Probabilités
Compétence 2
Ressource R3.05
Outils numériques pour la gestion
Jérôme Casse
IUT de Sceaux GEA2
8 septembre 2025
J. Casse (GEA2) Probabilités 8 septembre 2025 1 / 63
Organisation des TD
1x séances de 1hxx
CG2P : Calage, Jérôme Casse
GEMA1 : mercredi 13h-14h, Julien Delages
GEMA2 : Calage, Jérôme Casse
J. Casse (GEA2) Probabilités 8 septembre 2025 2 / 63
Rappels
Rappels
J. Casse (GEA2) Probabilités 8 septembre 2025 3 / 63
Rappels
Ensembles
La définition : un ensemble est une collection d’objets.
La notion de cardinal : nombre d’éléments d’un ensemble.
Notations : x ∈ A, A ∪ B, A ∩ B, A\B, A × B.
La représentation en patates.
J. Casse (GEA2) Probabilités 8 septembre 2025 4 / 63
Probabilités
Probabilités discrètes
J. Casse (GEA2) Probabilités 8 septembre 2025 5 / 63
Probabilités
Théorie des probabilités
Moyen de formaliser et d’unifier des concepts courants que vous vivez
dans la vie tous les jours.
Les probabilités, en particulier, l’aléatoire, les choses qui se répètent
mais différemment (soit dans le temps, soit suivant les individus, etc.)
Exemple
Le temps domicile-IUT (qui varie en fonction du jour et de l’étudiant).
La date de naissance (on n’a pas tous la même).
La taille (il y a des grands et des petits).
Le chiffre d’affaire journalier d’une boutique (qui varie en fonction du
jour de la semaine, du mois, de la météo, et de plein de choses).
J. Casse (GEA2) Probabilités 8 septembre 2025 6 / 63
Probabilités
Des ensembles aux probabilités
Les probabilités consistent à rajouter un poids sur les éléments d’un
ensemble.
Exemple
Ω = {canicule; soleil; nuage; pluie; orage}, la météo.
Exemple
Quelle est la météo de demain ? Quelle est la météo dans une
semaine ?
On ne peut pas tout prévoir, il reste des incertitudes.
J. Casse (GEA2) Probabilités 8 septembre 2025 7 / 63
Probabilités
Une probabilité sur un ensemble
Cas 1 : si l’univers Ω = {ω1 , . . . , ωn } est fini ou discret N ou Z.
Définition
Une probabilité P sur Ω est une fonction qui pour tout élément ω ∈ Ω
donne un poids P(ω) ∈ [0, 1] à ω et tel que :
X n
X
P(ω) = P(ωi ) = P(ω1 ) + · · · + P(ωn ) = 1.
ω∈Ω i=1
La dernière somme signifie “le poids de tout fait 1”.
J. Casse (GEA2) Probabilités 8 septembre 2025 8 / 63
Probabilités
Exemples
Définition
Une probabilité P sur Ω est une fonction qui pour tout élément ω ∈ Ω
donne un poids P(ω) ∈ [0, 1] à ω et tel que :
X
P(ω) = P(ω1 ) + · · · + P(ωn ) = 1.
ω∈Ω
Exemple
Boulon défectueux.
Ω = {défectueux; bon}.
P(défectueux) = 0,06.
P(bon) = 0,94.
OK car P(défectueux) + P(bon) = 0,06 + 0,94 = 1.
J. Casse (GEA2) Probabilités 8 septembre 2025 9 / 63
Probabilités
Exemples
Définition
Une probabilité P sur Ω est une fonction qui pour tout élément ω ∈ Ω
donne un poids P(ω) ∈ [0, 1] à ω et tel que :
X
P(ω) = P(ω1 ) + · · · + P(ωn ) = 1.
ω∈Ω
Exemple
Dé équilibré.
Ω = {1; 2; 3; 4; 5; 6}.
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) = 1/6.
OK car P(1) + P(2) + · · · + P(6) = 6P(1) = 6 × 1/6 = 1.
J. Casse (GEA2) Probabilités 8 septembre 2025 10 / 63
Probabilités
Exemples
Définition
Une probabilité P sur Ω est une fonction qui pour tout élément ω ∈ Ω
donne un poids P(ω) ∈ [0, 1] à ω et tel que :
X
P(ω) = P(ω1 ) + · · · + P(ωn ) = 1.
ω∈Ω
Exemple
La première personne que vous voyez à l’IUT.
Ω = {un administratif, un enseignant, un étudiant}.
P(un administratif) = 0.4, P(un enseignant) = 0.1 et
P(un étudiant) = 0.5.
OK car 0.4 + 0.1 + 0.5 = 1.
J. Casse (GEA2) Probabilités 8 septembre 2025 11 / 63
Probabilités
Une probabilité sur un ensemble
Exemple
Ω = {canicule; soleil; nuage; pluie; orage}, la météo.
Quelle est la météo de demain ?
Exemple
P(C1 ) = 0.1,
P(C2 ) = 0.2,
P(C3 ) = 0.3,
P(C4 ) = 0.25 et
P(C5 ) = 0.15.
Vérification : 0.1 + 0.2 + 0.3 + 0.25 + 0.15 = 1.
J. Casse (GEA2) Probabilités 8 septembre 2025 12 / 63
Probabilités
Vocabulaire
Définition
L’ensemble des résultats possibles d’une expérience aléatoire est
appelé univers, ensemble fondamental ou ensemble des possibles et est
noté Ω.
C’est l’ensemble sur lequel on a mis des poids.
Un élément ω ∈ Ω est appelé une issue ou un événement élémentaire
de l’expérience aléatoire.
Un sous-ensemble A ⊂ Ω est appelé un événement.
J. Casse (GEA2) Probabilités 8 septembre 2025 13 / 63
Probabilités
Exemple
État d’un boulon : Ω = {bon; défectueux} = {0; 1}.
Dé à 6 faces : Ω = {1; 2; 3; 4; 5; 6}.
Événement : {1; 3; 5} le lancer de dé est impair.
Taille (en cm) : Ω = N.
Événement : {170; 171; . . . ; 179} la personne mesure entre 1m70 et
1m79. Événement : {600} la personne mesure 6m.
Cela explique pourquoi on a fait un peu de théorie des ensembles.
J. Casse (GEA2) Probabilités 8 septembre 2025 14 / 63
Probabilités
Vocabulaire : lien ensemble et proba
Vocabulaire ensembliste Notation Vocabulaire probabiliste
ensemble A événement
ω appartient à A ω∈A ω réalise A
A est inclus dans B A⊂B A implique B
A union B A∪B A ou B
A inter B A∩B A et B
A et B disjoints A∩B =∅ A est incompatible avec B
Ω privé de A Ω\A le contraire de A ou “non A”
Note : je vous donne les notations classiques, car si vous lisez un livre
ou un poly, vous tomberez sur ces mêmes notations.
Quelques exemples à l’oral et au tableau.
J. Casse (GEA2) Probabilités 8 septembre 2025 15 / 63
Probabilités
Définition
Soit A ⊂ Ω, un événement, alors la probabilité de A est
X
P(A) = P(ω).
ω∈A
J. Casse (GEA2) Probabilités 8 septembre 2025 16 / 63
Probabilités
Exemples
Exemple
Dé équilibré.
Ω = {1; 2; 3; 4; 5; 6}.
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) = 1/6.
Événement : “le dé est paire” : {2; 4; 6}.
P(le dé est paire) = P({2; 4; 6})
= P(2) + P(4) + P(6)
= 3 × 1/6 = 1/2.
J. Casse (GEA2) Probabilités 8 septembre 2025 17 / 63
Probabilités
Exemple
La première personne que vous voyez à l’IUT.
Ω = {un administratif, un enseignant, un étudiant}.
P(un administratif) = 0.4, P(un enseignant) = 0.1 et
P(un étudiant) = 0.5.
Événement : “vous ne voyez pas un étudiant” :
{un administratif, un enseignant}.
P(pas un étudiant) = P(un administratif) + P(un enseignant)
= 0.4 + 0.1 = 0.5.
J. Casse (GEA2) Probabilités 8 septembre 2025 18 / 63
Probabilités
Proposition
Soit (Ω, P) un espace probabilisé. Soient A et B deux événements.
P(non A) = 1 − P(A).
P(∅) = 0.
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) (cf card).
P(A ∪ B) = P(A) + P(B) (si A et B disjoints/incompatibles).
Si A ⊂ B, alors P(A) ≤ P(B).
J. Casse (GEA2) Probabilités 8 septembre 2025 19 / 63
Probabilités
Exemple
La première personne que vous voyez à l’IUT.
Ω = {un administratif, un enseignant, un étudiant}.
P(un administratif) = 0.4, P(un enseignant) = 0.1 et
P(un étudiant) = 0.5.
Événement : “vous ne voyez pas un étudiant” :
{un administratif, un enseignant}.
P(pas un étudiant) = 1 − P(un étudiant)
= 1 − 0.5 = 0.5.
J. Casse (GEA2) Probabilités 8 septembre 2025 20 / 63
Probabilités
Exercice
Si P(A) = 0,3, P(A ∩ B) = 0,1 et P(A ∪ B) = 0,8.
Que vaut P(B) ?
J. Casse (GEA2) Probabilités 8 septembre 2025 21 / 63
Probabilités
Indépendance
J. Casse (GEA2) Probabilités 8 septembre 2025 22 / 63
Probabilités
Indépendance d’événements
Notion importante/fondamentale en probabilité.
Définition
Soit (Ω, P) un espace probabilisé. Soient A et B deux événements. On dit
que A et B sont indépendants si
P(A ∩ B) = P(A)P(B).
Si A et B sont indépendants, la connaissance de la réalisation de l’un
n’influence pas la probabilité de l’autre.
Si P(A) > 0 et P(B) > 0 et que A et B sont incompatibles, alors ils
ne peuvent pas être indépendants.
J. Casse (GEA2) Probabilités 8 septembre 2025 23 / 63
Probabilités
Exemple
Double pile ou face : les événements A “le premier lancer est pile” et B “le
deuxième lancer est face” sont indépendants.
Exemple
Ω = {0; 1} × {0, 1} = {(0; 0); (0; 1); (1; 0); (1; 1)}.
P((0; 0)) = P((0; 1)) = P((1; 0)) = P((1; 1)) = 0,25.
A = {0} × {0; 1} = {(0; 0); (0; 1)}. P(A) = 0,5.
B = {0; 1} × {1} = {(0; 1); (1; 1)}. P(B) = 0,5.
A ∩ B = {(0; 1)}. P(A ∩ B) = 0,25 = P(A)P(B).
J. Casse (GEA2) Probabilités 8 septembre 2025 24 / 63
Probabilités
Si A et B sont ind. et B et C sont ind., est-ce que A et C sont ind. ?
La réponse est NON.
Exemple
Lancer de dé : Ω = {1; 2; 3; 4; 5; 6}.
A le résultat est 1 ou 2. A = {1; 2}. P(A) = 1/3.
B le résultat est paire. B = {2; 4; 6}. P(B) = 1/2.
C le résultat est multiple de 3. C = {3; 6}. P(C ) = 1/3.
A ∩ B = {2}. P(A ∩ B) = 1/6 = P(A)P(B).
B ∩ C = {6}. P(B ∩ C ) = 1/6 = P(B)P(C ).
A ∩ C = ∅. P(A ∩ C ) = 0 ̸= 1/9 = P(A)P(C ).
J. Casse (GEA2) Probabilités 8 septembre 2025 25 / 63
Probabilités
Indépendance de plusieurs événements
Définition
Soit (Ω, P) un espace probabilisé. Soient A1 , A2 , . . . , AN N événements.
On dit que les (Ai )1≤i≤N sont (mutuellement) indépendants si pour toute
sous-famille Ai1 , Ai2 , . . . , Aik , on a
P(Ai1 ∩ Ai2 ∩ · · · ∩ Aik ) = P(Ai1 )P(Ai2 ) . . . P(Aik ).
Indépendants 2 à 2, 3 à 3, etc.
Vous comprendrez mieux l’application en TD.
J. Casse (GEA2) Probabilités 8 septembre 2025 26 / 63
Probabilités
Conditionnement
J. Casse (GEA2) Probabilités 8 septembre 2025 27 / 63
Probabilités
Probabilités conditionnelles
Définition
Soit (Ω, P) un espace probabilisé. Soient A et B deux événements avec
P(B) > 0.
On appelle probabilité conditionnelle de A sachant B la quantité
P(A ∩ B)
P(A|B) = .
P(B)
Elle est aussi notée PB (A).
P(A|B) représente la probabilité que A se réalise quand B se réalise.
P(A ∩ B) = P(B)P(A|B) = P(A)P(B|A).
J. Casse (GEA2) Probabilités 8 septembre 2025 28 / 63
Probabilités
Exemple
Moi. Question : moyen de transport pour venir à l’IUT ?
Les A possibles {voiture}, {vélo}, {transport en commun}, {marche},
etc.
B = {casque}.
P(A) est la première réponse.
P(A|B) la seconde.
PATATES
J. Casse (GEA2) Probabilités 8 septembre 2025 29 / 63
Probabilités
Probabilités conditionnelles
Proposition
Soit (Ω, P) un espace probabilisé. Soient A et B deux événements avec
P(A) > 0 et P(B) > 0.
Les assertions suivantes sont équivalentes :
A et B sont indépendants ;
P(A|B) = P(A) ;
P(B|A) = P(B).
P(A ∩ B) = P(A)P(B) (indépendance)
P(A ∩ B) = P(A)P(B|A) (par définition de P(B|A))
J. Casse (GEA2) Probabilités 8 septembre 2025 30 / 63
Probabilités
Probabilités conditionnelles
Proposition
Soit (Ω, P) un espace probabilisé. Soit B un événement avec P(B) > 0.
Alors P(.|B) est une probabilité sur B.
Proposition
Soit (Ω, P) un espace probabilisé. Soient A, B et C trois événements avec
P(B) > 0.
P(non A|B) = 1 − P(A|B).
P(∅|B) = 0.
P(A ∪ C |B) = P(A|B) + P(C |B) − P(A ∩ C |B).
PATATES
J. Casse (GEA2) Probabilités 8 septembre 2025 31 / 63
Probabilités
Conditionnements successifs
Proposition
Soit (Ω, P) un espace probabilisé. Soient A1 , A2 , . . . , AN N tels que
P(A1 ) > 0, P(A1 ∩ A2 ) > 0, . . . et P(A1 ∩ A2 ∩ · · · ∩ AN−1 ) > 0.
Alors P(A1 ∩ A2 ∩ · · · ∩ AN )
=P(AN |A1 ∩ A2 ∩ · · · ∩ AN−1 ) P(AN−1 |A1 ∩ A2 ∩ · · · ∩ AN−2 ) . . .
P(A2 |A1 ) P(A1 ).
En mot, pour que les événements A1 , A2 , ... et An se réalisent, il faut
que
A1 se réalise,
A2 se réalise sachant que A1 s’est réalisé,
...
AN se réalise sachant que A1 , A2 , ..., AN−1 se sont réalisés.
J. Casse (GEA2) Probabilités 8 septembre 2025 32 / 63
Probabilités
Exemple
Gagner l’euromillion : on choisit 5 numéros parmi 50 et 2 étoiles parmi 12.
On note
Ai : “la ième boule correspond à un des 5 numéros cochés”.
Bj : “la jème boule étoile correspond à une des 2 étoiles cochées”.
L’événement “gagner à l’euromillion” est A1 ∩ A2 ∩ · · · ∩ A5 ∩ B1 ∩ B2 .
P(A1 ∩ · · · ∩ A5 ∩ B1 ∩ B2 )
= P(A1 ∩ · · · ∩ A5 )P(B1 ∩ B2 ) (par indépendance)
4
\
= P(A1 )P(A2 |A1 )P(A2 |A1 ∩ A2 ) . . . P(A5 | Ai ) P(B1 )P(B2 |B1 )
i=1
5 4 3 2 1 2 1
= · · · · · ·
50 49 48 47 46 12 11
240 1
= = .
33 561 158 400 139 838 160
J. Casse (GEA2) Probabilités 8 septembre 2025 33 / 63
Probabilités
Partition
Définition
Soit Ω un ensemble. Soient B1 , . . . , BN , N événements.
La suite (B1 , . . . , BN ) est une partition de Ω si
pour tout i et j avec i ̸= j, Bi ∩ Bj = ∅ (disjoints) ;
B1 ∪ B2 ∪ · · · ∪ BN = Ω (union totale).
ZÉBRER les PATATES
J. Casse (GEA2) Probabilités 8 septembre 2025 34 / 63
Probabilités
Probabilités totales
Proposition (Formule des probabilités totales)
Soit (Ω, P) un ensemble probabilisé. Soient A et B1 , . . . , BN des
événements tel que
(B1 , . . . , BN ) est une partition de Ω, alors
N
X
P(A) = P(A ∩ Bi ) = P(A ∩ B1 ) + P(A ∩ B2 ) + · · · + P(A ∩ BN )
i=1
XN
= P(Bi )P(A|Bi ).
i=1
ZÉBRER LES PATATES
J. Casse (GEA2) Probabilités 8 septembre 2025 35 / 63
Probabilités
Formule de Bayes
Proposition
Soit (Ω, P) un ensemble probabilisé. Soient A et B1 , . . . , BN des
événements tel que
(B1 , . . . , BN ) est une partition de Ω et
P(A) > 0 et, pour tout i, P(Bi ) > 0, alors
P(Bi )P(A|Bi )
P(Bi |A) = PN .
j=1 P(Bj )P(A|Bj )
J. Casse (GEA2) Probabilités 8 septembre 2025 36 / 63
Probabilités
Exemple
Une maladie sévit dans un pays. Un vaccin a été développé. 90% de la
population est vacciné.
Une personne non vacciné a 50% de malchance d’aller à l’hôpital.
Une personne vacciné a 10% de malchance d’aller à l’hôpital.
Sur 100 malades à l’hôpital, combien sont vaccinés ?
Soit V , l’événement “être vacciné” et V̄ “ne pas être vacciné”.
(V , V̄ ) est une partition.
P(V ) = 0,9 et P(V̄ ) = 0,1.
Soit M, l’événement “être malade et aller à l’hôpital”. P(M|V ) = 0,1
et P(M|V̄ ) = 0,5.
P(V )P(M|V )
P(V |M) =
P(V )P(M|V ) + P(V̄ )P(M|V̄ )
0,9 × 0,1 9
= = ≃ 0,6428.
0,9 × 0,1 + 0,1 × 0,5 14
J. Casse (GEA2) Probabilités 8 septembre 2025 37 / 63
Variables aléatoires et lois de probabilités
Variables aléatoires et
lois de probabilités
J. Casse (GEA2) Probabilités 8 septembre 2025 38 / 63
Variables aléatoires et lois de probabilités
Variable aléatoire
La notion de variables aléatoires est une notion qui va avoir du mal à
passer. Pourquoi ?
On va passer de l’ensemble dés événements Ω qui était concret
a un Ω complétement abstrait.
Les variables aléatoires nous servent à décrire sur Ω
seulement ce qui nous intéresse.
Si vous cherchez à comprendre la notion,
vous la comprendrez encore moins.
Il va vous falloir vous forgez une intuition de ce que c’est,
plus que ce que c’est réellement.
Pas facile !
Même moi, je ne la comprends pas suffisement bien pour être capable
de l’expliquer clairement.
J. Casse (GEA2) Probabilités 8 septembre 2025 39 / 63
Variables aléatoires et lois de probabilités
Définition (formelle)
Soit (Ω, P) un espace probabilisé. On appelle variable aléatoire une
fonction X qui va de Ω dans X (Ω).
But : se débarasser de Ω pour travailler seulement sur X (Ω).
Exemple
On lance 2 dés.
1
Ω = {(1; 1); (1; 2); . . . ; (6; 5); (6; 6)} et P((i; j)) = 36 .
La somme des 2 dés : la variable aléatoire S de Ω dans
S(Ω) = {2; 3; . . . ; 12} tel que
S((x; y )) = x + y .
3 1
P(S = 4) = P((1; 3)) + P((2; 2)) + P((3; 1)) = 36 = 12 .
J. Casse (GEA2) Probabilités 8 septembre 2025 40 / 63
Variables aléatoires et lois de probabilités
Définition (dans ce cours)
Une variable aléatoire X est la donnée de :
son support : X (Ω), l’ensemble des valeurs qu’elle peut prendre ; et de
sa loi : une probabilité PX associé à cette ensemble.
Exemple
On lance 1 dé et on note X son résultat.
Support : X (Ω) = {1; 2; 3; 4; 5; 6} et
1
Loi : PX (i) = P(X = i) = 6 pour tout i ∈ X (Ω).
J. Casse (GEA2) Probabilités 8 septembre 2025 41 / 63
Variables aléatoires et lois de probabilités
Exemples
Exemple
On lance 2 dés D = (X , Y ).
Support : D(Ω) = {(1; 1); (1; 2); . . . ; (6; 5); (6; 6)} et
1
Loi : PD ((i; j)) = 36 .
Exemple
On lance 2 dés X et Y et on fait la somme S = X + Y .
S est une variable aléatoire et :
Support : S(Ω) = {2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12}
Loi : avec les poids :
1/6
5/36
1/9
1/12
1/18
1/36
J. Casse (GEA2) Probabilités 8 septembre 2025 42 / 63
Variables aléatoires et lois de probabilités
Exemple
On lance 2 dés D = (X , Y ).
D(Ω) = {(1; 1); (1; 2); . . . ; (6; 5); (6; 6)} et
1
PD ((i; j)) = 36 .
Exemple
On lance 2 dés D et on garde le premier X .
La variable aléatoire X est
X (Ω) = {1; 2; 3; 4; 5; 6}
avec les poids 1/6.
6
En effet, PX (1) = PD ((1, 1)) + PD ((1, 2)) + · · · + PD ((1, 6)) = 36 = 16 .
Lancer 2 dés et regarder le premier, c’est comme lancer un dé.
J. Casse (GEA2) Probabilités 8 septembre 2025 43 / 63
Variables aléatoires et lois de probabilités
Variable aléatoire
Difficile de bien comprendre la formalisation,
pas besoin d’être parfaitement comprise,
mais facile à utiliser.
Permet de “simplifier” l’espace Ω ou
de l’agrandir (notamment grâce à l’indépendance ou au proba
conditionnelle).
J. Casse (GEA2) Probabilités 8 septembre 2025 44 / 63
Variables aléatoires et lois de probabilités
La variable X : moyen de transport.
Ω1 = {voiture, moto, velo, transport en commun,
marche, trotinnette, autre}
avec des poids P(vélo) = 0.01, etc.
J. Casse (GEA2) Probabilités 8 septembre 2025 45 / 63
Variables aléatoires et lois de probabilités
La variable X : moyen de transport.
Ω1 = {voiture, moto, velo, transport en commun,
marche, trotinnette, autre}
avec des poids P(vélo) = 0.01, etc.
On rajoute la variable Y “avec un casque” ou “sans casque”.
Ω2 = {casque, pas de casque}
avec des poids propres P(casque) = 0.03,
mais aussi des poids conditionnelles P(casque|vélo) = 0.9.
J. Casse (GEA2) Probabilités 8 septembre 2025 45 / 63
Variables aléatoires et lois de probabilités
La variable X : moyen de transport.
Ω1 = {voiture, moto, velo, transport en commun,
marche, trotinnette, autre}
avec des poids P(vélo) = 0.01, etc.
On rajoute la variable Y “avec un casque” ou “sans casque”.
Ω2 = {casque, pas de casque}
avec des poids propres P(casque) = 0.03,
mais aussi des poids conditionnelles P(casque|vélo) = 0.9.
Définit un gros espace Ω = Ω1 × Ω2 où
P((velo,casque)) = P(velo)P(casque|velo) = 0.9 × 0.01 = 0.009.
J. Casse (GEA2) Probabilités 8 septembre 2025 45 / 63
Variables aléatoires et lois de probabilités
2 grandes familles de variables aléatoires :
les variables aléatoires discrètes :
l’ensemble X (Ω) est fini, ou bien
X (Ω) = N ou Z ;
les variables aléatoires continues (on ne les regardera pas dans ce
cours) :
l’ensemble X (Ω) est un intervalle [a; b] (ex : [0; 1]), ou bien
X (Ω) = R ou R+ .
J. Casse (GEA2) Probabilités 8 septembre 2025 46 / 63
Variables aléatoires et lois de probabilités
Exemples
Calcul de la loi d’une variable aléatoire à partir de celle d’une autre.
Exemple
On lance 2 dés D = (X , Y ).
1
D(Ω) = {(1; 1); (1; 2); . . . ; (6; 5); (6; 6)} et P((i; j)) = 36 .
La somme des 2 dés : S((x; y )) = x + y sur S(Ω) = {2; 3; . . . ; 12},
1
PS (2) = P({(1; 1)}) = ,
36
3 1
PS (4) = P({(1; 3); (2; 2); (3; 1)}) = = .
36 12
1/6
5/36
1/9
1/12
1/18
1/36
J. Casse (GEA2) 2 3 4Probabilités
5 6 7 8 9 101112 8 septembre 2025 47 / 63
Variables aléatoires et lois de probabilités
Indépendance de variables aléatoires
Définition
Soit (Ω, P) un espace probabilisé. Soit X et Y deux v.a.
On dit que X et Y sont indépendantes, si pour tous événements E ⊂ X (Ω)
et F ⊂ Y (Ω), on a
P({X ∈ E } ∩ {Y ∈ F }) = P({X ∈ E })P({Y ∈ F }) = PX (E )PY (F ).
Volontairement confus.
En exercice, ce sera plus simple.
Rare, que l’on vous demande de prouver l’indépendance.
Souvent, utiliser l’indépendance pour résoudre l’exercice.
J. Casse (GEA2) Probabilités 8 septembre 2025 48 / 63
Variables aléatoires et lois de probabilités
Exemple
Exemple
On lance 2 dés.
1
Ω = {(1; 1); (1; 2); . . . ; (6; 5); (6; 6)} et P((i; j)) = 36 .
Le premier dé : D1 ((x; y )) = x sur D1 (Ω) = {1; 2; . . . ; 6}.
Le second dé : D2 ((x; y )) = y sur D2 (Ω) = {1; 2; . . . ; 6}.
P(D1 = i et D2 = j) = P((i; j)) = 1/36.
P(D1 = i)P(D2 = j) = 1/6 × 1/6 = 1/36.
Vrai pour tout i, j, c’est indépendant.
Le lancer du premier dé ne donne aucune indication sur le résultat du
deuxième.
J. Casse (GEA2) Probabilités 8 septembre 2025 49 / 63
Variables aléatoires et lois de probabilités
Exemple
Exemple
On lance 2 dés.
1
Ω = {(1; 1); (1; 2); . . . ; (6; 5); (6; 6)} et P((i; j)) = 36 .
Le premier dé : D1 ((x; y )) = x sur D1 (Ω) = {1; 2; . . . ; 6}.
La somme des dés : S((x; y )) = y sur S(Ω) = {2; . . . ; 12}.
P(D1 = 1 et S = 2) = P((1; 1)) = 1/36.
P(D1 = 1)P(S = 2) = 1/6 × 1/36 = 1/216.
Différent pour cet événement, donc dépendant.
Si la somme des dés vaut 2, alors les deux dés valent 1, en particulier le
premier.
J. Casse (GEA2) Probabilités 8 septembre 2025 50 / 63
Variables aléatoires et lois de probabilités
Espérance, variance et écart-type d’une v.a.
Définition
Si notre variable aléatoire A a des valeurs réelles (ce sont des nombres).
On appelle moyenne de A la quantité
X
E [A] = a × PA (a).
a∈A(Ω)
J. Casse (GEA2) Probabilités 8 septembre 2025 51 / 63
Variables aléatoires et lois de probabilités
Espérance, variance et écart-type d’une v.a.
Exemple
Parfum Vanille Chocolat Fraise
Coût C de production d’une boule de glace 20c 22c 19c
Volume des ventes 35% 45% 20%
P(C = 20) = PC (20) = 0.35,
P(C = 22) = PC (22) = 0.45 et
P(C = 19) = PC (19) = 0.2
Coût moyen de production ?
E [C ] = 20 × 0.35 + 22 × 0.45 + 19 × 0.2 = 20.7
J. Casse (GEA2) Probabilités 8 septembre 2025 52 / 63
Variables aléatoires et lois de probabilités
Espérance, variance et écart-type d’une v.a.
Lemme (Lemme du transfert)
Soit f une fonction de A(Ω) dans f (A(Ω)) = {f (a) : a ∈ A(Ω)} ⊂ R.
Alors f (A) est une variable aléatoire sur f (A(Ω)) et
X
E [f (A)] = f (a) × PA (a).
a∈A(Ω)
J. Casse (GEA2) Probabilités 8 septembre 2025 53 / 63
Variables aléatoires et lois de probabilités
Espérance, variance et écart-type d’une v.a.
Exemple
Parfum Vanille Chocolat Fraise
Coût C de production d’une boule de glace 20c 22c 19c
Volume des ventes 35% 45% 20%
PC (20) = 0.35, PC (22) = 0.45 et PC (19) = 0.2
Coût
au carré moyen de production ?
E C 2 = 202 × 0.35 + 222 × 0.45 + 192 × 0.2 = 430.
La fonction est f (x) = x 2 .
J. Casse (GEA2) Probabilités 8 septembre 2025 54 / 63
Variables aléatoires et lois de probabilités
Espérance, variance et écart-type d’une v.a.
Exemple
Ω = {voiture, moto, vélo, marche, transport en commun}
Loi de X sur cet espace : 20% des gens en voiture, 1% en moto, 4%
en vélo, 10% à pied, 45% en transport en commun.
Fonction f qui associe le bilan carbone (en kg) aux moyens de
transports :
f (voiture) = 3 000, f (moto) = 1 000, ...
On peut calculer le bilan carbone moyen (en kg) :
E [f (X )] = 3000 × 0.2 + 1000 × 0.01 + . . .
J. Casse (GEA2) Probabilités 8 septembre 2025 55 / 63
Variables aléatoires et lois de probabilités
Définition
On appelle variance de A la quantité
Var(A)= E (A − E [A])2
X
= (a − E [A])2 × PA (a).
a∈A(Ω)
p
et écart-type σ(A) = Var(A).
Var (A) ≥ 0
σ(A) ≥ 0
J. Casse (GEA2) Probabilités 8 septembre 2025 56 / 63
Variables aléatoires et lois de probabilités
Proposition
Var(A) = E (A − E [A])2
= E A2 − E [A]2
! !2
X X
= a2 × PA (a) − a × PA (a) .
a a
J. Casse (GEA2) Probabilités 8 septembre 2025 57 / 63
Variables aléatoires et lois de probabilités
Espérance, variance et écart-type d’une v.a.
Exemple
Parfum Vanille Chocolat Fraise
Coût C de production d’une boule de glace 20c 22c 19c
Volume des ventes 35% 45% 20%
PC (20) = 0.35, PC (22) = 0.45 et PC (19) = 0.2
Variance
du coût de production ?
E C 2 − E [C ]2 = 430 − 20.72 = 430 − 428.49 = 1.51.
Ou bien :
E (C − E [C ])2
= (20 − 20.7)2 × 0.35 + (22 − 20.7)2 × 0.45 + (19 − 20.7)2 × 0.2
= (−0.7)2 × 0.35 + 1.32 × 0.45 + (−1.7)2 × 0.2
= 1.51.
J. Casse (GEA2) Probabilités 8 septembre 2025 58 / 63
Variables aléatoires et lois de probabilités
Espérance, variance et écart-type d’une v.a.
Proposition
Soient X et Y deux variables aléatoires. Soient a, b ∈ R.
E [aX + bY ] = aE [X ] + bE [Y ] et
var(aX + b) = a2 var(X ).
Si, de plus X et Y sont indépendantes,
E [XY ] = E [X ] E [Y ] et
var(X + Y ) = var(X − Y )= var(X ) + var(Y ).
J. Casse (GEA2) Probabilités 8 septembre 2025 59 / 63
Variables aléatoires et lois de probabilités
Espérance, variance et écart-type d’une v.a.
Exemple
Parfum Vanille Chocolat Fraise
Coût C de production d’une boule de glace 20c 22c 19c
Volume des ventes 35% 45% 20%
E [C ] = 20.7
Type Pot Cornet
Cout C2 12c 8c
Volume des ventes 40% 60%
E [C2 ] = 12 × 0.4 + 8 × 0.6 = 9.6
Coût moyen de production d’une glace deux boules ?
E [2C + C2 ] = 2E [C ] + E [C2 ] = 2 × 20.7 + 9.6 = 51
Le coût moyen de production est de 51c.
J. Casse (GEA2) Probabilités 8 septembre 2025 60 / 63
Variables aléatoires et lois de probabilités
Loi de Bernoulli
Deux issues possibles uniquement : 0 ou 1, “oui” ou “non”.
Définition
Soit p ∈ [0; 1]. Une v.a. X est de loi de Bernoulli de paramètre p si
Support : X (Ω) = {0; 1} et
Loi : P(X = 1) = p et P(X = 0) = 1 − p.
E [X ] = p et Var(X ) = p(1 − p).
Modélisations :
Pile ou Face : p = 1/2.
Pièces défectueuses ou non : p probabilité d’être défectueuse.
Questionnaire : “oui”/“non” : p probabilité de répondre “oui”.
Proportion binaire : “casque”/“pas de casque”
J. Casse (GEA2) Probabilités 8 septembre 2025 61 / 63
Variables aléatoires et lois de probabilités
Fin
J. Casse (GEA2) Probabilités 8 septembre 2025 62 / 63
Variables aléatoires et lois de probabilités
Résumé
Indépendance : Si A et B sont indépendants, alors
P(A ∩ B) = P(A)P(B).
P(A∩B)
Conditionnement : P(A|B) = P(B) .
Probabilités totales.
Retrouver par soi-même la formule de Bayes.
Notion vague d’une variable aléatoire.
Loi d’une variable aléatoire.
Moyenne d’une variable aléatoire.
Lemme de transfert.
Variance d’une variable aléatoire.
J. Casse (GEA2) Probabilités 8 septembre 2025 63 / 63