Probabilit E: Enseignant: Pegdwind e Ouss Eni Fabrice OUEDRAOGO

Probabilité
Enseignant:
Pegdwindé Ousséni Fabrice OUEDRAOGO
Licence 1, Géologie
Institut Teng Tuuma Géosciences de Ouagadougou (I.T.T.G.O)
2019-2020
P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 1 / 97

Sommaire
1 Éléments d’analyse 3 Variables aléatoires

combinatoire discrètes
4 Variables aléatoires
2 Modèle probabiliste
continues

Sommaire
1 Éléments d’analyse 3 Variables aléatoires discrètes

combinatoire
4 Variables aléatoires continues

Éléments d’analyse combinatoire
Quelques définitions
Disposition sans répétition : c’est une disposition où un élément peut

apparaı̂tre 0 ou 1 fois.
Disposition avec répétition : un élément peut figurer plus d’une fois.
Disposition ordonnée : l’ordre d’obtention d’un élément est important.
Ex : Les numéro issus d’un tirage de loto.
Exemple 1 : On considère une ensemble à deux éléments {a, b}. Avec deux
tirages sans répétition, on peut obtenir {a, b} ou {b, a} ; avec deux tirages
avec répétition, on peut obtenir {a, a}, {a, b}, {b, a} ou {b, b}. Cela
correspond à un tirage avec remise.

Eléments d’analyse combinatoire
Quelques définitions
Exemple 2 : Prenons un jeux de dé à 6 faces (éléments discernables)

numérotées par Ω = {1; 2; 3; 4; 5; 6}. Après 3 jets, nous obtenons la
réalisation A = (2; 5; 1) ; nous réitérons les jets et nous obtenons
B = (5; 1; 2). A et B sont équivalents si nous considérons que les
dispositions sont non-ordonnées. En revanche, ils ne sont pas équivalents si
nous somme dans le cadre d’une disposition ordonnée.

Arrangement avec répétition
Soit Ω un ensemble composé de n éléments : card(Ω) = n. On constitue

un échantillon E de taille p (card(E ) = p) à partir des éléments de Ω. Si
l’on a choisi p éléments parmi n dans une disposition ordonnée (les places
sont distinctes) et avec répétition (on peut choisir le même élément
plusieurs fois), on dit qu’on a un arrangement de p éléments parmi n. Le
nombre d’arrangement avec répétition est np .

Arrangement sans répétition
Soit Ω un ensemble avec card(Ω) = n. On constitue un échantillon de

taille p (p ≤ n) , la disposition est ordonnée et sans répétition. On dit
qu’on a un arrangement sans répétition de p éléments parmi n. Le
nombre de p-arrangements d’un ensemble à n éléments est :
n!
Apn =
(n − p)!
Réaliser un arrangement sans répétition des éléments de Ω, c’est

déterminer un p-uplet (x1 , . . . , xp ) d’éléments de Ω deux-à-deux distincts.
C’est aussi définir une application injective d’un ensemble E à p éléments
dans Ω à n éléments. C’est aussi définir une application injective d’un
ensemble E à p éléments dans Ω à n éléments.

Permutation sans répétition
C’est un arrangement sans répétition de n éléments parmi n.

n!
Pn = Ann = = n!
(n − n)!
Réaliser une permutation des éléments de Ω, c’est réaliser un tirage

exhaustif sans remise des éléments de Ω en tenant compte de l’ordre du
tirage. C’est aussi définir une bijection de l’ensemble Ω sur lui-même.
L’ensemble des permutations d’un ensemble à n éléments s’appelle le
groupe symétrique d’ordre n et se note Sn .

Permutation avec répétition
On appelle permutation avec répétition de p éléments où l’on a n

éléments distincts (n ≤ p), une disposition ordonnée de l’ensemble de ces
p éléments où le premier figure p1 fois, le second p2 fois, etc., tel que
p1 + p2 + . . . pn = p. Le nombre de permutations avec répétition est
p!
p1 !p2 !...pn ! .
Exemple (Nombre d’anagrammes du mot MATHÉMATIQUE) : On voit

qu’en échangeant les deux lettre A, le mot reste identique, et par contre
en transposant les lettres É et E, on obtient un mot différent. (M :2 ; A :2 ;
T :2 ; H :1 ; É :1 ; I :1 ; Q :1 ; U :1 ; E :1) : #Anagramme = 12!/(2!2!2!).

Combinaison sans répétition
On considère un ensemble Ω constitué de n éléments tous discernables. On

forme un échantillon de taille p. Si la disposition est non-ordonnée et sans
répétition, on dit que l’on a une combinaison sans répétition de p éléments
parmi n. Le nombre de ces combinaisons se not Cnp ou (np ).
n!
Cnp =
p!(n − p)!

Combinaison sans répétition
Propriétés
1 Cn0 = Cnn = 1
2 Cnp = Cnn−p (complémentaire)
3 Cnp = Cn−1
p p−1
+ Cn−1 (triangle de Pascal)
Apn
4 Cnp = p!
Proposition (Formule du binôme)

n
X
(a + b)n = Cnp · ap · b n−p
p=0

Combinaison avec répétition
C’est une disposition non-ordonnée de p éléments, à choisir parmi n

éléments discernables, avec répétition. Le nombre de combinaisons avec
répétition de n objets pris p à p est :
p
Knp = Cn+p−1

Sommaire

combinatoire
Espace des possibles,
événements
Probabilité
Indépendance et
conditionnement
Répétitions indépendantes

Modèle probabiliste
Introduction

Espace des possibles, événements
On étudie une expérience aléatoire.

L’espace des possibles ou univers, souvent noté Ω, décrit tous les
résultats possibles de l’expérience.
Chacun de ces résultats est appelé événement élémentaire : on le
note ω.
Un événement est un sous-ensemble de Ω, ou une réunion
d’événements élémentaires. On dit qu’un événement est réalisé si un
des événements élémentaires qui la constitue est réalisé. Les
événements sont des ensembles, représentés souvent par des lettres
capitales.

Exemple :
- Match OL-OM : Ω = { OL gagne, OM gagne, match nul }. Donc Ω
est composé de trois événements élémentaires. On peut considérer par
exemple l’événement qui correspond à ”Lyon ne gagne pas”.
- On lance un dé : Ω = {1, 2, . . . , 6}. On peut s’intéresser à
l’événement A = ”on obtient un chiffre pair”, ie A = {2, 4, 6}.
- On lance deux dés :
Ω = {1, . . . , 6} × {1, . . . , 6} = {(i, j) : 1 ≤ i ≤ 6, 1 ≤ j ≤ 6}. Ici, un
événement élémentaire est un couple (i, j), où i représente le résultat
du premier dé et j celui du second.

Exemple :
- On lance trois fois une pièce de monnaie. Les événements
élémentaires vont décrire le plus précisément possible le résultat de
cette expérience. Donc un événement élémentaires ω est un triplet
(r1 , r2 , r3 ) qui donne les résultats de trois lancers (dans l’ordre).
L’événement B : ”on obtient pile au deuxième lancer” est
B = {(f , p, f ), (f , p, p), (p, p, f ), (p, p, p)}
L’événement B est réalisé si on obtient l’un des événements

élémentaires listés ci-avant. On pourra choisir : ω représente le
nombre de ”face” obtenus. Alors Ω = {0, 1, 2, 3}.

Probabilité
notations vocabulaire ensembliste vocabulaire probabiliste

Ω ensemble plein événement certain
∅ 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 Ā complémentaire de A événement contraire de A
A∩B =∅ A et B disjoints A et B incompatibles

Probabilité
La probabilité d’un événement est une valeur numérique qui

représente la proportion de fois où l’événement va se réaliser, quand
on répète l’expérience dans des conditions identiques.
Une probabilité doit être entre 0 et 1.
La probabilité d’un événement est la somme des probabilités de
chacun des événements élémentaires qui le constituent.
La somme des probabilités de tous les éléments de Ω est 1.
Une probabilité est une application de l’ensemble des parties de Ω,
noté P(Ω), dans [0, 1].

Probabilité
Exemple : Soit Ω = {0, 1, 2}. Construisons P(Ω).
P(Ω) = {∅, {0}, {1}, {2}, {0, 1}, {0, 2}, {1, 2}, Ω}

Probabilité
Définition
Une probabilité est une application sur P(Ω), l’ensemble des parties de Ω,
telle que :
- 0 ≤ P(A) ≤ 1, pour tout événement A ⊂ Ω
X
- P(A) = P(ω), pour tout événement de A
ω∈A
X
- P(Ω) = P(ω) = 1.
ω∈Ω

Probabilité
Que signifie ”un événement A a pour probabilité...” ?
0.95 : A va très probablement se produire.

0.03 : A a très peu de chance d’être réalisé.
4.0 : incorrect.
−2 : incorrect.
0.4 : A va se produire dans un peu moins de la moitié des essais.
0.5 : une chance sur deux.
0 : aucune chance que A soit réalisé.

Probabilité
Proposition
Soient A et B deux événements.
1 Si A et B sont incompatibles, P(A ∪ B) = P(A) + P(B).
2 P(Ac ) = 1 − P(A).
3 P(∅) = 0.
4 P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Probabilité
Définition
Soit une expérience aléatoire et Ω l’espace des possibles associé. Une
probabilité sur Ω est une application, définie sur l’ensemble des
événements, qui vérifie :
- axiome 1 : 0 ≤ P(A) ≤ 1, pour tout événement A.
- axiome 2 : pour toute suite d’événements (Ai )i∈N , deux à deux
incompatibles,
!
[ X
P Ai = P(Ai )
i∈N i∈N
- axiome 3 : P(Ω) = 1
NB : les événements (Ai )i∈N sont deux à deux incompatibles, si pour tous
i 6= j, Ai ∩ Aj = ∅.
Probabilité
Exemple : probabilité uniforme

Soit Ω un ensemble fini. On considère un expérience aléatoire dans lequel
tous les événements élémentaires possèdent la même
probabilité(événement élémentaires équiprobables). On note p la
probabilité de chaque événement élémentaire. Alors
X X
1 = P(Ω) = P(ω) = p = p × card(Ω)
ω∈Ω ω∈Ω
1
D’où p = P(ω) = , pour tout ω. La probabilité ainsi définie sur
card(Ω)
l’ensemble Ω s’appelle probabilité uniforme.
La probabilité d’un événement A se calcule donc facilement :
X card(A)
P(A) = P(ω) =
card(Ω)
ω∈A

Indépendance et conditionnement
Définition
Etant donnés deux événements A et B, avec P(A) > 0, on appelle
probabilité de B conditionnellement à A, ou sachant A, la probabilité
notée P(B|A) définie par :
P(A ∩ B)
P(B|A) =
P(A)

Exemple : Une urne contient r boules rouges et v boules vertes. On en tire

deux, l’une après l’autre (sans remise). Quelle est la probabilité d’avoir
deux boules rouges ?
Ω = {rouge, verte} × {rouge, verte}

Soit A l’événement ”La première boule est rouge” et B l’événement ”La
deuxième boule est rouge”. Alors
r −1 r
P(A ∩ B) = P(B|A)P(A) = ·
r +v −1 r +v

Proposition (Formule des probabilités totales)

Soit A un événement tel que 0 < P(A) < 1. Pour tout événement B, on a :
P(B) = P(B|A)P(A) + P(B|Ac )P(Ac )
Preuve : Exercice
Exemple (ref exemple précédent) : Quelle est la probabilité pour que

la seconde boule tirée soit rouge ?

Définition
Soit (Ai )i∈I une famille d’événements. On l’appelle partition de Ω si elle
vérifie les deux conditions :
S
(i) i∈I Ai = Ω
(ii) les Ai sont deux-à-deux incompatibles : pour tout i 6= j, Ai ∩ Aj = ∅.

Proposition (Formule ds 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
Proposition (Formule de Bayes)

Soit A et B deux événements tels que 0 < P(A) < 1 et P(B) > 0. Alors,
P(B|A)P(A)
P(A|B) =
P(B|A)P(A) + P(B|Ac )P(Ac )
Preuve : Exercice
Proposition (Formule de Bayes généralisée)

Soit (Ai )i∈I une partition de Ω, telle que P(Ai ) > 0, pour tout i ∈ I . Soit
un événement B, tel que P(B) > 0. Alors, pour tout i ∈ I ,
P(B|Ai )P(Ai )
P(Ai |B) = P
j∈I P(B|Aj )P(Aj )
Exemple : Deux opérateurs de saisie, A et B, entrent respectivement 100

et 200 tableaux sur informatique. Les tableaux de A comportent des fautes
dans 5, 2% des cas et ceux de B dans 6, 7% des cas. On prend un tableau
au hasard. Il comporte des fautes.
Quelle est la probabilité pour que A se soit occupé de ce tableau ?

Définition
Deux événements A et B sont dits indépendants si
P(A ∩ B) = P(A)P(B)
S’ils sont de probabilité non nulle, alors
P(B|A) = P(B) ⇔ P(A|B) = P(A) ⇔ P(A ∩ B) = P(A)P(B)
Remarque : Deux événements incompatibles A et B, avec P(A) > 0 et

P(B) > 0, ne sont jamais indépendants.
En effet, A ∩ B = ∅ =⇒ P(A ∩ B) = 0 6= P(A)P(B).

Proposition
Soit Ω = E × F où E est de cardinal n et F de cardinal p. Supposons que
l’on choisisse avec la probabilité uniforme un élément de E , et, de manière
indépendante, un élément de F toujours avec la probabilité uniforme. Alors
chaque élément ω = (x, y ) de Ω a la même probabilité, qui vaut
1 1
P(ω) = P((x, y )) = = = PE ({x})PF ({y })
card(Ω) np
Exemple : On lance une pièce de monnaie équilibrée et un dé équilibré.

Ω = {P, F } × {1, . . . , 6}
Comme on a la probabilité uniforme sur {P, F } et sur {1, . . . , 6}, on a
finalement la probabilité uniforme sur Ω et
1
∀ω ∈ Ω, P(ω) = = 1/12
card(Ω)
Proposition
On répète N fois, de manière indépendante, la même expérience aléatoire
modélisée par un univers Ω et par une probabilité P. Alors le nouvel
univers est ΩN = Ω × · · · × Ω, et la probabilité associée est
P N ((ω1 , . . . , ωN )) = P(ω1 ) . . . P(ωN )
En particulier, si P est la probabilité uniforme sur Ω, alors P N est la

probabilité uniforme sur ΩN .

Sommaire

combinatoire Définitions
Indépendance et
2 Modèle probabiliste conditionnement
Schéma de Bernoulli et loi
binomiale
Autres lois discrètes

Variables aléatoires discrètes
Définitions
Définition
Une variable aléatoire (v.a) X est une fonction définie sur l’espace
fondamental Ω, qui associe une valeur numérique à chaque résultat de
l’expérience aléatoire étudiée. Ainsi, à chaque événement élémentaire ω,
on associe un nombre X (ω).
Exemple : On lance trois fois une pièce et on s’intéresse au nombre X de

fois où PILE apparaı̂t. Il y a deux manières de formaliser cette phrase.
Tout d’abord, à chaque événement élémentaire ω, on associe X (ω). Ainsi,
ω PPP PPF PFP FPP FFP FPF PFF FFF
valeur de X 3 2 2 2 1 1 1 0

Définitions
En regroupant les événements élémentaires ayant les mêmes valeurs, on

obtient des événements (événement = réunion d’événements élémentaires)
qui correspondent à des valeurs distinctes de X :
k (valeur prise
3 2 1 0
par X )
événement
{PPP} {PPF , PFP, FPP} {PFF , FPF , FFP} {FFF }
[X=k]

Définitions
Pour toute v.a, les événements correspondants à des valeurs

distinctes de X sont incompatibles. Autrement dit, dès que i 6= j,
les événements (X = i) et (X = j) sont incompatibles :
(X = i) ∩ (X = j) = ∅.
De plus la réunion de ces événements forme l’espace Ω tout
entier : [
(X = k) = Ω
k
Une variable qui ne prend qu’un nombre dénombrable de valeurs est

dite discrète, sinon, elle est dite continue .

Définitions
Définition
La loi d’une variable aléatoire discrète X est la liste de toutes les valeurs
différentes que peut prendre X avec les probabilités qui leurs sont
associées.
Exemple : Nous avons déjà la liste de tous les événements élémentaires et
ils sont équiprobables, de probabilité 1/8. D’après la composition des
événements [X = k], pour k = 0, . . . , 3, on peut déduire facilement la loi
de X .
valeur de X
[X = 3] [X = 2] [X = 1] [X = 0]
(événement)
composition
{PPP} {PPF , PFP, FPP} {PFF , FPF , FFP} {FFF }
de l’événement
probabilité 1/8 3/8 3/8 1/8

Définitions
Un outil permettant de caractériser la loi d’une v.a est la fonction de

répartition empirique.
Définition
Soit X une v.a . On appelle fonction de répartition de X la fonction de R
dans [0, 1], définie pour tout x ∈ R par
F (x) = P[X ≤ x]
Exemple : X est le nombre de Face quand on lance trois fois une pièce.
On a vu que la loi de X est
P[X = 0] = 1/8, P[X = 1] = P[X = 2] = 3/8, P[X = 3] = 1/8.

Définitions
D’où 

0 si x < 0,

1/8 si 0 ≤ x < 1,



F (x) = 4/8 si 1 ≤ x < 2,

7/8 si 2 ≤ x < 3,





1 si x ≥3

Remarque : Deux v.a ayant la même loi ont même fonction de répartition.

Définitions
Proposition
Soit F une fonction de répartition. Alors
1) F est croissante,
2) F est continue à droite et admet une limite à gauche en tout point x
égal à P[X < x].
3) lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞
Remarque : Pour une v.a. discrète, la fonction de répartition est une

fonction en escalier, avec un saut en chaque valeur k de X (Ω) et la
hauteur de ces sauts est la probabilité P(X = k).

Définitions
Définition
L’espérance ou moyenne d’une v.a. discrète X est un réel
X
E [X ] = k P[X = k]
k
Théorème
Pour toute fonction g ,
X
E [g (X )] = g (k) P[X = k]
k
Remarque : l’espérance n’a pas toujours un sens quand X (Ω) est infini.
Dans ce cas, X a une espérance si
X
|k| P(X = k) < ∞
k∈X (Ω)
Définitions
Définition
La variance d’une v.a. discrète X est le réel positif
X
Var (X ) = E (X − E [X ])2 = (k −E [X ])2 P[X = k] = E [X 2 ]−(E [X ])2

et l’écart-type de X est la racine carrée de sa variance.

Définitions
Exemple : Nous avons la loi du nombre X de PILE quand on lance trois

fois une pièce.
3
X 1 3 3 1 12 3
E [X ] = k P[X = k] = 3 · +2· +1· +0· = =
8 8 8 8 8 2
k=0
3
X
Var (X ) = E [x 2 ] − (E [X ])2 = k 2 P[X = k] − (E [X ])2
k=0
2
1 3 3 1 3
= 32 · + 2 2 · + 1 2 · + 02 · −
8 8 8 8 2
3
=
4

Définition
Deux v.a. X et Y sont dites indépendantes si, pour tous i et j, les
événements {X = i} et {Y = j} sont indépendants, ie
P[X = i, Y = j] = P[X = i] P[Y = j]
Attention ! ! ! Si X et Y ne sont pas indépendantes, connaı̂tre la loi de X

et celle de Y ne suffit pas pour connaı̂tre la loi de (X , Y ) qui est la
donnée, pour tout i et j, de P[(X , Y ) = (i, j)] = P[X = i, Y = j].

Proposition (La formule des probabilités totales)

Soient X et Y deux v.a. . Pour tout i ∈ X (Ω),
X
P[X = i] = P[X = i|Y = j] P[Y = j]
j∈Y (Ω)

Exemple : On lance deux dés équilibrés et on note X et Y les deux

chiffres obtenus. Soit Z = X + Y . Quelle est la loi de Z ?
Méthode 1 : On utilise un tableau
X /Y 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Puisque les résultats des deux dés sont indépendants, on a
∀ 1 ≤ i, j ≤ 6, P[X = i, Y = j] = P[X = i] P[Y = j] = 1/36
Autrement dit chaque case du tableau a la même probabilité.

P[Z = 2] = P[Z = 12] = 1/36,

P[Z = 3] = P[Z = 11] = 2/36,
P[Z = 4] = P[Z = 10] = 3/36,
P[Z = 5] = P[Z = 9] = 4/36,
P[Z = 6] = P[Z = 8] = 5/36,
P[Z = 7] = 6/36.
On vérifie immédiatement que la somme des probabilités fait 1.

Méthode 2 : On utilise la formule des probabilités totales :

Pour 1 ≤ j ≤ 12, on a
6
X
P[Z = j] = P[Z = j|X = i] P[X = i]
i=1
or on a pour tout 1 ≤ i ≤ 6, P[X = i] = 1/6. On a ainsi

6
1X
P[Z = j] = P[X + Y = j|X = i]
6
i=1
6
1 X
= P[Y = j − i|X = i]
6
i=1

Puisque X et Y sont indépendants, on obtient

6
1X
∀ 1 ≤ j ≤ 12, P[Z = j] = P[Y = j − i]
6
i=1
Il suffit maintenant de se rappeler que P[Y = k] = 1/6 seulement si

k ∈ {1, . . . , 6}.

Théorème
1) Pour toutes v.a. X et Y , E [X + Y ] = E [X ] + E [Y ].
2) Si X et Y sont indépendantes, Var (X + Y ) = Var (X ) + Var (Y ).
Preuve : Exercice.

Schéma de Bernoulli et loi binomiale
On s’intéresse ici à la réalisation ou non d’un événement, ie des

expériences aléatoires qui n’ont que deux issues possibles. Un expérience
aléatoire de ce type s’appelle épreuve de Bernoulli. Elle se conclut par un
succès si l’événement auquel on s’intéresse est réalisé ou un échec sinon.
Soit Y la v.a. associée à cette épreuve telle que Y prend la valeur 1 si
l’événement est réalisé et 0 sinon. La loi de Y est donnée par :
P[Y = 1] = p, P[Y = 0] = q = 1 − p
On dit que Y suit une loi de Bernoulli de paramètre p, notée B(p) et

on a :
E [Y ] = p, V (Y ) = p(1 − p)

Un schéma de Bernoulli est la répétition n fois de la même épreuve dans

les mêmes conditions.
Schéma de Bernoulli :
1 Chaque épreuve a deux issues : succès [S] ou échec [E].
2 Pour chaque épreuve, la probabilité d’un succès est la même, notons
P(S) = p et P(E ) = q = 1 − p.
3 Les n épreuves sont indépendantes : la probabilité d’un succès ne
varie pas, elle ne dépend pas des informations sur les résultats des
autres épreuves.

Soit X la v.a. qui représente le nombre de succès obtenus lors de n

épreuves de Bernoulli. Alors on dit que X suit une loi binomiale de
paramètres (n, p), notée B(n, p). Cette loi est donnée par :
P(X = k) = Cnk p k (1 − p)n−k pour tout 0 ≤ k ≤ n

n!
où Cnk = k!(n−k)! .
Proposition
Si X est une v.a. de loi B(n, p),
E [X ] = np, V (X ) = np(1 − p)

Exemple 1 (échantillon avec remise) : On considère une population

avec deux catégories d’individus, A et B. On choisit de manière
équiprobable un individu dans la population. On note le résultat de
l’épreuve, c’est-à-dire si l’individu appartient à la catégorie A ou B. Puis
on le remet dans le lot et on recommence : on choisit à nouveau un
individu dans la population. . .Cela constitue une épreuve de Bernoulli.
Supposons que les individus de la catégorie A sont en nombre NA dans la
population qui contient N individus. Alors pour chaque épreuve de
Bernoulli, la probabilité d’avoir un individu de catégorie A (ce qu’on
appelle succès) est p = NA /N. Le nombre d’individus présents dans
l’échantillon, qui appartiennent à la catégorie A est une variable aléatoire,
car sa valeur dépend du choix de l’échantillon, c’est-à-dire de l’expérience
aléatoire.

Quel est le nombre X d’individus de la catégorie A dans l’échantillon ? Ici

on est en présence d’un schéma de Bernoulli où NA /N est la probabilité de
succès et n est le nombre d’épreuves : une épreuve est le tirage d’un
individu et un succès correspond à l’événement ”l’individu appartient à la
catégorie A”. Donc X suit une loi binomiale B(n, NA /N).

Exemple 2 : On s’intéresse à l’infection des arbres d’une forêt par un

parasite. Soit p la proportion d’arbres infectés. On étudie 4 arbres. Si un
arbre est infecté, on dit qu’on a un succès, sinon un échec. Soit X le
nombre d’arbres infectés parmi les 4. Alors X suit la loi binomiale B(4, p).
Remarque : Si on associe à chaque épreuve de Bernoulli un v.a.

Yi (1 ≤ i ≤ n) qui vaut 1 si on observe un succès au i-ème essai et 0
sinon, alors le nombre de succès X vérifie
n
X
X = Yi
i=1
Autrement dit, une v.a. de loi B(n, p) est une somme de n v.a.
indépendantes de loi B(p).

Exemple 3 : Un nouveau traitement résout le problème de fragilité d’un

matériel dans 50% de cas. Si on essaye sur 15 objets, quelle est la
probabilité pour qu’au plus 6 de ces objets soient résistants, pour que le
nombre d’objets résistants soit compris entre 6 et 10, pour que deux au
plus restent fragiles. Quel est le nombre moyen d’objets rendus résistants
par le traitement ?

Autres lois discrètes/ Loi géométrique
Au lieu de réaliser un nombre fixé d’essais lors d’un schéma de Bernoulli,

l’expérimentateur s’arrête au premier succès. La valeur qui nous intéresse
est le nombre d’essais effectués jusqu’au premier succès inclus. Le nombre
de succès est donc fixé à 1, mais le nombre d’essais total Y est aléatoire et
peut prendre n’importe quelle valeur entière supérieure ou égale à 1. De
plus,
∀ k = 1, 2, . . . P[Y = k] = p(1 − p)k−1
où p est toujours la probabilité de succès des épreuves de Bernoulli. On dit
alors que Y suit la loi géométrique de paramètre p, notée G(p).
Proposition
E [Y ] = 1/p, V (Y ) = (1 − p)/p 2

Autres lois discrètes/Loi de Poisson
Cette loi est une approximation de la loi binomiale quand np est petit et n
est grand (en pratique, n ≥ 50 et np ≤ 10). Une v.a. X de loi de Poisson
de paramètre λ, notée P(λ), vérifie
λk
∀ k ∈ N, P[X = k] = exp(−λ)
k!
et on a :
E [X ] = λ, V (X ) = λ
L’approximation de la binomiale par la loi de Poisson est donnée par :

X B(n, p), 
avec n ≥ 50 =⇒ X P(λ), où λ = E [X ] = np.
et E [X ] = np ≤ 10


Autres lois discrètes/ Loi uniforme
La loi uniforme est la loi de l’absence d’information.

Supposons qu’une v.a. X prenne les valeurs 1, 2, . . . , n, mais que nous
n’ayons aucune idée de la loi de probabilité de X ; dans ce cas, après
justification, on peut affecter à chaque valeur le même poids : 1/n ; et donc
1
∀ k = 1, . . . , n, P[X = k] =
n
On montre que :
n+1 (n + 1)(n − 1)
E [X ] = et V (X ) =
2 12

Sommaire

combinatoire
2 Modèle probabiliste Loi d’une v.a. continue
Loi uniforme
Loi normale

Variables aléatoires continues
Loi d’une v.a. continue
On utilise des v.a. discrètes pour compter des événements qui se

produisent de manière aléatoire et des v.a. continues quand on veut
mesurer des grandeurs continues (distance, masse, pression,. . .)
Problème : Un industriel fait relever régulièrement la pression dans une

cuve de réaction chimique. Voici les mesures obtenues en bar :
2.50 1.37 1.57 1.28 1.64 1.37 2.05 2.11 1.00 1.72
1.96 1.70 2.03 2.26 1.60 1.70 2.09 1.79 1.66 2.09
1.58 1.78 2.02 2.22 1.51 2.59 1.94 1.36 2.31 1.36
0.97 1.07 0.91 2.05 1.70 1.70 1.17 2.02 2.26 1.78
1.60 1.63 1.68 1.34 1.56 1.91 1.86 1.44 2.37

P.O.Fabrice OUEDRAOGO
Figure 1–
cours de probabilité 2019-2020 65 / 97
La représentation de la figure (1) n’est pas pertinente : on regroupe les

valeurs pour tracer un histogramme. Et suivant le nombre de classes
choisi, on obtient différents tracés que l’on peut raffiner en faisant d’autres
mesures avec des instruments de mesure plus précis.
Figure 2 –

On aurait alors une courbe, d’aire 1 comme les histogrammes, qui

représentent la manière dont sont réparties les valeurs de la v.a. X . Cette
courbe est la courbe d’une fonction appelée densité de probabilité ou
simplement densité. Une densité f décrit la loi d’une v.a. X en ce sens :
Z b
∀ a, b ∈ R, P[a ≤ X ≤ b] = f (x) dx
a
et Z b
∀ x ∈ R, F (x) = P[X ≤ x] = P[X < x] = f (u) du
−∞
Ce qui signifie également qu’une fonction de densité doit vérifier
Z
∀ x ∈ R, f (x) ≥ 0 et f (x) dx = 1
R

Définition
On appelle densité de probabilité toute fonction réelle positive, d’intégrale
1.
Remarque :
La loi d’une v.a. X est donnée par sa densité ou les probabilités
P[a ≤ X ≤ b] pour tout a, b ou les probabilités F (x) = P[X ≤ x]
pour tout x (F étant la fonction de répartition).
P[X = x] = 0 pour tout x.

Proposition
La fonction de répartition F d’une v.a. X de densité f est continue,
croissante. Elle est dérivable en tout point x où f est continue et
F 0 (x) = f (x). On a la relation
P[a ≤ X ≤ b] = P[a < X ≤ b] = F (b) − F (a)
dès que b ≥ a.

Définition
L’espérance de la v.a. X est définie par
Z +∞
E [X ] = x f (x) dx
−∞
quand cette intégrale a un sens. De plus, la variance de X est
Var (X ) = E [X 2 ] − (E [X ])2

Proposition
i) L’espérance d’une fonction Y = ϕ(X ) est donnée par
Z +∞
E [Y ] = E [ϕ(X )] = ϕ(x) f (x) dx
−∞
ii) Pour tous réels a et b,
E [aX + b] = aE [X ] + b
Var (aX + b) = a2 Var (X )
iii) Si X et Y sont deux v.a. continues,
E [X + Y ] = E [X ] + E [Y ]
Si de plus, elle sont indépendantes, Var (X + Y ) = Var (X ) + Var (Y ).

Exemple : Soit X une v.a. de densité f définie par

(
1
1 si x ∈ [0, 2],
f (x) = 1[0,2] (x) = 2
2 0 sinon.
R
Il s’agit bien d’une densité (f ≥ 0 et R f (x) dx = 1).
Calculer P[1/3 ≤ X ≤ 2/3]. Que valent E [X ] et Var (X ) ?

Loi uniforme
Définition
Une v.a. X suit une loi uniforme sur [a, b], si elle admet pour densité
(
1
si a < x < b
f (x) = b−a
0 sinon
La fonction de répartition F de X est donnée par :


Z x 0
 si x < a
F (x) = P[X ≤ x] = f (x) dx = x−a
b−a si a ≤ x ≤ b
−∞ 
1 si x > b

L’espérance et la variance sont données respectivement par :
E [X ] = (b − a)/2 et Var (X ) = (b − a)2 /12

Loi normale/ Loi normale centrée réduite
Définition
Une v.a. X suit une loi normale (ou loi gaussienne ou loi de
Laplace-Gauss) N (0, 1) si sa densité f est donnée par
2
1 x
f (x) = √ exp − , pour tout x ∈ R
2π 2
La courbe de la densité de la loi normale N (0, 1) porte le nom de ”courbe

en cloche”.. Elle tend vers 0 en l’infini, est croissante sur R− , puis
décroissante. Elle admet donc un maximum en 0 et est symétrique de
centre de symétrie 0.

Figure 3 – Courbe de densité de la loi normale centrée réduite

Proposition
La v.a. X est centrée, c’est-à-dire de moyenne nulle, et réduite,
c’est-à-dire de variance 1. De plus −X suit encore une loi normale centrée
réduite.

Loi normale/ cas général
Proposition
Soient m ∈ R et σ > 0. Une v.a. X suit une loi normale N (m, σ) si sa
densité f est donnée par
(x − m)2

1
f (x) = √ exp − , pour tout x ∈ R
σ 2π 2σ 2
Proposition
X −m
Si X suit une loi normale N (m, σ), Z = σ suit une loi normale centrée
réduite N (0, 1).
Proposition
E [X ] = m et Var (X ) = σ 2

Figure 4 – Courbes de la loi normale centrée et de la loi réduite

Exemple : Soit X une v.a. de loi N (15, 5). Quelle est la probabilité
P[10 ≤ X ≤ 22] ?

Loi exponentielle
Soit λ un réel strictement positif.

Définition
Une v.a. X est dite de loi exponentielle E(λ) si sa densité de probabilité
est donnée par (
0 si x < 0
f (x) =
λ exp(−λx) si x ≥ 0
La v.a. X de loi E(λ) ne prend que des valeurs positives.
Elle est utilisée dan de nombreuse applications :

- durée de fonctionnement d’un matériel informatique avant la première
panne,
- désintégration radioactive,
- temps séparant l’arrivée de deux ”clients” dans un phénomène d’attente
(guichet, accès à un serveur informatique,. . .)
Loi exponentielle
Proposition
La fonction de répartition de la loi E(λ) est égale à
(
0 si x < 0
F (x) =
1 − exp(−λx) si x ≥ 0
De plus,
1 1
E [X ] = , Var (X ) =
λ λ2
Proposition
La loi exponentielle vérifie la propriété d’absence de mémoire. Soit X un
v.a. de loi exponentielle. Alors pour tous s, t > 0,
P[X > t + s | X > t] = P[X > s]

Fonction d’une v.a. continue
Soit X une v.a. de densité f et ψ une fonction sur R. On pose Y = ψ(X ).

On suppose que ψ est bijective, de classe C 1 , croissante (dans le cas
contraire, on découpera R en intervalles sur lesquels ψ est bijective).
Cherchons la densité Y dans le cas où Y est une v.a. continue.
Soit a < b quelconques,

Z ψ −1 (b)
−1 −1
P[a ≤ Y ≤ b] = P[a ≤ ψ(X ) ≤ b] = P[ψ (a) ≤ X ≤ ψ (b)] = f (x) dx
ψ −1 (a)
Avec le changement de variable y = ψ(x), on obtient :

Z b
1
P[a ≤ Y ≤ b] = f (ψ −1 (y )) dy
a ψ 0 (ψ −1 (y ))

Ainsi la densité de Y est

f (ψ −1 (y ))
h(y ) =
ψ 0 (ψ −1 (y ))
Exemple : Soit X de densité f = 12 1[0,2] . Soient deux réels c et d avec c

non nul. Quelle est la loi de Y = cX + d ?

Théorème
Soit X une v.a. continue, de fonction de répartition F . Alors F (X ) suit la
loi uniforme sur [0, 1].
Preuve : F étant un fonction de répartition, elle est inversible et pour tout

y on a
F −1 (y ) = min{x : F (x) ≥ y }
et avec la continuité de F , on a
P(F (X ) < y ) = P(X < F −1 (y )) = F (F −1 (y )) = y .

Sommaire

combinatoire

Théorèmes limites
Loi des grands nombres
On considère ici une suite (Xn )n≥1 de v.a. indépendantes et de même loi.
On suppose que ces v.a. ont une espérance, notée m et une variance,
notée σ 2 .
Théorème
E (X1 + · · · + Xn ) = E (X1 ) + · · · + E (Xn ) = nm
Var (X1 + · · · + Xn ) = Var (X1 ) + · · · + Var (Xn ) = nσ 2
Théorème (Inégalité de Chebyshev)

Soit X une v.a. et x un réel strictement positif. Alors
P(|X − E (X )| > x) ≤ Var (X )/x 2

Preuve : Comme |X − E (X )|2 est positif,

|X − E (X )|2 ≥ |X − E (X )|2 1|X −E (X )|>x .
On prend maintenant l’espérance.
Var (X ) = E (|x−E (x)|2 ) ≥ E (|X −E (X )|2 1|X −E (X )|>x ) ≥ x 2 P(|X −E (X )| > x).

Définition
La moyenne empirique des v.a. X1 , . . . , Xn est la v.a.
x1 + · · · + Xn
X̄n =
n
On sait d’ores et déjà que la moyenne empirique X̄ a pour espérance et
variance (resp.)
E (X̄ ) = m, V (X̄ ) = σ 2 /n
Ainsi, plus n est grand, moins cette v.a. varie. A la limite, quand n tend
vers l’infini, elle se concentre sur son espérance, m. C’est la loi des grands
nombres.

Théorème (Loi des grands nombres)

Quand n est grand, X̄n est proche de m avec une forte probabilité.
Autrement dit,
∀ ε > 0, lim P(|X̄n − m| > ε) = 0

n→∞
Preuve : Soit ε > 0. D’après l’inégalité de Chebyshev,
Var (X̄n ) σ2
P(|X̄n − m| > ε) ≤ = −→ 0
ε2 n ε2
On dit que X̄n converge en probabilité vers m.

Exemple : (Fréquence empirique et probabilité)

Il est ici question de rapprocher la probabilité théorique d’un événement A
parfois inconnue avec le fréquence empirique de cet événement obtenue en
répétant plusieurs fois (mettons n fois) l’expérience aléatoire qui produit A
dans les mêmes conditions.
A la i-ème expérience (1P≤ i ≤ n), on associe une v.a. Yi égale à 1 si A est

réalisée,P0 sinon. Alors Yi décrit le nombre de fois où A a été réalisé et
1
fA = n Yi décrit la fréquence d’observation de A. Comme les Yi sont
supposés de même loi, indépendants, de moyenne P(A) et de variance
P(A)(1 − P(A)), on peut appliquer la loi des grands nombres pour
conclure que fA converge, quand n tend vers l’infini vers P(A).

Théorème central limite
Théorème
Pour tous réels a < b, quand n tend vers +∞,
Z b
X̄n − m 1 2
P a≤ √ ≤ b −→ √ e −x /2 dx
σ/ n a 2π
X̄n −m
On dit que σ/ n
√ converge en loi vers la loi normale N (0, 1).
Corollaire
n est grand, la loi binomiale B(n, p) est proche de la loi normale
Quand p
N (np, np(1 − p)).
Cette approximation est important car les probabilités relatives à la loi

binomiale sont difficiles à calculer quand n est grand.

Théorème central limite/ approximation de la loi binoniale par la loi normale
En pratique, il suffit d’avoir n ≥ 30 avec les conditions suivantes :


X B(n, p), 

avec n ≥ 30
 p
=⇒ X N (np, np(1 − p)).
et E [X ] = np ≥ 5  
n(1 − p) ≥ 5


Intervalle de confiance
Soit X un caractère (ou variable) étudié sur une population, de moyenne

m et de variance σ 2 . On cherche ici à donner une estimation de la
moyenne m de ce caractère, calculée à partir de valeurs observées sur un
échantillon (X1 , . . . , Xn ).
La fonction de l’échantillon qui estimera un paramètre est appelée

estimateur, son écart-type est appelée erreur standard et est notée SE .
L’estimateur de la moyenne m est la moyenne empirique
X1 + · · · + Xn
X̄ =
n

√
E [X̄n ] = m, Var (X̄n ) = σ 2 /n, donc SE (X̄n ) = σ/ n ;
X̄n −→ m quand n → ∞,
quand n est grand, X̄n suit approximativement une loi normale
√
N (m, σ/ n).

D’après les propriétés de la loi normale, quand n est grand (mettons

supérieur à 20), on sait que
√ √
P[m − 2σ/ n ≤ X̄n ≤ m + 2σ/ n] = 0.954
ou de manière équivalente
√ √
P[X̄n − 2σ/ n ≤ m ≤ X̄n + 2σ/ n] = 0.954
Ce qui peut se traduire ainsi : quand on estime m par X̄n , l’erreur faite est
√
inférieure à 2σ/ n, pour 95, 4% des échantillons. Ou avec une probabilité
de 95, 4%, la moyenne iconnue m est dans l’intervalle
√ √
[X̄n − 2σ/ n, X̄n + 2σ/ n].

Définition
On peut associer à chaque incertitude α, un intervalle, appelé intervalle de
confiance de niveau de confiance 1 − α, qui contient la vraie moyenne m
avec une probabilité égale à 1 − α.
Définition
Soit Z un v.a. .
Le fractile supérieur d’ordre α de la loi de Z est le réel z qui vérifie
P[Z ≥ z] = α
Le fractile inférieur d’ordre α de la loi de Z est le réel z qui vérifie
P[Z ≤ z] = α

Proposition
Un intervalle de confiance pour la moyenne, de niveau de confiance 1 − α,
est √ √
[ X̄n − zα/2 σ/ n, X̄n + zα/2 σ/ n ]
où zα/2 est le fractile supérieur d’ordre α/2 de la loi normale N (0, 1).
Remarque : Soit Z une v.a. de loi N (0, 1), zα/2 vérifie
P[Z ≤ −zα/2 ] = P[Z ≥ zα/2 ] = α/2, P[−zα/2 ≤ Z ≤ zα/2 ] = 1 − α

Probabilit E: Enseignant: Pegdwind e Ouss Eni Fabrice OUEDRAOGO

Transféré par

Droits d'auteur :

Formats disponibles

Probabilit E: Enseignant: Pegdwind e Ouss Eni Fabrice OUEDRAOGO

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilit E: Enseignant: Pegdwind e Ouss Eni Fabrice OUEDRAOGO

Transféré par

Droits d'auteur :

Formats disponibles

Probabilité

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 1 / 97

1 Éléments d’analyse 3 Variables aléatoires

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 2 / 97

1 Éléments d’analyse 3 Variables aléatoires discrètes

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 3 / 97

Disposition sans répétition : c’est une disposition où un élément peut

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 4 / 97

Exemple 2 : Prenons un jeux de dé à 6 faces (éléments discernables)

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 5 / 97

Soit Ω un ensemble composé de n éléments : card(Ω) = n. On constitue

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 6 / 97

Soit Ω un ensemble avec card(Ω) = n. On constitue un échantillon de

Réaliser un arrangement sans répétition des éléments de Ω, c’est

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 7 / 97

C’est un arrangement sans répétition de n éléments parmi n.

Réaliser une permutation des éléments de Ω, c’est réaliser un tirage

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 8 / 97

On appelle permutation avec répétition de p éléments où l’on a n

Exemple (Nombre d’anagrammes du mot MATHÉMATIQUE) : On voit

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 9 / 97

On considère un ensemble Ω constitué de n éléments tous discernables. On

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 10 / 97

Proposition (Formule du binôme)

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 11 / 97

C’est une disposition non-ordonnée de p éléments, à choisir parmi n

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 12 / 97

1 Éléments d’analyse 3 Variables aléatoires discrètes

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 13 / 97

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 14 / 97

On étudie une expérience aléatoire.

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 15 / 97

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 16 / 97

B = {(f , p, f ), (f , p, p), (p, p, f ), (p, p, p)}

L’événement B est réalisé si on obtient l’un des événements

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 17 / 97

notations vocabulaire ensembliste vocabulaire probabiliste

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 18 / 97

La probabilité d’un événement est une valeur numérique qui

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 19 / 97

Exemple : Soit Ω = {0, 1, 2}. Construisons P(Ω).

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 20 / 97

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 21 / 97

Que signifie ”un événement A a pour probabilité...” ?

0.95 : A va très probablement se produire.

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 22 / 97

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 23 / 97

Exemple : probabilité uniforme

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 25 / 97

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 26 / 97

Exemple : Une urne contient r boules rouges et v boules vertes. On en tire

Ω = {rouge, verte} × {rouge, verte}

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 27 / 97

Proposition (Formule des probabilités totales)

P(B) = P(B|A)P(A) + P(B|Ac )P(Ac )

Exemple (ref exemple précédent) : Quelle est la probabilité pour que

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 28 / 97

P.O.Fabrice OUEDRAOGO cours de probabilité 2019-2020 29 / 97

Proposition (Formule ds probabilités totales généralisée)