≤ P (B) et P (A ∩ B) = P (A) d'où
P (A ∩ B) P (A)
P (A | B) = =
P (B) P (B)
Proposition 1.3.1. (Formule des probabilités totales généralisée) Soit (Ai )i∈I une
partition de Ω, telle que P (Ai ) > 0, pour tout i ∈ I. Alors, pour tout événement
B, X
P (B) = P (B|Ai )P (Ai )
i∈I

La formule des probabilités totales permet de suivre les étapes de l'expérience

aléatoire dans l'ordre chronologique. Nous allons maintenant voir une formule à
remonter le temps...
Théorème 1.3.1. (Le théorème de Bayes.)
Soient (Ω, T, P) un espace probabilisé et A, B ∈ T deux événement tels que
P (A) ̸= 0 et P (B) ̸= 0. Alors

P (B | A)P (A)
P (A | B) =
P (B)
On remarque que P (B) = P (A ∩ B) + P (Ā ∩ B) = P (B | A)P (A) + P (B |
Ā)P (Ā), (autrement dit, on uilise la formule des probabilités totales généralisée)
ainsi
P (B | A)P (A)
P (A | B) =
P (B | A)P (A) + P (B | Ā)P (Ā)
La formule de Bayes se généralise de la façon suivante
Théorème 1.3.2. (Le théorème de Bayes généralisé.)
Soient (Ω, T, P ) un espace probabilisé et {A1 , · · · , Ak } une partition de Ω telle
que chaque Ai ∈ T, i = 1, · · · , k, et P (Ai ) ̸= 0. Alors, pour tout événement B de
T on a :

P (B | Ai ) P (Ai )
P (Ai | B) = P , pour i = 1, 2, . . . , k
P (B | Aj ) P (Aj )
j=1

[Link] Page 20
Introduction aux probabilités

Exemple 1.3.13. Soient deux cages remplies de lapins. La première C1 contient

dix 10 lapins gris et trente 30 blancs; la seconde C2 contient vingt 20 de chaque.
On tire sans préférence particulière une des deux cages au hasard et dans cette
cage, on tire un lapin au hasard. Le lapin est blanc. Quelle est la probabilité qu'on
ait tiré ce lapin de la première cage?
Soit C1 l'événement " On tire dans la première cage" et C2 l"événement " On
tire dans la seconde cage".
Comme on tire sans préférence particulière : P (C1 ) = P (C2 ) de plus P (C1 ) =
P (C2 ) = 1/2.
Notons B l'information donnée " On tire un lapin blanc " . On a
ˆ la probabilité de B sachant C1 vaut :
P (B ∩ C1 )
P (B|C1 ) = = 30/40 = 0.75
P (C1 )

ˆ la probabilité de B sachant C2 vaut :

P (B ∩ C2 )
P (B|C2 ) = = 20/40 = 0.5
P (C2 )

On veut calculer la probabilité de C1 sachant B. La formule de Bayes nous donne

donc,
P (B|C1 )P (C1 )
P (C1 |B) = = 0.6
P (B|C1 )P (C1 ) + P (B|C2 )P (C2 )
Exemple 1.3.14. Chez une banque 20% des employés ont un diplôme en Finance;
parmi ceux-si ; 70% ont des postes de cadre. Toute fois, parmi ceux qui n'ont pas
de diplôme en nance; 15% occupent un poste de cadre. Si un cadre de cette banque
est sélectionné au hasard; quelle est la probabilité qu'il soit un diplômé de nance?

1.4 Variables aléatoires

Ce chapitre est consacré à l'introduction de la notion de variable aléatoire réelle. Il

s'agit d'introduire une autre manière de coder ou quantier les événements. Cela
permettra de changer la terminologie ensembliste des événement en une autre.
Nous étudions principalement les variables aléatoires réelles discrètes et continues.
Nous présentons également les principales lois de probabilités usuelles discrètes et
continues. Nous travaillons toujours dans un espace probabilisé (Ω; T ; P ), mod-
élisant le phénomène aléatoire étudié.
Dénition 1.4.1. Variable aléatoire::
Étant donné un univers Ω, Une variable aléatoire (v.a) X est une grandeur numérique

[Link] Page 21
Introduction aux probabilités

représentant le résultat d'une expérience aléatoire. On peut donc considérer X

comme une application de Ω dans R
X: Ω → R
ω → X(ω)

A chaque évènement élémentaire ω de Ω correspond un nombre réel x associé

à la variable aléatoire X. Comme l'indique le graphe, il n'y a pas obligatoirement
autant de valeurs possibles prises par la variable aléatoire X que d'évènements élé-
mentaires. La valeur x correspond à la réalisation de la variable X pour l'évènement
élémentaire ω.
Exemple 1.4.1. Si l'on considère la constitution d'une fratrie de deux enfants,
l'espace fondamental est constitué des évènements élèmentaires suivant : Ω =
{GG; GF ; F F }.
Les valeurs possibles prises par la variable aléatoire
X = ” nombres de lle dans la famille ”
sont : X(Ω) = {0; 1; 2}
Exemple 1.4.2. L'expérience consiste à jeter trois pièces de monnaie simultané-
ment.
Ω = {P P P ; P P F ; P F P ; P F F ; F P P ; F P F ; F F P ; F F F }
Soit X = ” nombre de faces obtenues ”, dans ce cas : X(Ω) = {0; 1; 2; 3}.
Exemple 1.4.3. On lance un dé. On appelle X le numéro obtenu et Y son
complément à 6.
Ω = {1, 2, 3, 4, 5, 6}
ω 1 2 3 4 5 6
X(ω) 1 2 3 4 5 6
Y (ω) 5 4 3 2 1 0
Z = sup(X, Y ) 5 4 3 4 5 6
Propriétés 1.4.1. Soient X et Y deux variables aléatoires sur Ω et λ ∈ R. Alors
X + Y, X − Y, λX, XY, sup(X, Y ) et inf(X, Y ) sont aussi des variables aléatoires
sur Ω.

[Link] Page 22
Introduction aux probabilités

1.5 Fonction de répartition d'une variable aléatoire

1.5.1 Loi de probabilité

Dénition 1.5.1. Loi de probabilité
Soit Ω un univers muni d'une probabilité P, et soit X une v.a On appelle loi de
probabilité de X, notée PX , l'application qui à toute partie A de R associe
PX (A) = P ({w ∈ Ω : X(w) ∈ A})

Remarque 1.5.1. Dans la suite, on peut utiliser la notation abrégée :

P ({ω ∈ Ω : X(ω) ∈ A}) = P (X ∈ A). De même, on notera P (X = x) la
probabilité P ({ω ∈ Ω : X(ω) = x}).
Proposition 1.5.1. L'application PX dénit une probabilité sur R.

1.5.2 Etablir une loi de probabilité

On considère une expérience aléatoire dont l'ensemble des issues est un ensemble
de nombres {x1 , x2 , . . . , xn }. Ces nombres sont les valeurs possibles d'une variable
aléatoire X . Soit pi , la probabilité de l'issue xi .
Établir la loi de probabilité de X , c'est attribuer à chacun des nombres xi la
probabilité pi . Cette loi est représentée sous forme d'un tableau :
Valeur possible x1 x2 . . . xn
Probabilité p1 p2 . . . pn 1

Remarque 1.5.2. ≻ Pour établir une loi de probabilité, on commence par déter-
miner correctement toutes les valeurs possibles, puis on calcule pour chaque valeur
sa probabilité.
≻ On doit avoir p1 + p2 + · · · + pn = 1.

Exemple 1.5.1. On tire une carte d'un jeu de 32. L'as de c÷ur rapporte 10$, un
roi, une dame ou un valet rapporte 5$, un dix 1$ et les autres cartes ne rapportent
rien. On appelle X les gains possibles. On a X(Ω) = {0, 1, 5, 10}
Gain possible 10 5 1 0
Probabilité 321 12
32
4
32
15
32 1

1.5.3 Fonction de répartition

Dénition 1.5.2. Fonction de répartition. On appelle fonction de répartition
d'une v.a X , la fonction réelle F dénie par :

[Link] Page 23
Introduction aux probabilités

F :R → [0, 1]
x → F (x) = P (X ≤ x)

Propriétés 1.5.1. Soit F la fonction de répartition de la v.a. X , on a

≻ ∀x ∈ R, 0 ≤ F (x) ≤ 1,
≻ F est croissante,
≻ F est continue à droite : ∀x0 ∈ R, on a lim F (x) = F (x0 )
x→x+
0
≻ lim F (x) = 0 et lim F (x) = 1
x→−∞ x→+∞
Réciproquement, toute fonction F dénie sur R et vériant les 4 propriétés
ci-dessus est une fonction de répartition d'une v.a réelle.
≻ ∀(a, b) ∈ R2 , a < b, P (a < X ≤ b) = F (b) − F (a)
≻ ∀a ∈ R, P (X > a) = 1 − F (a)

1.5.4 Diérents types de variables aléatoires

On distingue deux types de v.a, discrète et continue.
≻ X(Ω), l'ensemble des possibilités, est ni ou dénombrable, on dit que X est une
v.a discrète, c'est à dire, X ne prend que des valeurs numériques isolées.
≻ X(Ω), l'ensemble des possibilités, est un intervalle ou une réunion d'intervalles
de R où R tout en entier, on dit que X est une v.a continue.

1.5.5 Variable aléatoire discrète

Dénition 1.5.3. Variable aléatoire discrète. Soit un espace probabilisé
(Ω, P(Ω), P ) associé à une expérience aléatoire. On appelle variable aléatoire
discrète, une application X , de Ω dans X(Ω) = {x1 , x2 , . . . , xn , . . .}, ensemble ni
ou dénombrable :

X : Ω → X(Ω) = {x1 , x2 , . . . , xn , . . .}
ω → X(ω)
X(Ω) est appelé ensemble des observables.

Exemple 1.5.2. ≻ On jette deux fois un dé; on s'intéresse à la somme des

numéros obtenus.
≻ On s'intéresse au nombre de lancers d'une pièces pour obtenir "pile".

1.5.6 Loi de probabilité

Dénition 1.5.4. Loi de probabilité. La loi de probabilité (ou distribution)
de la v.a. discrète X est la fonction :

[Link] Page 24
Introduction aux probabilités

P : X(Ω) = {x1 , x2 , . . . , xn , . . .} → [0, 1]

xi → P (X = xi )
On note généralement P (X = xi ) = pi , et on a

1. Si X une v.a discrète nie, X(Ω) = {x1 , x2 , . . . , xn }. La loi de la v.a X est

dénie par :

p1 = P (X = x1 ) , p2 = P (X = x2 ) , . . . , pn = P (X = xn ) où 0 ≤ pk ≤ 1∀k ∈ {1, 2, . . . , n}

où
n
pk = 1, et P (A) =
X X
P (X = x), ∀A ⊂ X(Ω)
k=1 x∈A

2. Si X est une v.a discrète innie, sa loi de probabilité est dénie par la suite
innie :

p1 = P (X = x1 ) , p2 = P (X = x2 ) , . . . , pn = P (X = xn ) , . . .
+∞
où 0 ≤ pk ≤ 1 pour tout k ∈ N et pk = 1.
X

k=1

Exemple 1.5.3. On lance un dé. On appelle X le numéro obtenu et Y son

complément à 6 et Z = sup(X, Y ).
1. Déterminer les ensemble des observables de X, Y et Z .
2. Déterminer les lois des v.a X et Y et Z .
Théorème 1.5.1. La donnée des couples {(xi , Pi ) /1 ≤ i ≤ n} est la loi de prob-
abilité d'une v.a
0 ≤ P ≤ 1 pout tout i ∈ {1, 2, . . . , n}

si et seulement si Pn i
i=1 Pi =1
où Pi désigne P ({X = xi })
Remarque 1.5.3. La loi de probabilité d'une v.a discrète X est entièrement
déterminée par :

X(Ω) et {P (X = xi ) , xi ∈ X(Ω)}

[Link] Page 25
Introduction aux probabilités

Exemple 1.5.4. On lance successivement 2 fois une pièce de monnaie. Soit la

v.a.d X représentant le nombre de faces obtenues après ces 2 lancements.

1. Donner les valeurs de X .

2. Dénir la loi de probabilité de X .

1.5.7 Fonction de répartition

Dénition 1.5.5. Fonction de répartition. On appelle fonction de répartition de
la v.a. discrète X , la fonction

F : R = → [0, 1]
x → F (x) = P (X ≤ x)

Autrement dit,
X
F (x) = P (X = xi )
xi ∈X(Ω),xi ≤x

Propriétés 1.5.2. Soit X une v.a nie de fonction de répartition F et de loi

{p1 , p2 , . . . , pn } .X(Ω) = {x1 , x2 , . . . , xn } , (x1 < x2 < · · · < xn ), alors
(i) ∀x ∈] − ∞, x1 [, F (x) = 0
(ii) ∀x ∈ [xk , xk+1 [, F (x) = p1 + . . . + pk , 1≤k ≤n−1
(iii) ∀x ∈ [xn , +∞[, F (x) = 1
(iv) pk = P (X = xk ) = F (xk ) − F (xk−1 )

Il est parfois plus simple de déterminer la loi d'une v.a. d à partir de sa fonction
de répartition en utilisant la propriété (iv).

Exemple 1.5.5. On lance successivement 2 fois une pièce de monnaie. Soit la

v.a.d X représentant le nombre de faces obtenues après ces 2 lancements. Déter-
miner la fonction de répartition de X .

Exemple 1.5.6. Soit la v.a.d X dénie par X(Ω) = {1, 2, 3}.

1 1 1
p1 = P (X = 1) = , p2 = P (X = 2) = , p3 = P (X = 3) =
2 3 6
Donner la fonction de répartition de X

[Link] Page 26
Introduction aux probabilités

1.5.8 Variables aléatoires continues

Une variable aléatoire est dite continue si elle peut prendre toutes les valeurs d'un
intervalle. En particulier, dans le cas où la variable aléatoire peut prendre toute
valeur réelle ( son ensemble de dénition contient un intervalle de R ), on parle de
variable aléatoire réelle.
Dans ce cas, il ne s'agira plus de calculer une probabilité d'apparition d'une
valeur donnée mais d'un intervalle. Quelques exemples :
≻ temps d'attente pour avoir le bus : X(ω) ∈ [0, 30]
≻ longueur de cheveux : X(ω) ∈ [0, 4]
≻ intervalle entre deux averses : X(ω) ∈ [1, 20]
≻ moyenne des tailles de 20 étudiants pris au hasard : X(ω) ∈ [1.5, 1.9]

1.5.9 Dénition d'une variable aléatoire continue

Dénition 1.5.6. Soit X : Ω → R une variable aléatoire continue réelle, X(Ω),
l'ensemble des possibilités, est un intervalle ou une réunion d'intervalles de R ou
R et P une probabilité sur Ω

≻ En eet, pour une variable aléatoire continue, la probabilité associée à

l'évènement

{X = a}
est nulle, car il est impossible d'observer exactement cette valeur.
≻ On considère alors la probabilité que la variable aléatoire X prenne des
valeurs comprises dans un intervalle [a, b] tel que

P (a ≤ X ≤ b)
≻ Lorsque cet intervalle tend vers 0 , la valeur prise par X tend alors vers une
fonction que l'on appelle fonction densité de probabilité ou densité de probabilité.

1.5.10 Densité de probabilité

Dénition 1.5.7. Densité de probabilité.
On appelle densité de probabilité toute application :
f :R→R
x → f (x)
telle que
≻ f (x) ≥ 0 pour tout x ∈ R
≻ fR est continue sauf en un nombre ni de points.
+∞
≻ −∞ f (t)dt = 1

[Link] Page 27
Introduction aux probabilités

Cette fonction densité de probabilité est une loi de probabilité car l'aire sous
la courbe est égale à 1 pour toutes les valeurs de x dénies.
Réciproquement :
Dénition 1.5.8. Variable aléatoire continue. Une application X : Ω → R
est appelée variable aléatoire absolument continue (ou de loi continue) s'il existe
une fonction de densité f tel que : pour tout (a, b) ∈ R
Z b
P (a ≤ X ≤ b) = f (x)dx
a

Exemple 1.5.7. Soit f la fonction dénit par

f :R→R
si x ∈]0, π2
( 
cos(x),
x → f (x) :=
0, si non
Montrer que f est une densité de probabilité
≻ Soit
c
f (x) =
1 + x2
Pour quelle(s) valeur(s) de c la fonction f est-elle bien une densité?

1.5.11 Fonction de répartition

De même que les variables aléatoires discrètes, on dénit la fonction de répartition
de X par :

F (x) = P (X ≤ x) pour tout x ∈ R

La relation entre la fonction de répartition F et la fonction densité de proba-
bilité f est la suivante :
Z t
∀t ∈ R F (t) = P (X ≤ t) = f (x)dx
−∞

La fonction de répartition F est la primitive de la fonction densité de proba-

bilité f , et permet d'obtenir les probabilités associées à la variable aléatoire X .
Les propriétés associées à la fonction de répartition sont les suivantes :
Propriétés 1.5.3. Soient X une v.a de densité f et F sa fonction de répartition.
Alors :
≻ F est continue sur R.
≻ F est dérivable en tout point x0 où f est continue et on a F ′ (x0 ) = f (x0 ).

[Link] Page 28
Introduction aux probabilités

≻ FX est croissante sur R

≻ FX est à valeurs dans [0, 1]
≻ lim F (t) = 0, lim F (t) = 1
t→−∞ t→+∞

Exemple 1.5.8. ≻ Soit

f :R→R
si x ∈]0, π2
( 
cos(x),
x → f (x) :=
0, si non
Déterminer la fonction de répartition F :
≻ Soit
c
f (x) =
1 + x2
Déterminer la fonction de répartition F .

1.5.12 Loi d'une v.a.c

Dénition 1.5.9. Soit X : Ω −→ E une v.a. On appelle loi de X sous P la
probabilité image de P par X .
Propriétés 1.5.4. Soit X une variable aléatoire absolument continue de densité
f et de fonction de répartition F , alors :

Z a
≻ P (X ≤ a) = F (a) = f (t)dt.
−∞
Z b
≻ P (a < X ≤ b) = F (b) − F (a) = f (t)dt, ∀a, b ∈ R.
a
≻ P (X > a) = P (X ≥ a) = 1 − F (a), ∀a ∈ R.
≻ P (X = a) = 0, ∀a ∈ R.
≻ P (a < X < b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤ b), ∀a, b ∈ R.

1.5.13 Quelques caractéristiques d'une variable aléatoire

Espérance mathématique
Soit une v.a discrète prenant ses valeurs dans {x1 , ..., xn } et dont les probabilités
P (X = xi ) = pi . On dénit l'espérance mathématique de X, notée E(X) par
n
X
E(X) = pi xi
i=1

[Link] Page 29
Introduction aux probabilités

Cette quantité n'est dénie que si la série de terme général [pi xi ] converge.
C'est la moyenne théorique de X. Cette moyenne est à rapprocher de la moyenne
expérimentale où chaque événement X = xi se réalise ni fois dans un échantillon
1 X
de taille N = ni . La moyenne expérimentale vaut X̄ =
X X
ni xi = fi xi ,
N
i i i
ni
où fi = est la fréquence observée dans chaque classe d'événement X = xi .
N
L'espérance est déni pour une variable aléatoire continue de densité f par
Z +∞
E(X) = xf (x)dx.
−∞

De façon générale, pour Y une fonction de X , on a

n Z +∞
ou
X
E(Y ) = p i yi E(Y ) = y(x)f (x)dx
i=1 −∞

Par
exemple, pour Y = X 2 , on a
R

E X 2 = i=1 pi x2i ou E X 2 = −∞ x2 f (x)dx.
P n +∞

Propriétés 1.5.5. (Espérance d'une constante). E(a) = a.

En eet Z +∞ Z +∞
E(a) = af (x)dx = a f (x)dx = a × 1 = a.
−∞ −∞
On peut en déduire que E[E(X)] = E(X), puisque E(X) n'est pas une variable
aléatoire mais plutôt une constante.
Caractéristique (opérateur linéaire). E(aX + bY ) = aE(X) + bE(Y ). De manière
générale, ! !
X X
E ai Xi + b = ai E (Xi ) +b
i i

1.5.14 Paramètres de dispersion

On commence par dénir l'ingrédient de base de ce type de paramètres à savoir :

Moments
- Un moment non-centré d'ordre r est déni de la manière suivante :
mr (X) = E (X r )

Application : pour une v.a. (variable aléatoire) discrète,

X
mr (X) = pi xri ,
i

[Link] Page 30
Introduction aux probabilités

où pi = P (X = xi ) et pour une v.a. continue,

Z +∞
mr (X) = xr f (x)dx.
−∞

Remarque 1.5.4. (Moments non-centrés empiriques, statistique descriptive). Rap-

pelons qu'en statistique descriptive, ce moment non-centré, pour une v.a. discrète
par exemple, est obtenue avec la formule mr = fi xri , où fi est la fréquence
X

i
observée de la valeur xi .
(Cas particuliers).
pour r = 0, on a m0 (X) = 1
pour r = 1 on a m1 (X) = E(X): espérance mathématique;
- Un moment centré d'ordre r est déni de la manière suivante :
µr (X) = E [(X − E(X))r ]

Soit pour une v.a. discrète :

X
µr (X) = (xi − E(X))r pi
i

et pour une v.a. continue :

Z +∞
µr (X) = (x − E(X))r f (x)dx
−∞

Remarque 1.5.5. En statistique descriptive, pour une variable discrète, le mo-

n
ment centré d'ordre r est obtenu avec µr = fi (xi − x̄)r Remarque (Cas parti-
X

i=0
culiers).
(r = 0) µ0 (X) = E (X − E(X))0 = E(1) = 1
 

(r = 1) µ1 (X) = E[(X − E(X))] = E(X) − E[E(X)] = E(X) − E(X) = 0

(r = 2) µ2 (X) = E (X − E(X))2 = V (X) (c'est la variance de X vu prochainment .
 

Variance
Dénition 1.5.10. On appelle variance de X , noté V (X), le moment centré
d'ordre 2 de X (s'il existe).
V (X) = E [X − E(X)]2 .

La variance mesure la dispersion autour de la moyenne. L'écart-type est la

racine carrée de la variance : σ(X) = V (X).
p

[Link] Page 31
Introduction aux probabilités

Remarque 1.5.6. (Formule de Koenig). Il est possible d'exprimer la variance à

partir des moments non centrés.
V (X) = E[(X − E(X))2 ] = E[X 2 − 2XE(X) + E(X)2 ]
= E(X 2 ) + E(X)2 − 2E[XE(X)]
= E(X 2 ) + E(X)2 − 2E(X)E(X)
= E(X 2 ) − E(X)2
V (X) = m2 (X) − m1 (X)2

1.5.15 Exemples de lois de probabilités discrètes

3.8. 1 Loi uniforme
Dénition 1.5.11. Loi uniforme. La v.a X suit la loi uniforme sur S =
{x1 , . . . , xn } si :
≻ X(Ω) = S .
≻ P ({X = xk }) = 1
n = 1
Card(S) , ∀k = 1, . . . , n.
On écrira :

X ∼ U{x1 ,...,xn }
On a alors

n n n
1X 1X 1X 2
E(X) = xi et V (X) = (xi − E(X))2 = xi − [E(X)]2
n n n
i=1 i=1

Exemple 1.5.9. On jette un dé bien équilibré, on considère la v.a.d X dénie par

X = le point marqué par le dé.

Ω = {1, . . . , 6}, X(Ω) = {1, . . . , 6} = S,

si k ∈ S ,
1 1
P ({k}) = P (X = k) = =
6 Card(S)

1.5.16 Loi Bernoulli

Soit une expérience à deux issues, succès et échec (ou vrai et faux) par exemple.
Soitla v.a X :
X = 0 si le résultat est un échec
X = 1 si le résultat est un succès

[Link] Page 32
Introduction aux probabilités

La loi de probabilité de la v.a X est : P (X = 1) = p et P (X = 0) = 1 − p, (0 <

p < 1). p est la probabilité du succès.

Dénition 1.5.12. Loi Bernoulli. X est une v.a qui suit une loi de Bernoulli
de paramètre p(0 ≤ p ≤ 1) si :

1. X(Ω) = {0, 1}.

2. P ({1}) = P (X = 1) = p, P ({0}) = P (X = 0) = 1 − p.

On écrira :

X ∼ B(p)
L'espérance et la variance de X sont :

E(X) = p, V (X) = p(1 − p)

Exemple 1.5.10. On jette une fois une pièce de monaie dont la probabilité d'avoir
pile est p (0 ≤ p ≤ 1), on considère la v.a X dénie par :
si la pièce fait pile
(
1,
X(ω) =
0, sinon.
comme Ω = {π, F }, π : pile, F : face.
Si ω ∈ {π, F } alors
si ω = π
(
P (X = 1) = p,
P ({ω}) =
P (X = 0) = 1 − p, si ω = F

1.5.17 Loi Binomiale

Soit une expérience à deux issues, succès ou échec (ou vrai et faux) par exemple,
on répète cette expérience dans les mêmes conditions n fois. On note Xk la kème
observations
0 si le résultat est un échec

Xk =
1 si le résultat est un succès
et p la probabilité du succès.
Les v.a X1 , · · · , Xn sont des v.a de Bernoulli de paramètre p indépendantes.
soit X = X1 +· · ·+Xn le nombre de succès obtenu en n expériences indépendantes.
Cherchons la loi de X c'est à dire calculons P (X = k)
≻ Si k > n il est clair qu'il n'y a pas de solution et que la probabilité est nulle.

[Link] Page 33
Introduction aux probabilités

≻ Si k ≤ n, on cherche tout les n-uplets comportant k "un" et n − k "zéro". Il

y en a Cnk . A cause de l'indépendance, chacune de ces n-uplets a une probabilité
égale à pk (1 − p)n−k . au totale nous obtenons :

P (X = k) = Cnk pk (1 − p)n−k

Dénition 1.5.13. Loi Binomiale. On dit qu'une v.a.d X suit une loi Binomiale
de paramètres n, p (0 ≤ p ≤ 1) si :
≻ X(Ω) = S = {0, 1, . . . , n}.
≻ ∀k ∈ S PX ({k}) = P (X = k) = Cnk pk (1 − p)n−k .
On note : X ∼ B(n, p).
On peut écrire X = X1 + ... + Xn
où X1 , ..., Xn sont indépendantes ayant la loi de Bernoulli de paramètre p.
L'espérance et la variance de X sont :
n
X n
X
E(X) = E (Xk ) = E (X1 ) = np
k=1 k=1
n
X n
X
V (X) = V (Xk ) = V (X1 ) = np(1 − p)
k=1 k=1

car X1 , . . . , Xn sont indépendantes.

Propriétés 1.5.6. Soient X1 et X2 deux v.a indépendantes suivant respective-
ment les lois binomiales B (n1 , p) et B (n2 , p), alors X1 + X2 suit la loi binomiale
B (n1 + n2 , p).

Exemple 1.5.11. On lance un dé dont les faces sont numérotées de 1 à 6 . On

appelle événement E l'obtention sur la face le numéro 3 ou 6.

1. On lance le dé, quelle est la probabilité de l'événement E ?

2. On lance le dé, 8100 fois, calculer la moyenne et l'écart-type du nombre
d'arrivées de l'événement E .
3. On considère l'épreuve à deux issues

≻ "succès" si E se produit c'est à dire on obtient 3 ou 6 .

≻ "échec" si E ne se produit pas c'est à dire on n'obtient ni 3 ni 6 .
Donc P (E) = 1/3 = p

2. On répète l'épreuve 8100 fois. Soit la v.a, X = "nombre d'arrivées de E ou

nombre de succès ou nombre d'apparitions de 3 et 6”.

[Link] Page 34
Introduction aux probabilités

X suit la loi binomiale B(8100, 1/3). Pour k = 0, 1, 2, . . . , 8100, on a

P (X = k) = Cnk (1/3)k (2/3)n−k ,

avec
1 1 2
E(X) = 8100 × = 2700, V (X) = 8100 × × = 1800
3 3 3
et √ √
σ(X) = 1800 = 30 2

1.5.18 Loi géométrique

La loi géométrique est la loi du nombre d'essais nécessaires pour faire apparaître
un événement de probabilité p.
On dit qu'une variable aléatoire X suit la loi géométrique de paramètre p, ce que
l'on note X ,→ G(p) si :

1. X(Ω) = N∗
2. P (X = k) = q k−1 p où q = 1 − p.
Caractéristiques :
1 q
E(X) = V (X) =
p p2
Remarque 1.5.7. Loi de Pascal d'ordre r : C'est la loi du nombre d'essais néces-
saires pour observer exactement r fois un événement de probabilité p. Cette loi est
la somme de r lois géométriques indépendantes. On dit qu'une variable aléatoire
X suit la loi de Pascal de paramètres r et p, ce que l'on note X ,→ P(r, p) si :

1. X(Ω) = {r, r + 1, · · · }
2. P (X = k) = Ck−1
r−1 r k−r
p q où q = 1 − p.
Caractéristiques : X admet alors une espérance et une variance :
r r(1 − p)
E(X) = V (X) = .
p p2

1.5.19 Loi de poisson

La loi de poisson est une loi de probabilité qui s'applique aux événements rares, elle
décrit aussi le nombre d'apparitions d'un événement pendant une duré de temps
déterminée. Le nombre aléatoire X de ces événements suit une loi de Poisson de
paramètre λ > 0 qui représente la moyenne d'événements survenus.
Donc si X ∼ B(n, p), np = λ ( n est grand et p est petit), alors P(X = k) ≃
e λk! , on obtient ainsi une nouvelle loi.
k
−λ

[Link] Page 35
Introduction aux probabilités

Dénition 1.5.14. Loi de poisson.

On dit que la v.a X suit la loi de poisson de paramètre λ > 0 si :
≻ X(Ω) = N.
≻

λk exp−λ
P (X = k) = ∀k ∈ N
k!
On note

X ∼ P(λ)
L'espérance et la variance de X sont :

+∞ +∞ +∞ k
X X λk exp[−λ] X λ
E(X) = kP (X = k) = k =λ car = exp[λ]
k! k!
k=0 k=0 k=0
V (X) = λ

Propriétés 1.5.7. Soient X1 et X2 deux v.a indépendantes suivant respective-

ment les lois de poisson P (λ1 ) et P (λ2 ), alors X1 + X2 suit la loi de poisson
P (λ1 + λ2 ).
Exemple 1.5.12. Une machine utilisée dans une chaîne de production tombe en
panne en moyenne 2 fois par mois. Soit X le nombre de pannes par mois.
1. Quelle est la probabilité que dans un mois donnée la machine ne tombe pas
en panne?
2. Quelle est la probabilité que dans un mois donnée la machine tombe en panne
au moins deux fois?
X suit la loi de poisson de paramètre λ = 2, X ≈ P(2), P (X = k) = 2k exp[−2]
k! .
1. La machine ne tombe pas en panne donc k = 0 et la probabilité est P (X =
= exp[−2] = 0.135.
0
0) = 2 exp[−2]
0!

2. La machine tombe en panne au moins deux fois donc k ≥ 2 et la probabilité

est : P (X ≥ 2) = 1 −P (X < 2) = 1 − (P (X = 0) + P (X = 1)) =
= 1−(exp[−2]+2×exp[−2]) = 1−0.405 = 0.595.
0 1
1− 2 exp[−2]
0! + 2 exp[−2]
1!

Théorème 1.5.2. Soient X1 , , Xn n v.a de Bernoulli indépendantes de paramètre

pn . Soit Sn = X1 +...+Xn suit la loi binomiale de paramètre (n, pn ), (Sn , B(n, pn )).
λk e−λ
Si n → +∞, pn → 0 et npn → λ > 0, alors lim P (Sn = k) =
n→+∞ k!

[Link] Page 36
Introduction aux probabilités

Pour n assez grand et pn assez petit P (Sn = k) est approchée par λ k!e avec
k −λ

λ = npn . En pratique, on a :
La loi B(n, p) peut être approchée par la loi de poisson P (np) si n > 30, p ≤
0.1, np < 15

1.5.20 Tableaux des lois de probabilités discrètes

Loi Loi de probabilité Espérance Variance
Uniforme P (X = k) = n1 , k ∈ {1, . . . , n} n+1
2
n2 −1
12
bernoulli P (X = 1) = p et P (X = 0) = 1 − p p p(1 − p)
P (X = k) = Cnk pk (1 − p)n−k
Binomiale np np(1 − p)
k ∈ {0, 1, . . . , n}
Poisson P (X = x) = e k!λ pour λ ≥ 0 et k ∈ N
−λ k
λ λ

1.5.21 Exemples de lois de probabilités continues

1.5.22 Loi uniforme
Dénition 1.5.15. Loi uniforme. Une v.a X suit la loi uniforme sur l'intervalle
[α, β] si elle admet pour densité la fonction:
1
si x ∈ [α, β]

f (x) = (β−α)
0 sinon
et on écrit X ∼ U ([α, β]), sa fonction de répartition est :

si x ≤ α

 0
F (x) = x−α
β−α si x ∈ [α, β]
1 si x ≥ β


L'espérance et la variance de X sont :

β+α (β − α)2
E(X) = et V (X) =
2 12

1.5.23 Loi exponentielle

On souhaite modéliser l'intervalle de temps séparant deux occurrences successives
d'un processus de Poisson. Ainsi la probabilité qu'il n'y ait aucune occurrence
dans un intervalle de temps de longueur t est égale à p0 (t) = e−λt (absence de
mémoire de la loi exponentielle) où λ > 0 constituera le paramètre de la loi. Cette
loi permet entre autres de modéliser la durée de vie de la radioactivité ou d'un
composant électronique.

[Link] Page 37
Introduction aux probabilités

Dénition 1.5.16. Loi exponentielle. Une v.a X suit la loi exponentielle de

paramètre λ > 0 si elle admet pour densité la fonction :
λe−λx si x ≥ 0

f (x) =
0 si x < 0
et on écrit X ∼ E (λ), et sa fonction de répartition est :
1 − e−λx si x ≥ 0

F (x) =
0 si x < 0
L'espérance et la variance de X sont : E(X) = 1
λ et V (X) = 1
λ2
.
La loi exponentielle sert de modèle dans les problèmes de les d'attentes et de
durée de vie.

1.5.24 Loi Normale ou Gaussienne

la loi normale arrive naturellement quand on regarde la distribution "limite" du
résultat d'un grand nombre d'expériences identiques réalisées de manière indépen-
dante. C'est pourquoi la loi normale est la loi des phénomènes naturels, ce qui est
conforté par l'expérience qui montre qu'un grand nombre de grandeurs physiques
suivent une loi normale.
Dénition 1.5.17. Loi Normale ou Gaussienne. La v.a X suit la loi normale
(ou loi de Gauss) d'espérance mathématique m et de variance σ 2 , si X peut prendre
n'importe quelle valeur de R et si elle admet pour densité la fonction :
(x − m)2
 
1
f (x) = √ exp −
2πσ 2σ 2

et on écrit X ∼ N m, σ 2 . Lorsque m = 0 et σ 2 = 1 on l'appelle la loi normale

standard ou loi normale centré réduite X ∼ N (0, 1) (centré m = E(X) = 0,

réduite V (X) = 1 ).
Propriétés 1.5.8. Soient X ∼ N m, σ2 et a, b ∈ R alors on a :

ˆ Y = aX + b ∼ N am + b, a2 σ 2 .

ˆ SiX ∼ N m, σ 2 alors Z = X−m ∼ N (0, 1).

σ

ˆ SiZ ∼ N (0, 1) alors X = σZ + m ∼ N m, σ 2 .

[Link] Page 38