Cours : Théorie des probabilités.

Page 1/74

Département Génie Informatique

2020-2021

Hamid Maarouf

École Supérieure de Technologie Safi

Université Cadi Ayyad

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 1/74
 Introduction à
la théorie des probabilités

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 2/74
 1. Notion d’expérience aléatoire.

Une expérience est dite aléatoire lorsque :

tous ses résultats possibles sont connus,
on ne peut jamais prévoir un résultat,
il est possible de la reproduire plusieurs fois dans les mêmes
conditions.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 3/74
 1. Notion d’expérience aléatoire (suite).

Pour une expérience aléatoire,

tous ses résultats forment un ensemble noté Ω appelé univers.
un événement est formé de quelques résultats.
Un événement contenant un seul résultat est dit élémentaire.
l’événement vide ∅ est appelé événement impossible.
l’univers Ω est un événement appelé événement certain.
l’événement contraire d’un événement A est formé de tous les
résultats qui ne sont pas dans A. On le note A.
On a par exemple, ∅ = Ω et Ω = ∅.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 4/74
 2. Notion d’expérience aléatoire (suite).

On considère l’expérience du lancer d’une pièce de monnaie pouvant

amener pile ou face.
Ses résultats possibles sont pile ou face.
Des fois ses résultats sont notés 0 ou 1.
0 pour pile et 1 pour face.
Les événements sont ∅, {0}, {1} et Ω = {0, 1}.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 5/74
 3. Notion d’expérience aléatoire (suite).

On considère l’expérience de deux lancers successifs d’une pièce de

monnaie pouvant amener 0 (pour pile) ou 1 (pour face).
Ses résultats possibles sont 00, 01, 10, ou 11.
10 par exemple signifie qu’on a face au premier lancer puis pile
au deuxième lancer.
{01}, {10, 11}, {00, 01, 11} et Ω = {00, 01, 10, 11} sont des
exemples d’événements.
L’événement A = {10, 11} par exemple peut s’exprimer par une
phrase de la manière suivante :
"On obtient face au premier lancer puis pile
A : au deuxième ou on obtient face au premier
lancer puis face au deuxième"

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 6/74
 4. Comparaison des événements. Inclusion.

Soient A et B deux événements d’un univers Ω. On dit que A est

une partie de B ou encore A est inclus dans B si tout élément de A
est un élément de B. Dans ce cas, on note A ⊂ B, A ⊆ B, B ⊃ A,
B ⊇ A.

Figure – On représente B par un disque blanc et A par la partie noire.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 7/74
 5. Comparaison des événements. Inclusion (suite).

Soient A et B deux événements d’un univers Ω. L’inclusion A ⊂ B s’exprime par :

∀ x ∈ Ω, x ∈ A =⇒ x ∈ B.

Dans ce cas,
"∀ x ∈ Ω" signifie "pour tout x de Ω".
"x ∈ A =⇒ x ∈ B" signifie que la conclusion "x ∈ B" est une
conséquence de l’hypothèse "x ∈ A".
En pratique, pour montrer l’inclusion A ⊂ B, on commence par fixer un x dans
Ω en écrivant "Soit x ∈ Ω". Ensuite, le travail est de montrer que x ∈ B à partir
de ’hypothèse x ∈ A.

Remarque 1
Si A est un événement quelconque, on a toujours ∅ ⊂ A et A ⊂ Ω.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 8/74
 6. Comparaison des événements. Égalité.

Soient A et B deux événements d’un univers Ω. Il est clair que A = B si tout

élément de A est dans B et si tout élément de B est dans A. Cela se traduit par
les inclusions A ⊂ B et B ⊂ A ou encore par :

∀ x ∈ Ω, [x ∈ A =⇒ x ∈ B et x ∈ B =⇒ x ∈ A] .

Pour simplifier, [x ∈ A =⇒ x ∈ B et x ∈ B =⇒ x ∈ A] s’écrit :

x ∈ A ⇐⇒ x ∈ B.

On dit dans ce cas que x ∈ A est équivalent à x ∈ B.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 9/74
 7. Inclusion et complémentaire.

Proposition 1

Soient A et B deux événements d’un univers Ω. Alors, on a

A ⊂ B ⇐⇒ B ⊂ A.

Démonstration.
On montre tout d’abord A ⊂ B =⇒ B ⊂ A. On suppose alors que A ⊂ B. Pour
montrer que B ⊂ A, on se donne x dans Ω. Supposons que x ∈ B et montrons
que x ∈ A. Si x ∈ A, alors x ∈ B puisque A ⊂ B. On aura alors x ∈ B et x ∈ B.
Cela étant impossible, donc l’hypothèse x ∈ A est fausse. On a alors montré que
x ∈ A et par suite
A ⊂ B =⇒ B ⊂ A. (1)
D’après (1), on a
B ⊂ A =⇒ A ⊂ B.
Comme A = A et B = B, on a aussi B ⊂ A =⇒ A ⊂ B.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 10/74
 8. Opérations sur les événements. Intersection.

Si A et B sont deux événements d’un univers Ω, alors l’intersection

de A et B est la partie de Ω formée des éléments qui se trouvent
dans A et dans B. Cette partie est notée A ∩ B.

A B

A∩B
Plus généralement, si A1 , . . . , An sont des événements, leur
intersection est la partie A1 ∩ · · · ∩ An formée des éléments qui se
trouvent dans chaque Ai pour i = 1, . . . , n.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 11/74
 9. Propriétés de l’intersection.

Soient A, B et C des événements d’un univers Ω. Voici quelques

propriétés faciles qui sont à vérifier :
∅ ⊂ A et A ⊂ Ω.
A ∩ B ⊂ A et A ∩ B ⊂ B.
Si A ⊂ B, alors A ∩ B = A.
Réciproquement, si A ∩ B = A, alors A ⊂ B.
En particulier, on a A ∩ ∅ = ∅ et A ∩ Ω = A. On dit ∅ est
absorbant (comme 0 pour la multiplication des nombres) et
que Ω est neutre (aussi comme la multiplication).
A ∩ (B ∩ C ) = (A ∩ B) ∩ C . On a associativité de l’intersection.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 12/74
 10. Inclusion et complémentaire.

Proposition 2

Soient A et B deux événements d’un univers Ω. Alors, on a

A ⊂ B ⇐⇒ B ⊂ A ⇐⇒ A ∩ B = ∅.

Démonstration.
L’équivalence A ⊂ B ⇐⇒ B ⊂ A est vraie d’après la Proposition 1. On montre
l’équivalence A ⊂ B ⇐⇒ A ∩ B = ∅. Si A ⊂ B, alors

A∩B ⊂B∩B =∅

et donc A ∩ B = ∅. On a alors montré A ⊂ B =⇒ A ∩ B = ∅. On suppose que

A ∩ B = ∅ et on se donne x dans Ω. Si x ∈ A, alors x 6∈ B car A ∩ B = ∅. Cela
signifie que x ∈ B et par suite A ⊂ B.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 13/74
 11. Opérations sur les événements. Réunion.

Si A et B sont deux événements d’un univers Ω, alors la réunion de

A et B est la partie de Ω formée des éléments qui se trouvent dans
A ou dans B. Cette partie est notée A ∪ B.

A B

A∪B

Plus généralement, si A1 , . . . , An sont des événements, leur réunion

est la partie A1 ∪ · · · ∪ An formée des éléments qui se trouvent dans
une partie Ai pour un certain i = 1, . . . , n.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 14/74
 12. Propriétés de la réunion.

Soient A, B et C des événements d’un univers Ω. Voici quelques

propriétés faciles qui sont à vérifier :
A ⊂ A ∪ B et B ⊂ A ∪ B.
Si A ⊂ B, alors A ∪ B = B.
Réciproquement, si A ∪ B = B, alors A ⊂ B.
En particulier, on a A ∪ ∅ = A et A ∪ Ω = Ω. On dit Ω est
absorbant et que ∅ est neutre.
A ∪ (B ∪ C ) = (A ∪ B) ∪ C . On a associativité de la réunion.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 15/74
 13. Opérations sur les événements. Différence.

Si A et B sont deux événements d’un univers Ω, alors la différence

de A et B est la partie de Ω formée des éléments qui sont dans A et
qui ne se trouvent pas dans B. Cette partie est notée A \ B.

A B

A\B

Remarque : On rappelle que B est l’événement contraire de B. On

l’appelle aussi le complémentaire de B. Observer alors que

A \ B = A ∩ B.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 16/74
 14. Opérations sur les événements. Différence symétrique.

Si A et B sont deux événements d’un univers Ω, alors la différence

symétrique de A et B est la partie de Ω formée des éléments qui
sont dans A ou bien dans B. Cette partie est notée A∆B.

A B

B\A
A\B
A∆B

Remarque : Le "ou bien" utilisé plus haut signifie que seulement

l’une des deux conditions est vérifiée. En d’autres termes, on a

A∆B = (A \ B) ∪ (B \ A) = (A ∪ B) \ (A ∩ B) .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 17/74
 15. Opérations sur les événements. Distributivité.

Proposition 3
Si A, B et C sont des événements d’un univers Ω, alors on a la
distributivité de
l’intersection sur l’union : A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C ).
l’union sur l’intersection : A ∪ (B ∩ C ) = (A ∪ B) ∩ (A ∪ C ).

Plus généralement, on a
Proposition 4
Si A, A1 , . . . , An sont des événements d’un univers Ω, alors on a
A ∩ (A1 ∪ · · · ∪ An ) = (A ∩ A1 ) ∪ · · · ∪ (A ∩ An ).
A ∪ (A1 ∩ · · · ∩ An ) = (A ∪ A1 ) ∩ · · · ∩ (A ∪ An ).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 18/74
 16. Opérations sur les événements. Lois de De Morgan.

Proposition 5
Si A, B sont des événements d’un univers Ω, alors on a
A ∩ B = A ∪ B.
A ∪ B = A ∩ B.
Plus généralement, on a
Proposition 6
Si A, A1 , . . . , An sont des événements d’un univers Ω, alors on a
A1 ∪ · · · ∪ An = A1 ∪ · · · ∪ An .
A1 ∩ · · · ∩ An = A1 ∩ · · · ∩ An .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 19/74
 17. Produit cartésien.

Si E et F sont deux ensembles non vides, leur produit cartésien est

l’ensemble E × F qui est formé par les couples (x , y ) avec x dans E
et y dans F . Si par exemple E = {a, b, c} et F = {0, 1}, alors

E × F = {(a, 0), (b, 0), (c, 0), (a, 1), (b, 1), (c, 1)} .

Par convention, si E = ∅ ou F = ∅, alors E × F = ∅. Si E = F , le

produit cartésien E × F se note E 2 .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 20/74
 18. Produit cartésien (suite).

De façon similaire, on peut définir le produit cartésien

E1 × E2 × · · · × En pour des ensembles donnés E1 , E2 , . . . , En et
lorsque E1 = E2 = · · · = En = E , on écrit

E1 × E2 × · · · × En = E n .

Par exemple,

{0, 1}3 = {(0, 0, 0), (0, 0, 1), (0, 1, 0), (0, 1, 1),
(1, 0, 0), (1, 0, 1), (1, 1, 0), (1, 1, 1)} .

ou encore pour simplifier

{0, 1}3 = {000, 001, 010, 011, 100, 101, 110, 111} .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 21/74
 19. Rappels sur le dénombrement.

Si E est un ensemble fini, le nombre de ses éléments est appelé son

cardinal et se note card(E ).
Si E = ∅, alors card(E ) = 0.
Si E = {1, 8}, alors card(E ) = 2.
Si E et F sont deux ensembles finis et disjoints, c’est-à-dire
que E ∩ F = ∅, alors card(E ∪ F ) = card(E ) + card(F ).
Si E et F sont finis, alors card(E × F ) = card(E ) × card(F ).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 22/74
 20. Rappels sur le dénombrement (suite).

Plus généralement, si E = E1 ∪ E2 ∪ · · · ∪ En avec E1 , E2 , . . . , En

deux à deux disjoints, alors

card(E ) = card (E1 ) + card (E2 ) + · · · + card (En ) .

De même, si E = E1 × E2 × · · · × En , alors

card(E ) = card (E1 ) × card (E2 ) × · · · × card (En ) .

En particulier, card (An ) = (card (A))n si A est un ensemble fini.

Par exemple, on a

card ({0, 1}n ) = (card ({0, 1}))n = 2n .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 23/74
 21. Coefficients binomiaux.

Si Ω = {a1 , . . . , an }, alors P(Ω) s’écrit :

n
P(Ω) = les événements ayant 0 éléments,
les événements ayant 1 élément,
les événements ayant 2 éléments,
..
. o
les événements ayant n éléments .

Théorème 1
Si k est un entier tel que 0 6 k 6 n, alors le nombre des
événements ayant k éléments est le coefficient binomial
n!
Ckn = ·
k!(n − k)!

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 24/74
 22. Propriétés des coefficients binomiaux.

Les coefficients binomiaux vérifient les propriétés suivantes :

C0n = Cnn = 1.
Ckn = Cnn−k pour tout k avec 0 6 k 6 n. Formule de symétrie.
Ck−1
n + Ckn = Ckn+1 pour tout k avec 1 6 k 6 n. Formule de
Pascal.
kCkn = nCk−1
n−1 pour k = 1, . . . , n.
On a la formule du binôme de Newton suivante :

(a + b)n = C0n b n + C1n ab n−1 + · · · + Cnn−1 an−1 b + Cnn an

pour tous nombres réels a et b.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 25/74
 23. Construction du triangle de Pascal.
On peut se servir de la formule de Pascal pour déterminer tous les
coefficients binomiaux à l’aide du triangle de Pascal suivant :

C00

C01 C11
+
C02 C12 C22
+ +
C03 C13 C23 C33
+ + +
C04 C14 C24 C34 C44
+ + + +
C05 C15 C25 C35 C45 C55

Figure – Triangle de Pascal à l’ordre 5.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 26/74
 24. Construction du triangle de Pascal (suite).

1 1
+
1 2 1
+ +
1 3 3 1
+ + +
1 4 6 4 1
+ + + +
1 5 10 10 5 1

Figure – Triangle de Pascal à l’ordre 5.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 27/74
 25. Une interprétation du produit cartésien.

Soit Ω l’ensemble des résultats d’une expérience aléatoire. Dans ce cas,

on peut voir Ωn comme l’ensemble des résultats obtenus en répétant
l’expérience aléatoire n fois.
on peut voir un résultat (r1 , . . . , rn ) de Ωn comme un mot r1 · · · rn de
longueur n, où ri est le résultat de l’expérience numéro i.
Lorsque Ω = {0, 1}, alors
un mot r1 · · · rn de Ωn est appelé un mot binaire de longueur n.
le poids d’un mot binaire m = r1 · · · rn est w (m) = r1 + · · · + rn .
si m = r1 · · · rn est un mot binaire, r1 , . . . , rn sont appelés ses bits. Le poids
de m est donc le nombre de ses bits égaux à 1.
Pour n = 3,
les mots binaires de longueur 3 sont : 000, 001, 010, 011, 100, 101, 110, 111.
on a : w (000) = 0, w (001) = w (010) = w (100) = 1,
w (011) = w (101) = w (110) = 2 et w (111) = 3.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 28/74
 26. D’un mot binaire vers une partie.

Soit Ω = {0, 1} et E = {a1 , . . . , an } un ensemble de n éléments. On peut

construire une partie A(m) de E à partir d’un mot binaire m = r1 · · · rn de
longueur n de la manière suivante :
on commence par B0 = ∅.

Bi−1 si ri = 0,
pour i allant de 1 à n, on pose Bi =
Bi−1 ∪ {ai } si ri = 1.
on pose enfin A(m) = Bn .
Pour n = 3 par exemple, on a
A(m) = ∅ si m = 000, A(m) = {a1 } si m = 100, A(m) = {a2 } si m = 010,
A(m) = {a3 } si m = 001, A(m) = {a1 , a2 } si m = 110, A(m) = {a1 , a3 } si
m = 101, A(m) = {a2 , a3 } si m = 011 et A(m) = {a1 , a2 , a3 } si m = 111.
Remarque On a : w (m) = card (A(m)).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 29/74
 27. D’une partie vers un mot binaire.

Soit Ω = {0, 1} et E = {a1 , . . . , an } un ensemble de n éléments. On peut

maintenant construire un mot binaire m(A) de longueur n à partir d’une partie A
de E en définissant ses bits r1 , . . . , rn de la manière suivante :

1 si ai ∈ A,
ri =
0 si ai 6∈ A.

Pour n = 3 par exemple, on a

m(A) = 000 si A = ∅, m(A) = 100 si A = {a1 }, m(A) = 010 si A = {a2 },
m(A) = 001 si A = {a3 }, m(A) = 110 si A = {a1 , a2 }, m(A) = 101 si
A = {a1 , a3 }, m(A) = 011 si A = {a2 , a3 } et m(A) = 111 si
A = {a1 , a2 , a3 }.
Remarque On a : card (A) = w (m(A)).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 30/74
 28. Une conséquence du lien partie et mot binaire.

Théorème 2
Il existe exactement Ckn mots binaires de longueur n et de poids k
pour tout k = 0, . . . , n.

Démonstration.
Le nombre de mots binaires de longueur n et de poids k est
exactement celui des parties ayant k éléments d’un ensemble fini
E = {a1 , . . . , an }. On sait que ce dernier est Ckn .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 31/74
 29. Une application du lien partie et mot binaire.

On considère une urne avec une boule numérotée 0 et une boule numérotée 1.
On effectue n tirages avec remise d’une boule. Pour tout k = 0, . . . , n, on note
Ak l’événement formé des résultats qui ont amenés la boule portant le numéro 1
exactement k fois. Dans ce cas
On peut prendre Ω = {0, 1}n comme l’ensemble des résultats possibles.
D’après précédemment, Ω est aussi l’ensemble des mots binaires de
longueur n.
L’événement Ak est donc formé des mots binaires de longueur n et de
poids k.
Avec les points mentionnés ci-haut, on a

card (Ak ) = nombre des mots binaires de longueur n et de poids k

= Ckn .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 32/74
 30. Une application à la formule de Pascal.

On rappelle que la formule de Pascal est : Ckn+1 = Ck−1

n + Ckn pour 1 6 k 6 n.
Pour établir cette formule, on divise les mots binaires de longueur n + 1 et de
poids k en deux catégories :
La catégorie des mots pour lesquels 1 occupe la position n + 1. Pour former
un mot de cette catégorie, il suffit d’avoir un mot de longueur n et de poids
k − 1 à placer dans les positions 1, . . . , n. Donc on a besoin de Ck−1
n mots.
La catégorie des mots pour lesquels 0 occupe la position n + 1. Pour former
un mot de cette catégorie, il suffit d’avoir un mot de longueur n et de
poids k à placer dans les positions 1, . . . , n. Donc on a besoin de Ckn mots.
Le nombre total des mots dans les deux catégories étant Ckn+1 , donc

Ckn+1 = Ck−1
n + Ckn .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 33/74
 31. Tribu et espace probabiliste.

Les événements issus d’une expérience forment un ensemble noté F

et appelé tribu. L’abréviation A ∈ F signifie alors que A est un
événement. Une tribu F doit vérifier :
∅ ∈ F.
Si A ∈ F , alors A ∈ F .
Si A ∈ F et B ∈ F , alors A ∪ B ∈ F .
Enfin, le couple (Ω, F ) est appelé un espace probabiliste.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 34/74
 32. Un premier exemple de tribus.

La tribu la plus utilisée est celle formé de toutes les parties de Ω. On

la note P(Ω). Voici des exemples :
Si Ω = {a1 }, alors P(Ω) = {∅, {a1 }} = {∅, Ω}.
Si Ω = {a1 , a2 }, alors P(Ω) = {∅, {a1 } , {a2 } , Ω}.
Si Ω = {a1 , a2 , a3 }, alors
n o
P(Ω) = ∅, {a1 } , {a2 } , {a3 } , {a2 , a3 } , {a1 , a3 } , {a1 , a2 } , Ω .

On remarque que si Ω contient n éléments, alors P(Ω) contient 2n

éléments.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 35/74
 33. Un deuxième exemple de tribus.

n F ) un espace
Soit (Ω, o probabiliste et E un événement. Posons
F 0 = ∅, E , E , Ω et vérifions que c’est une tribu.
F 0 contient clairement ∅.
F 0 contient A pour tout A dans F 0 . En effet,
si A = ∅, alors A = Ω ∈ F 0 .
si A = E , alors A = E ∈ F 0 .
si A = E , alors A = E ∈ F 0 .
si A = Ω, alors A = ∅ ∈ F 0 .
Si A ∈ F 0 et B ∈ F 0 , alors A ∪ B ∈ F 0 . En effet, on a
A ∪ B ∈ F 0 lorsque A ∈ {∅, Ω} ou B ∈ {∅, Ω} ou A = B. En
dehors de ces cas, il reste juste E ∪ E = Ω qui est dans F 0 .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 36/74
 34. Propriétés élémentaires des tribus.

Soit (Ω, F ) un espace probabiliste et A et B deux événements.

On a A ∩ B ∈ F , c’est-à-dire que A ∩ B est un événement. En
effet,

A∩B = A∩B
= A∪B (par la loi de De Morgan).

Comme A ∈ F et B ∈ F , on a alors C = A ∪ B ∈ F . Par

suite C = A ∩ B ∈ F .
On a A \ B ∈ F . En effet, on a A \ B = A ∩ B qui est dans F
d’après le point précédent.
Enfin, on a Ω ∈ F . En effet, on a Ω = ∅ et ∅ ∈ F .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 37/74
 35. Notion de probabilité.

Une probabilité, notée P, sur un espace probabiliste (Ω, F ) est une

fonction qui mesure la "chance" qu’un événement donné soit réalisé.
Cette probabilité vérifie :
P(A) > 0 pour tout événement A.
P(A ∪ B) = P(A) + P(B) pour tous A et B des événements
disjoints.
P(Ω) = 1 et P(∅) = 0.
Le triplet (Ω, F , P) s’appelle un espace probabilisé.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 38/74
 36. Propriétés élémentaires de probabilité.

Soit (Ω, F , P) un espace probabilisé.

On a P(∅) = 0 puisque

P (∅) = P (∅ ∪ ∅) = P (∅) + P (∅) .

Si A, B ∈ F sont tels que A ⊂ B, alors P(A) 6 P (B). En effet,

P (B) = P (A ∪ (B \ A)) = P (A) + P (B \ A)

puisque A ∩ (B \ A) = ∅. Comme P (B \ A) > 0, on trouve l’inégalité

désirée.
P(A) ∈ [0, 1] pour tout événement A. En effet, on sait déjà que P(A) > 0.
D’un autre coté, comme A ⊂ Ω, on a P(A) 6 P (Ω) = 1
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) pour tous A et B. Voir TD.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 39/74
 37. Notion d’équiprobabilité.

On dit qu’il y a équiprobabilité, lorsque les événements élémentaires

ont la même probabilité de se réaliser. Dans ce cas,
1
P(A) =
card(Ω)

pour tout événement élémentaire A.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 40/74
 38. Notion d’équiprobabilité (suite).

En cas d’équiprobabilité, si A = {a1 , . . . , ar } est un événement, alors

P(A) = P ({a1 , . . . , ar })
= P ({a1 }) + · · · + P ({ar })
1 1 r
= card(Ω) + · · · + card(Ω) = card(Ω) .

card(A)
Par suite, on a P(A) = card(Ω) pour tout événement A.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 41/74
 39. Un exemple avec équiprobabilité.

On considère une urne qui contient m boules blanches numérotées

de 1 à m et n boules rouges numérotées de 1 à n. Ces boules sont
indiscernables au toucher. On tire au hasard une boule et on
cherche la probabilité que cette boule soit blanche. Dans ce cas :
Ω = {(b, 1), . . . , (b, m), (r , 1), . . . , (r , n)}, où (b, i) est pour
désigner la boule blanche numéro i et (r , j) est pour désigner la
boule rouge numéro j.
le tirage étant au hasard, on a équiprobabilité.
la probabilité à chercher est celle de l’événement A formé des
boules blanches, c’est-à-dire que A = {(b, 1), . . . , (b, m)}.
Par équiprobabilité, on a

card(A) m
P(A) = = .
card(Ω) m+n

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 42/74
 40. Le même exemple avec non équiprobabilité.

On considère une urne qui contient m boules blanches et n boules

rouges indiscernables au toucher. On tire au hasard une boule et on
cherche la probabilité que cette boule soit blanche. Dans ce cas :
Ω = {b, r }, où b et r est pour désigner la couleur de la boule
tirée.
la probabilité à chercher est celle de l’événement A = {r }.
Remarquer que card(A) = 1 et que card(Ω) = 2.
On a déjà vu que
m
P(A) = .
m+n
card(A)
Par contre card(Ω) = 12 . On n’a pas d’équiprobabilité sauf si m = n.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 43/74
 41. Un autre exemple avec équiprobabilité.

On considère une série de n lancers d’une pièce de monnaie équilibrée.

On rappelle que pile correspond à 0 et que face correspond à 1.
On peut donc voir un résultat comme un mot binaire de longueur n.
L’espace Ω est l’ensemble de tous les mots de longueur n, c’est-à-dire que
Ω = {0, 1}n . Son cardinal est 2n .
On cherche à déterminer la probabilité d’avoir k faces dans cette série de tirages.
Obtenir k faces signifie que le résultat correspond à un mot de longueur n
et de poids k.
La probabilité recherchée est donc celle de l’événement A formé des mots de
longueur n et de poids k. Par équiprobabilité, on a

card(A) Ck
P(A) = = nn ·
card(Ω) 2

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 44/74
 42. Notion de probabilité conditionnelle.

On se donne un espace probabilisé (Ω, F , P) et deux événements A

et B avec P(B) 6= 0. La probabilité conditionnelle de A sachant B
notée P(A|B) ou encore PB (A) est définie par :

P(A ∩ B)
P(A|B) = .
P(B)

Lorsque P(B) = 0, on convient que P(A|B) = 0.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 45/74
 43. Probabilité conditionnelle : un exemple.

Une urne contient 90 boules noires, 9 boules blanches et 1 boule rouge. On tire
une boule au hasard. La probabilité de l’événement A : “la boule tirée est
9
blanche” est clairement P(A) = 100 qui est une probabilité faible.
On ajoute l’information : la boule tirée n’est pas noire qui constitue un nouveau
1 9
événement B. Avec P(B) = 10 et P(A ∩ B) = P(A) = 100 , on a

P(A ∩ B)
P(A|B) = = 9/10
P(B)
qui est une grande probabilité.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 46/74
 44. Formule des probabilités composées.

Théorème 3 (Formule des probabilités composées)

Soient A1 , . . . , An des événements et A = A1 ∩ · · · ∩ An . Alors,

P (A) = P (A1 ) × P (A2 |A1 ) × P (A3 |A1 ∩ A2 ) × · · · × P (An |A1 ∩ · · · ∩ An−1 ) .

Démonstration.
Si on note ` le second membre de la formule des probabilités composées
ci-dessus, alors
P(A1 ∩A2 ) P(A1 ∩A2 ∩A3 ) P(A1 ∩···∩An )
` = P (A1 ) × P(A1 )
× P(A1 ∩A2 )
× ··· × P(A1 ∩···∩An−1 )

qui donne, après simplifications, ` = P (A).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 47/74
 45. Formule des probabilités composées. Un exemple.

Considérons une urne contenant 4 boules blanches et 6 boules rouges. On tire

successivement 3 boules sans remise et on cherche la probabilité d’obtenir 3
boules blanches qui est la probabilité de l’événement A = A1 ∩ A2 ∩ A3 , où Ai
est l’évènement : la i-ème boule tirée est blanche pour i = 1, 2, 3. On a
4
clairement P (A1 ) = 10 = 25 . D’un autre coté,
3 1 2 1
P (A2 |A1 ) = = et P (A3 |A1 ∩ A2 ) = = .
9 3 8 4
Par la formule des probabilités composées, on trouve
2 1 1 1
P (A) = × × = .
5 3 4 30

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 48/74
 46. Application au tirage sans remise.
Considérons une urne contenant b > 2 boules blanches et n boules noires. On
tire successivement et sans remise k boules avec k entre 2 et b.
L’objectif est de chercher la probabilité d’obtenir k boules blanches.
La probabilité recherchée est celle de l’événement A = A1 ∩ · · · ∩ Ak , où Ai est
l’évènement : la i-ème boule tirée est blanche pour i = 1, . . . , k.
b
On a clairement P (A1 ) = b+n
·
P (A2 |A1 ) est la probabilité de tirer une boule blanche sachant qu’on a déjà
b−1
tiré une boule blanche. Donc P (A2 |A1 ) = b+n−1 ·
Plus généralement, P (Ai |A1 ∩ · · · ∩ Ai−1 ) est la probabilité de tirer une
boule blanche sachant qu’on a déjà tiré i − 1 boules blanches. Donc
b−i+1
P (Ai |A1 ∩ · · · ∩ Ai−1 ) = b+n−i+1 pour i = 2, . . . , k.
Par la formule des probabilités composées, on trouve

P (A) = P (A1 ) × P (A2 |A1 ) × P (A3 |A1 ∩ A2 ) × · · · × P (Ak |A1 ∩ · · · ∩ Ak−1 )

b b−1 b−2 b−k+1
= b+n
× b+n−1 × b+n−2 × · · · × b+n−k+1
b! (b+n−k)! b! k!(b+n−k)! Ckb
= (b+n)!
× (b−k)!
= k!(b−k)!
× (b+n)!
= Ck
·
b+n

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 49/74
 47. Formule des probabilités totales.

Des événements A1 , . . . , An forment un système complet d’événements s’ils sont

deux à deux disjoints et si Ω = A1 ∪ · · · ∪ An .

Théorème 4 (Formule des probabilités totales)

Si A1 , . . . , An est un système complet d’événements et A est un événement, alors

P (A) = P (A|A1 ) P (A1 ) + · · · + P (A|An ) P (An ) .

Démonstration.
Si on note ` le second membre de la formule des probabilités totales ci-dessus,
alors
1 ∩A) n ∩A)
` = P (A1 ) × P(A
P(A1 )
+ · · · + P (An ) × P(A
P(An )
= P (A1 ∩ A) + · · · + P (An ∩ A) .
Comme les événements (A1 ∩ A) , . . . , (An ∩ A) sont deux à deux disjoints et
que leur réunion est égale à A, on trouve ` = P (A).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 50/74
 48. Formule des probabilités totales. Un exemple.

On considère urne contenant n boules blanches et n boules rouges. On tire

successivement 2 boules sans remise et on cherche la probabilité que la 2-ème
boule soit blanche qui est la probabilité de l’événement A = A2 , où Ai est
l’évènement : la i-ème boule tirée est blanche pour i = 1, 2. On a besoin du
système complet B0 et B1 , où Bi est l’événement : on trouve exactement i
boules blanches dans le premier tirage. On a
n n−1
P (A|B0 ) = et P (A|B1 ) = .
2n − 1 2n − 1
Comme P (B0 ) = P (B1 ) = 12 , on trouve
2n − 1 1
P (A) = = .
2(2n − 1) 2

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 51/74
 49. Formule de Bayes.
Pour 2 événements A et B, on a P (A ∩ B) = P (A|B) P (B) = P (B|A) P (A). En
particulier, si P (B) 6= 0, alors

P (B|A) P (A)
P (A|B) = .
P (B)
C’est la formule de Bayes. En combinant la formule de Bayes et la formule des
probabilités totales, on trouve le résultat suivant :

Théorème 5
Si A1 , . . . , An est un système complet d’événements et B est un événement, alors
P (B|Ai ) P (Ai )
P (Ai |B) =
P (B|A1 ) P (A1 ) + · · · + P (B|An ) P (An )
pour tout i = 1, . . . , n.

Démonstration.
Il suffit d’appliquer la formule de Bayes pour A = Ai et la formule des
probabilités totales

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 52/74
 50. Formule de Bayes. Exemple.

On dispose de deux urnes U1 et U2 . L’urne U1 contient 3 boules blanches et 4

boules noires et l’urne U2 contient 5 boules blanches et 2 boules noires. On tire
au hasard une boule dans l’une des deux urnes et on cherche la probabilité qu’elle
soit tirée dans l’urne U1 sachant qu’elle est blanche. Pour cela, on introduit
l’événement Ai : le tirage s’est effectué dans Ui et l’événement B : la boule tirée
est blanche. La probabilité recherchée est donc P (A1 |B) qui est donnée par :

P (B|A1 ) P (A1 )
P (A1 |B) =
P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 )

puisque A1 et A2 forment un système complet. Comme P (A1 ) = P (A2 ) = 12 ,

P (B|A1 ) = 37 et P (B|A2 ) = 75 , on trouve
3
7 3
P (A1 |B) = 3 5
= .
7
+ 7
8

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 53/74
 51. Indépendance d’événements.

Définition 6
Des événements A1 , . . . , An sont mutuellement indépendants si pour tous
i1 , . . . , ik tels que 1 6 i1 < · · · < ik 6 n et k > 2, on a

P (Ai1 ∩ · · · ∩ Aik ) = P (Ai1 ) × · · · × P (Aik ) . (2)

Pour mieux comprendre la définition précédente, prenons le cas de n = 3. Dans

ce cas, k peut prendre les valeurs de 2 ou 3. Pour k = 2, on trouve :

P (A1 ∩ A2 ) = P (A1 ) P (A2 ) ,

P (A1 ∩ A3 ) = P (A1 ) P (A3 ) ,
P (A2 ∩ A3 ) = P (A2 ) P (A3 ) .

Pour k = 3, l’égalité (2) est

P (A1 ∩ A2 ∩ A3 ) = P (A1 ) P (A2 ) P (A3 ) .

Lorsque n = 2, on dit que deux événements sont indépendants s’ils sont

mutuellement indépendants.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 54/74
 52. Indépendance d’événements. Exemple.

On considère l’expérience qui consiste à lancer deux fois une pièce de monnaie
équilibrée. Soient A, B et C les événements :
- A : “les deux résultats obtenus sont les mêmes”,
- B : “le premier résultat obtenu est pile”,
- C : “le deuxième résultat obtenu est face”.
D’un coté, on a : P (A) = P (B) = P (C ) = 12 . D’un autre coté,
1
P (A ∩ B) = P (A ∩ C ) = P (B ∩ C ) = 4
et P (A ∩ B ∩ C ) = 0.

Par suite, les événements A, B et C

- sont deux à deux indépendants.
- ne sont pas mutuellement indépendants.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 55/74
 53. Indépendance et probabilité conditionnelle.

Deux événements A et B peuvent être vus comme des informations. Savoir au

préalable l’information B pourra affecter la probabilité de réalisation de A. En
cas d’indépendance des événements A et B, cette probabilité n’est pas affectée.
Cela se traduit par :
P (A ∩ B) P (A) P (B)
P (A|B) = = = P (A) .
P (B) P (B)

Réciproquement, si P (A|B) = P (A), alors les deux événements A et B sont

indépendants.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 56/74
 54. Notion de variable aléatoire (une introduction).

Dans l’expérience du lancer d’une pièce de monnaie, nous avons associé 0 au

résultat pile et 1 au résultat face. Cette association peut être énoncée de la
manière suivante : 
0 si ω = pile
X (ω) = (3)
1 si ω = face.
Dans ce cas, X est une application (association) de Ω = {pile, face} à valeurs
dans R. Les valeurs prises par X sont 0 et 1.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 57/74
 55. Notion de variable aléatoire.

Définition 7
Une variable aléatoire X sur un espace probabiliste (Ω, F ) est une application de
Ω à valeurs dans R telle que les résultats ω vérifiant X (ω) 6 r forment un
événement, c’est-à-dire un élément de F , pour tout r dans R.

Notations utiles : Soit X est une variable aléatoire X sur (Ω, F ).

Si r est un nombre réel et ≺ est l’un des symboles 6, >, <, > ou =, alors
l’événement formé des résultats ω vérifiant X (ω) ≺ r se note [X ≺ r ].
Si A = {a1 , . . . , an } est une partie finie de R, on note [X ∈ A] l’événement
[X = a1 ] ∪ · · · ∪ [X = an ].
Si Ω = {ω1 , . . . , ωk }, la partie {X (ω1 ) , . . . , X (ωk )} est dite ensemble des
valeurs prises par X et se note X (Ω).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 58/74
 56. Un exemple de variable aléatoire.

On lance une pièce de monnaie 3 fois et on note X le nombre de faces obtenues.

Dans ce cas, on a Ω = {PPP, PPF, PFP, PFF, FPP, FPF, FFP, FFF}. Par
exemple, le résultat FPF signifie l’obtention de face, pile puis face
respectivement aux lancers 1, 2 et 3. On a alors

X (PPP) = 0, X (PPF) = 1, X (PFP) = 1, X (PFF) = 2,

(4)
X (FPP) = 1, X (FPF) = 2, X (FFP) = 2, X (FFF) = 3.

En particulier, on a X (Ω) = {0, 1, 2, 3} et

[X = 0] = {PPP} , −→ card [X = 0] = 1 = C03

[X = 1] = {PPF, PFP, FPP} , −→ card [X = 1] = 3 = C13
[X = 2] = {PFF, FPF, FFP} , −→ card [X = 2] = 3 = C23
[X = 3] = {FFF} , −→ card [X = 3] = 1 = C33 .

De manière générale, si on lance une pièce de monnaie n fois et si on note X le

nombre de faces obtenues, alors X (Ω) = {0, 1, . . . , n} et pour tout k dans X (Ω),
on a :
card [X = k] = Ckn .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 59/74
 57. Loi d’une variable aléatoire.

Définition 8
La loi d’une variable aléatoire X définie sur un espace probabilisé (Ω, F , P) est
la probabilité notée PX et définie sur l’espace probabiliste (Ω0 , F 0 ), avec
Ω0 = X (Ω) et F 0 = P (Ω0 ) l’ensemble des parties de Ω0 , par :

PX (A) = P [X ∈ A]

pour tout A dans F 0 .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 60/74
 58. Loi d’une variable aléatoire. Exemple

On lance une pièce de monnaie 2 fois et on note X le nombre de faces obtenues.

Alors Ω = {PP, PF, FP, FF}, Ω0 = X (Ω) = {0, 1, 2} et

F 0 = {∅, {0} , {1} , {2} , {1, 2} , {0, 2} , {0, 1} , {0, 1, 2}} .

Dans ce cas, on a
PX (∅) = 0,
PX ({0}) = P [X = 0] = P ({PP}) = 41 ,
PX ({1}) = P [X = 1] = P ({PF, FP}) = 12 ,
PX ({2}) = P [X = 2] = P ({FF}) = 14 ,
PX ({1, 2}) = PX ({1}) + PX ({2}) = 34 ,
PX ({0, 2}) = PX ({0}) + PX ({2}) = 21 ,
PX ({0, 1}) = PX ({0}) + PX ({1}) = 43 ,
PX ({0, 1, 2}) = PX (Ω0 ) = 1.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 61/74
 59. Exemple : Loi uniforme.

Définition 9
On dit qu’une variable aléatoire X définie sur un espace probabilisé (Ω, F , P)
1
suit la loi uniforme si PX ({z}) = cardX (Ω)
pour tout z dans X (Ω), c’est-à-dire
qu’on a équiprobabilité sur X (Ω) selon la loi de probabilité PX .

Exemple : On lance un dé non biaisé et on note X la valeur de la face

supérieure du dé. Les valeurs possibles de X sont 1, 2, 3, 4, 5 et 6, c’est-à-dire
que X (Ω) = {1, 2, 3, 4, 5, 6}. À chaque lancer du dé, la probabilité d’obtenir une
valeur z de X (Ω) est égale à 16 .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 62/74
 60. Exemple : Loi de Bernoulli.

Définition 10
On dit qu’une variable aléatoire X définie sur un espace probabilisé (Ω, F , P)
suit la loi de Bernoulli de paramètre p si X (Ω) = {0, 1} et PX ({1}) = p. Dans
ce cas, on écrit X ,→ B(p).

Remarque 2
Soit X une variable aléatoire définie sur un espace probabilisé (Ω, F , P) avec
X ,→ B(p). On rappelle que PX ({1}) = P ([X = 1]) = p et que X (Ω) = {0, 1}.
Dans ce cas,
PX ({0}) = 1 − PX ({1}) = 1 − p
puisque PX ({0}) + PX ({1}) = PX (X (Ω)) = 1.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 63/74
 61. Un exemple pour la loi de Bernoulli.

Une urne contient 7 boules numérotées 0 et 3 boules numérotés 1 et qui sont

indiscernables au toucher. On tire au hasard une boule et on note X son numéro.
Les valeurs prises par X sont donc 0 et 1, c’est-à-dire que X (Ω) = {0, 1}. La
7 3
probabilité d’obtenir 0 est clairement 10 et celle d’obtenir 1 est 10 . En d’autres
termes,
7 3
PX ({0}) = et PX ({1}) = .
10 10
3
La variable aléatoire X suit donc la loi de Bernoulli de paramètre p = 10 .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 64/74
 62. Exemple : Loi Binomiale.

Définition 11
On dit qu’une variable aléatoire X définie sur un espace probabilisé (Ω, F , P)
suit la loi binomiale de paramètre (n, p), avec p ∈ [0, 1], si X (Ω) = {0, . . . , n} et
PX ({k}) = Ckn p k (1 − p)n−k pour tout k dans X (Ω). Dans ce cas, on écrit
X ,→ B(n, p).

Remarque 3
Soit X une variable aléatoire définie sur un espace probabilisé (Ω, F , P) avec
X ,→ B(n, p). Si n = 1, alors X (Ω) = {0, 1} et

PX ({1}) = C11 p 1 (1 − p)1−1 = p.

Dans ce cas, X ,→ B(p).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 65/74
 63. Un exemple pour la loi binomiale.

Une urne contient b boules blanches et n boules noires indiscernables au toucher.

b
Donc p = b+n est la proportion des boules blanches. On tire au hasard 3 fois de
suite avec remise une boule et on note X le nombre de boules blanches tirées. Les
valeurs prises par X sont 0, 1, 2, 3 ; X (Ω) = {0, 1, 2, 3}, où Ω = {B, N}3 . Alors
[X = 0] = {NNN} et donc PX ({0}) = (1 − p)3 = C03 p 0 (1 − p)3−0 .
[X = 1] = {BNN, NBN, NNB} et donc

PX ({1}) = 3p(1 − p)2 = C13 p 1 (1 − p)3−1 .

[X = 2] = {BNB, BBN, NBB} et donc

PX ({2}) = 3p 2 (1 − p) = C23 p 2 (1 − p)3−2 .

[X = 3] = {BBB} et donc PX ({3}) = p 3 = C33 p 3 (1 − p)3−3 .

La variable aléatoire X suit donc la loi binomiale de paramètre (3, p).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 66/74
 64. Opérations sur les variables aléatoires.

Proposition 7
Soit X et Y des variables aléatoires définies sur un même espace probabilisé
(Ω, F , P). Alors les applications X + Y et XY définies par :

(X + Y )(ω) = X (ω) + Y (ω) et (XY )(ω) = X (ω) × Y (ω),

pour tout ω ∈ Ω, sont aussi des variables aléatoires sur (Ω, F , P).

Par simple récurrence sur n, on montre qu’on a aussi

Proposition 8
Si X1 , . . . , Xn des variables aléatoires définies sur un même espace probabilisé
(Ω, F , P), alors X1 + · · · + Xn et X1 × · · · × Xn sont aussi des variables aléatoires
sur (Ω, F , P).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 67/74
 65. Indépendance des variables aléatoires.

Définition 12
Des variables aléatoires X1 , . . . , Xn définies sur un même espace probabilisé
(Ω, F , P) sont indépendantes si pour tous z1 de X1 (Ω), . . . , zn de Xn (Ω), les
événements [X1 = z1 ] , . . . , [Xn = zn ] sont mutuellement indépendants.

Théorème 13
Soient X1 , . . . , Xn des variables aléatoires définies sur un même espace
probabilisé (Ω, F , P) indépendantes et suivant chacune la loi de Bernoulli de
paramètre p. Alors la variable aléatoire

X = X1 + · · · + Xn

suit la loi binomiale de paramètre (n, p).

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 68/74
 66. Un exemple d’application.

Une urne contient b boules blanches et n boules noires indiscernables au toucher.

b
Donc p = b+n est la proportion des boules blanches. On tire au hasard m fois de
suite avec remise une boule. On introduit les variables aléatoires X1 , . . . , Xm
définies par :

1 si le tirage numéro k donne une boule blanche,
Xk =
0 si le tirage numéro k donne une boule noire

et on pose X = X1 + · · · + Xm . Puisqu’à chaque fois qu’une boule tirée est

blanche on ajoute 1, X est le nombre de boules blanches tirées. Comme chaque
Xk suit la loi de Bernoulli de paramètre p et que les variables aléatoires
X1 , . . . , Xm sont indépendantes vu l’indépendance des tirages, X suit la loi
binomiale de paramètre (m, p). En particulier, on a

PX ({k}) = Ckm p k (1 − p)m−k .

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 69/74
 67. Espérance d’une variable aléatoire.
Définition 14
Soit X une variable aléatoire définie sur un espace probabilisé (Ω, F , P) avec
X (Ω) = {a1 , . . . , an }. L’espérance de X est le nombre E(X ) défini par :
n
P
E(X ) = a1 PX (a1 ) + · · · + an PX (an ) = ak PX (ak ) .
k=1

On a la propriété suivante :

Proposition 9
Soient X1 , . . . , Xn des variables aléatoires définies sur un même espace
probabilisé (Ω, F , P) et α1 , . . . , αn des nombres réels. Alors
n
P
E (α1 X1 + · · · + αn Xn ) = α1 E (X1 ) + · · · + αn E (Xn ) = αk E (Xk ) .
k=1

Si on prend et α1 = · · · = αn = 1, alors
n
P
E (X1 + · · · + Xn ) = E (X1 ) + · · · + E (Xn ) = E (Xk ) .
k=1

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 70/74
 68. Espérance de X lorsque X ,→ B(p).

On suppose que X ,→ B(p), c’est-à-dire que X suit la loi de

Bernoulli de paramètre p. On rappelle que X (Ω) = {0, 1},
PX (0) = 1 − p et PX (1) = p. Donc l’espérance de X est :
1
P
E(X ) = kPX (k) = p.
k=0

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 71/74
 69. Espérance de X lorsque X ,→ B(n, p).
Si X ,→ B(n, p), on a X (Ω) = {0, 1, . . . , n} et PX (k) = Ckn p k (1 − p)n−k pour
tout k dans X (Ω). Donc l’espérance de X est :
n n
kCkn p k (1 − p)n−k .
P P
E(X ) = kPX (k) =
k=1 k=1

Comme kCkn = nCk−1

n−1 pour k = 1, . . . , n, on a :

n
Ck−1 k n−k
P
E(X ) = n n−1 p (1 − p)
k=1
n−1
Cin−1 p i+1 (1 − p)n−1−i ,
P
= n i =k −1
i=0
n−1
Cin−1 p i (1 − p)n−1−i .
P
= np
i=0

Par la formule du binôme de Newton, on a

n−1

Cin−1 p i (1 − p)n−1−i = (p + 1 − p)n−1 = 1

X

i=0

et par suite E(X ) = np.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 72/74
 70. Espérance de X lorsque X ,→ B(n, p) (suite).

Si X ,→ B(n, p), on va calculer E(X ) de manière plus simple que celle qu’on
vient de voir dans la page précédente. On rappelle que X peut s’écrire :

X = X1 + · · · + Xn

avec X1 , . . . , Xn des variables aléatoires indépendantes et suivant chacune la loi

de Bernoulli de paramètre p. Donc l’espérance de X est :
n
P n
P
E(X ) = E (Xk ) = p
k=1 k=1

et par suite E(X ) = np.

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 73/74
 Fin du cours

Département Génie Informatique 2020-2021 Cours : Théorie des probabilités. Page 74/74