NOTES DE COURS DE

CALCUL DE PROBABILITE

Année : 2020

Enseignant : Serge Victorien W. RAMDE

Ingénieur Statisticien Economiste (ISE)
PLAN DU COURS
CHAPITRE 1 : LES ENSEMBLES ET LE DÉNOMBREMENT .......................................... 1
1. Ensemble ........................................................................................ 1
1.1. Généralités ................................................................................ 1
1.2. Opérations sur les ensembles .......................................................... 2
1.3. Produit cartésien ......................................................................... 4
2. Dénombrement................................................................................. 5
2.1. Cardinal d'une union d'ensembles - Formule du crible de Poincaré ........... 5
2.2. Cardinal d’un produit et p-liste ....................................................... 6
2.3. Arrangements et permutations ........................................................ 7
2.4. Combinaisons.............................................................................. 8
3. Formule du binôme de Newton ............................................................. 9
CHAPITRE 2 : LE MODELÉ DE PROBABILITÉ ....................................................... 10
1. Ensemble fondamental et évènements ................................................... 10
2. Probabilité ..................................................................................... 10
3. La probabilité uniforme ..................................................................... 11
4. Indépendance et conditionnement ........................................................ 12
4.1. Probabilités conditionnelles........................................................... 12
4.2. Indépendance ............................................................................ 13
CHAPITRE 3 : VARIABLE ALÉATOIRE ET LOIS DISCRÈTES....................................... 14
1. Loi d’une variable aléatoire discrète ..................................................... 14
2. Fonction de répartition...................................................................... 14
3. Moments des v.a. discrètes ................................................................. 15
3.1. Espérance ................................................................................. 15
3.2. Variance et écart type ................................................................. 15
4. Lois usuelles discrètes ....................................................................... 16
4.1. Loi de Bernoulli .......................................................................... 16
4.2. Loi Binomiale 𝑩(𝒏, 𝒑) ................................................................... 16
4.3. Loi Uniforme sur {1, …, n} ............................................................. 17
4.4. Loi de Poisson ............................................................................ 17
4.5. Loi géométrique 𝑮(𝒑) .................................................................. 18
Chapitre 4 : LOIS USUELLES CONTINUES ......................................................... 19
1. Définition et fonction de densité .......................................................... 19
2. Loi uniforme ................................................................................... 20
3. Loi normale .................................................................................... 20
4. Loi exponentielle ............................................................................. 21
CHAPITRE 1 : LES ENSEMBLES ET LE DÉNOMBREMENT

1. Ensemble
1.1. Généralités
1.1.1. Définitions

Si 𝑢1 , 𝑢2 , … , 𝑢𝑝 sont des objets mathématiques quelconques alors on peut

former l'ensemble :
𝐸 = {𝑢1 , 𝑢2 , … , 𝑢𝑝 }
On dit alors que chaque 𝑢𝑖 (1 ≤ 𝑖 ≤ 𝑝) est un élément de l'ensemble E ou

alternativement que 𝑢𝑖 appartient à E et on écrit : 𝑢𝑖 ∈ 𝐸

Exemples :

1 / Ensembles de nombres entiers naturel : soit 𝑛 ∈ 𝐼𝑁 : l’ensemble {1,2, … , 𝑛} se

note aussi [|1; 𝑛|].

2/ L’ensemble ne comportant aucun élément est appelé l’ensemble vide

𝐸=∅

3/ 𝐼𝑅 est l’ensemble des nombres réels : √2 ∈ 𝐼𝑅; 𝑒 ∈ 𝐼𝑅 etc…

Égalité entre ensembles :

Deux ensembles sont égaux si et seulement si ils ont les mêmes éléments.

{1, 2} = {2, 1} = {1, 1, 2} les répétitions d’éléments et d’ordre d’écriture des

éléments de l’ensemble ne modifie pas l’ensemble.

Cardinal d’un ensemble :

1/ Le nombre d'éléments distincts d'un ensemble E est appelé le cardinal de E

et noté Card(E) ou |E|
2/ Le cardinal d'un ensemble peut être infini
3/ Lorsque le cardinal de l'ensemble E est fini, on parle d'ensemble fini
4/ Un ensemble de cardinal égal à 1 est un singleton.

1
 1.1.2. Sous-ensemble ou partie d’un ensemble
Soient E et F deux ensembles. On dit que F est inclus dans E et on écrit
𝐹⊂𝐸
Lorsque tout élément de l'ensemble F est aussi un élément de E.
Autrement dit :
𝐹⊂𝐸 ⇔ ∀ 𝑥 ∈ 𝐹, 𝑥 ∈ 𝐸
Lorsque F est inclus dans E, on dit que F est un sous-ensemble ou encore une
partie de E.
Propositions :
Les assertions suivantes sont vraies quelques soient les ensembles E, F et G :

(i) On a toujours : ∅ ⊂ 𝐸 et 𝐸 ⊂ 𝐸

(ii) (Transitivité) Si 𝐸 ⊂ 𝐹 et 𝐹 ⊂ 𝐺 alors 𝐸 ⊂ 𝐺

(iii) (Double inclusion) On a (𝐹 = 𝐸) ⇔ ((𝐸 ⊂ 𝐹 ) 𝐸𝑇 (𝐹 ⊂ 𝐸 ))

Proposition-Cardinalité d’une partie

Soit E un ensemble fini et A un sous-ensemble de E.
(i) alors A est un ensemble fini et 𝐶𝑎𝑟𝑑(𝐴) ≤ 𝐶𝑎𝑟𝑑(𝐸)

(ii) si de plus, Card(A) = Card(E), alors A = E.

1.1.3. Ensemble des parties d’un ensemble

Pour tout ensemble E, on note 𝑃(𝐸) l’ensemble formé par toutes parties de E
Ainsi P(E) est un ensemble dont chacun des éléments est un ensemble.

Exercices :
Si 𝐸 = {1, 2} ; 𝐸 = {1, 2,3} alors calculer P(E)

1.2. Opérations sur les ensembles

1.2.1. Intersections, unions
Soient E et F deux ensembles.
On appelle intersection de E et F, notée 𝐸 ∩ 𝐹 l'ensemble des éléments qui
appartiennent à E et à F.

2
On appelle union/réunion de E et F, notée 𝐸 ∪ 𝐹 l'ensemble des éléments qui
appartiennent à E ou à F.
Deux ensembles E et F tels que 𝐸 ∩ 𝐹 = ∅; sont dits disjoints.
Propriétés :
1/ relatives intersection
(i) 𝐴 ∩ 𝐵 = 𝐵 ∩ 𝐴 (commutativité de l’opération ∩)
(ii) 𝐴 ∩ 𝐴 = 𝐴 et 𝐴 ∩ ∅ = ∅
(iii) 𝐴 ∩ (𝐵 ∩ 𝐶) = (𝐴 ∩ 𝐵) ∩ 𝐶 (associativité de l’opération ∩)
2/ relatives à l’union
(i) 𝐴 ∪ 𝐵 = 𝐵 ∪ 𝐴 (commutativité de l’opération ∪)
(ii) 𝐴 ∪ 𝐴 = 𝐴 et 𝐴 ∪ ∅ = 𝐴
(iii) 𝐴 ∪ (𝐵 ∪ 𝐶) = (𝐴 ∪ 𝐵) ∪ 𝐶 (associativité de l’opération ∪)
3/ relatives à l’intersection et l’union :
(i) 𝐴 ∩ (𝐵 ∪ 𝐶) = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶) (distributivité de ∩ 𝑠𝑢𝑟 ∪)
(ii) 𝐴 ∪ (𝐵 ∩ 𝐶) = (𝐴 ∪ 𝐵) ∩ (𝐴 ∪ 𝐶) ( distributivité de ∪ 𝑠𝑢𝑟 ∩)

Généralisation à une famille d’ensembles

Plus généralement, si (𝐴𝑖 )𝑖 ∈ 𝐼 est une famille d’ensembles :
Leur réunion, notée ∪𝑖 ∈ 𝐼 𝐴𝑖 est définie par :

𝑥 ∈ ⋃ 𝐴𝑖 ⇔ ∃𝑖 ∈ 𝐼, 𝑥 ∈ 𝐴𝑖
𝑖∈𝐼

Leur intersection, notée ⋂ 𝑖 ∈ 𝐼 𝐴𝑖 est définie par :

𝑥 ∈ ⋂ 𝐴𝑖 ⇔ ∀𝑖 ∈ 𝐼, 𝑥 ∈ 𝐴𝑖
𝑖∈𝐼

1.2.2. Complémentaire d’une partie dans un ensemble

Soit E un ensemble et A une partie de E.
On appelle complémentaire de A dans E, et on note ∁𝐸 𝐴 (ou simplement 𝐴̅
quand aucune confusion n'est possible...), l'ensemble des éléments de E
n'appartenant pas à A :
∁𝐸 𝐴 = {𝑥 ∈ 𝐸 , 𝑥 ∉ 𝐴}

3
Propriétés :
Soient E un ensemble et A et B deux parties de E.

∁𝐸 𝐸 = ∅ ; ∁𝐸 ∅ = 𝐸 ; ∁𝐸 (∁𝐸 𝐴) = 𝐴

∁𝐸 𝐴 ∩ 𝐴 = ∅ ; ∁𝐸 𝐴 ∪ 𝐴 = 𝐸
∁𝐸 (𝐴 ∪ 𝐵) = ∁𝐸 𝐴 ∩ ∁𝐸 𝐵 ; ∁𝐸 (𝐴 ∩ 𝐵) = ∁𝐸 𝐴 ∪ ∁𝐸 𝐵
Exercice :

1. Soient E un ensemble et A et B deux parties de E. Simplifier l'expression de

𝐴 ∩ ∁𝐸 𝐵) ∪ (𝐴 ∩ 𝐵)
2. Montrer que 𝐸 = ∁𝐸∪𝐹 𝐹 ∪ (𝐸 ∩ 𝐹) ; 𝐹 = ∁𝐸∪𝐹 𝐸 ∪ (𝐸 ∩ 𝐹) ;
𝐸 ∪ 𝐹 = 𝐸 = ∁𝐸∪𝐹 𝐹 ∪ (𝐸 ∩ 𝐹) ∪ ∁𝐸∪𝐹 𝐸
Différence ensembliste
Soient A et B deux parties d’un ensemble E. on note 𝐴\𝐵 l’ensemble défini par
𝑥 ∈ 𝐴\𝐵 ⇔ 𝑥 ∈ 𝐴 𝑒𝑡 𝑥 ∉ 𝐵
Proposition (Règle de De Morgan)
1/ (⋃𝑛𝑖=1 𝐴𝑖 ) ∩ 𝐵 = ⋃𝑛𝑖=1(𝐴𝑖 ∩ 𝐵)
2/ (⋂𝑛𝑖=1 𝐴𝑖 ) ∪ 𝐵 = ⋂𝑛𝑖=1(𝐴𝑖 ∪ 𝐵)
3/ (⋃𝑛𝑖=1 𝐴𝑖 )𝑐 = ⋂𝑛𝑖=1 𝐴𝑖 𝑐 ; (⋂𝑛𝑖=1 𝐴𝑖 )𝑐 = ⋃𝑛𝑖=1 𝐴𝑖 𝑐
(preuve)

1.2.3. Partition
Soit un ensemble E. Une famille (𝐸𝑖 )𝑖 ∈ 𝐼 de parties non vides de E est une
partition de E si :

⋃ 𝐸𝑖 = 𝐸
{ 𝑖∈𝐼
∀ 𝑖 ∈ 𝐼, ∀ 𝑗 ∈ 𝐼, (𝑖 ≠ 𝑗 ⇒ 𝐸𝑖 ∩ 𝐸𝑗 = ∅)

1.3. Produit cartésien

On appelle produit cartésien de n ensembles 𝐸1 , 𝐸2 , , … , 𝐸𝑛 , l'ensemble des suites

finies :
𝐸1 𝚡 𝐸2 𝚡 … 𝚡𝐸𝑛 = {(𝑥1 , 𝑥2 , … , 𝑥𝑛 ): 𝑥1 ∈ 𝐸1 , 𝑥2 ∈ 𝐸2 , … , 𝑥𝑛 ∈ 𝐸𝑛 }

4
Lorsque 𝐸1 = 𝐸2 = ⋯ = 𝐸𝑛 = 𝐸 (i.e. tous les ensembles sont identiques) on le note

simplement 𝐸 𝑛 .

Exemple : L'ensemble des couples ordonnés de réels (x; y) se note 𝑅 2 . Cet

ensemble se représente généralement par le plan muni d'un repère.

Exercice 1. : Soient A une partie d'un ensemble E et B une partie d'un ensemble

F.
Démontrer qu'en général, le complémentaire de A 𝚡 B dans E 𝚡 F n'est pas égal

à ∁𝐸 𝐴 𝚡 ∁𝐹 𝐵.

Exercice 2. : A l'aide d'un dessin, exprimer simplement l'intersection [0, 2]2 ∩

[1, 3]2

2. Dénombrement
2.1. Cardinal d'une union d'ensembles - Formule du
crible de Poincaré
Propriété 1 : Union d'ensembles finis disjoints deux à deux.
a/ Si deux ensembles finis E et F sont disjoints (𝐸 ∩ 𝐹 = ∅) alors :

Card(𝐸 ∪ 𝐹 ) = Card(E) + Card(F)

b/ Si 𝐸1 , 𝐸2 , … , 𝐸𝑛 sont des ensembles finis deux à deux disjoints alors :

Card(𝐸1 ∪ 𝐸2 ∪ … ∪ 𝐸𝑛 ) = Card(E1) + Card(E2) + : : : + Card(En)

c/ Si 𝐸1 , 𝐸2 , … , 𝐸𝑛 forment une partition d'un ensemble E alors

Card(E1) + Card(E2) + : : : + Card(En) = Card(E)

En particulier si A est une partie d'un ensemble fini E :

Card(A) + Card(∁𝐸 𝐴) = Card(E)

Propriété 2 : Union d'ensembles finis - Crible de Poincaré.

a/ Cas de deux ensembles : soient E et F deux ensembles finis alors :
Card(𝐸 ∪ 𝐹 ) = Card(E) + Card(F)- Card(𝐸 ∩ 𝐹 )

5
b/ Cas de trois ensembles : soient E, F et G trois ensembles fins alors :
Card(E ∪F ∪ G) = Card(E)+Card(F)+Card(G) - Card(E∩F) - Card(E∩G) -
Card(F∩G)+Card(E∩F∩G)
Exercice :
Soient E, F, G, H quatre ensembles. Déterminer une formule donnant
Card(E ∪ F ∪ G ∪ H) en fonction des cardinaux de E, F, G et H ainsi que de leurs
intersections.

2.2. Cardinal d’un produit et p-liste

2.2.1. Cardinal du produit cartésien

Soient n et m deux entiers naturels et 𝐸 = {𝑎1 , 𝑎2 , … , 𝑎𝑛 } et 𝐹 = {𝑏1 , 𝑏2 , … , 𝑏𝑚 } deux
ensembles de cardinaux respectifs n et m.
Alors les éléments de l’ensemble ExF peuvent se disposent dans un tableau :
(𝑎1 , 𝑏1 ) (𝑎1 , 𝑏2 ) ….. (𝑎1 , 𝑏𝑚 )
(𝑎2 , 𝑏1 ) (𝑎2 , 𝑏2 ) ….. (𝑎2 , 𝑏𝑚 )
. . .
. . .
. . .
(𝑎𝑛 , 𝑏1 ) (𝑎𝑛 , 𝑏2 ) ….. (𝑎𝑛 , 𝑏𝑚 )
Il apparaît alors évident que le cardinal de ExF est :
Card(ExF)=Card(E)*Card(F) =nm
Propriété :

Soit 𝑛 ∈ 𝐼𝑁. Soient 𝐸1 , 𝐸2 , … , 𝐸𝑛 des ensembles finis alors

𝐶𝑎𝑟𝑑(𝐸1 𝚡 𝐸2 𝚡 … 𝚡𝐸𝑛 ) = 𝐶𝑎𝑟𝑑(𝐸1 ) ∗ 𝐶𝑎𝑟𝑑(𝐸2 ) ∗ … ∗ 𝐶𝑎𝑟𝑑(𝐸𝑛 )

2.2.2. p-listes d’un ensemble

cas typique : on lance un dé deux fois de suite. Combien de résultats différents
peut-on obtenir ? on peut représenter le résultat par un couple d’entier
compris entre 1 et 6 : (5,2) signifie que le premier lancé a donné 5 et le
deuxième 2. L’ensemble des résultats possible est donc ⟦1, 6⟧𝚡⟦1, 6⟧ de cardinal
6*6=36
Caractéristiques :

6
L’ordre des lancés est comptabilisé, la répétition d’un résultat est possible d’un
lancé sur l’autre.
Définition
On appelle p-list ou p-upplet d’un ensemble E, tout élément de 𝐸 𝑝 c’est-à-dire
tout élément de la forme :
(𝑥1 , 𝑥2 , … , 𝑥𝑝 ) ∀ 𝑖 ∈ ⟦1, 𝑝⟧ , 𝑥𝑖 ∈ 𝐸
On a :
𝐶𝑎𝑟𝑑( 𝐸 𝑝 ) = (𝐶𝑎𝑟𝑑(𝐸))𝑝
Théorème- Nombre de p-listes
Le nombre de p-liste d’un ensemble E à n éléments est de 𝑛𝑝
Exercice :

Combien existe-t-il de suite (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) telles que chaque 𝑥𝑖 soit un nombre

entier tel que −2 ≤ 𝑥𝑖 ≤ 2 ?
Comment se note l’ensemble formé par ces suites ?
Exercice :
A la cantine, il y a le choix entre quatre entrées, trois plats et quatre desserts.
Combien y a-t-il de menus possibles ?

2.3. Arrangements et permutations

2.3.1. p-arrangements d’un ensemble
Cas typique : le tiercé : le joueur parie sur le premier, le deuxième et le troisième
cheval.
Caractéristiques : L’ordre est important entre les chevaux gagnants et ils sont
deux à deux distincts.
Définition :
Soit E un ensemble et 𝑝 ∈ 𝐼𝑁 ∗ . On appelle arrangement de p éléments de E
(ou plus simplement p -arrangement de E) toute suite de p éléments distincts
de E.
Le nombre d’arrangement à p-éléments d’un ensemble à n éléments est noté
𝐴𝑝𝑛

7
Si 𝑝 > 𝑛 la notion de p-arrangements d’un ensemble à n éléments n’a plus de
sens !
O note par convention 𝐴𝑝𝑛 = 0 dans ce cas.
Exemples :
(1, 8, 5) est un 3-arragement de IN. Par contre (8, 8, 8) et (7, 5, 7) ne sont pas des
3-arrangements de IN mais bien des 3-listes de IN.
Exercice : déterminer tous les 1-arrangements, les 2-arrangements de
l’ensemble 𝐸 = {1, 2, 3}
Proposition
Soient n et p deux entiers supérieurs ou égaux à 1. Alors :
𝐴𝑝+1 𝑝
𝑛+1 = (𝑛 + 1)𝐴𝑛

Théorème- nombre de p-arrangements d’un ensemble à n éléments

Soient n et p deux entiers ≥ 1 tels que 𝑝 ≤ 𝑛. Alors
𝑛!
𝐴𝑝𝑛 = 𝑛(𝑛 − 1)(𝑛 − 2) … (𝑛 − 𝑝 + 1) =
(𝑛 − 𝑝)!
(démontre par récurrence)

2.3.2. permutations
C’est le cas particulier où n=p .
soit E un ensemble à n éléments. On appelle permutation de E tout n-
arrangement de E.
Nombre de permutations :

Soit E un ensemble à n éléments. Alors il y a n ! Permutations de E. Autrement

dit il y a n ! façons de ranger n éléments distincts dans tous les ordres possibles.
Remarque : une permutation peut être vue comme une bijection d’un
ensemble E sur lui-même.

2.4. Combinaisons
Cas typique : on choisit simultanément 3 cartes dans un jeu de 32 cartes.
Nombre de possibilités ?
Définition

8
Soit E un ensemble à n éléments. On appelle combinaison de p éléments de E
toute partie de E à p éléments. Le nombre de combinaisons de p éléments
d’un ensemble de n éléments est noté (𝑛𝑝) .

Remarque :

1 / les éléments d’une combinaison de p éléments de E sont deux à deux

distincts donc 0 ≤ 𝑝 ≤ 𝐶𝑎𝑟𝑑 (𝐸)
2 / l’ordre des éléments d’une combinaison n’a pas d’importance
3/ les nombres (𝑛𝑝) sont aussi appelés coefficients binomiaux. On trouve parfois

la notation 𝐶𝑝𝑛 .
Proposition.
Pour tout entier n et p tels que 0 ≤ 𝑝 ≤ 𝑛 , on a :
𝑝
𝑛 𝐴𝑛 𝑛!
( )= =
𝑝 (𝑛
𝑝! 𝑝! − 𝑝)!

3. Formule du binôme de Newton

Proposition : triangle de Pascal

Pour tous n et p deux nombres entiers positifs tels que : 𝑝 ≤ 𝑛 − 1, on a :

𝑛−1 𝑛−1 𝑛
( )+( )=( )
𝑝−1 𝑝 𝑝
Théorème : Formule du binôme deNEWTON
Soient a, b deux nombres réels et n entier. Alors :
𝑛
𝑛
(𝑎 + 𝑏) = ∑ ( ) 𝑎𝑘 𝑏 𝑛−𝑘
𝑛
𝑘
𝑘=0

Application : dénombrement de P(E)

Si E est un ensemble à n éléments alors 𝐶𝑎𝑟𝑑(𝑃(𝐸)) = 2𝑛
Démonstration
Notons pour tout ⟦0, 𝑛⟧, 𝐸𝑘 l’ensemble des parties de E à k éléments.
Alors la famille (𝐸𝑘 )0≤𝑘≤𝑛 est une partition de P(E) donc 𝐶𝑎𝑟𝑑(𝑃(𝐸)) =
∑𝑛𝑘=0 𝐶𝑎𝑟𝑑 (𝐸𝑘 )

Or on a vu que 𝐶𝑎𝑟𝑑 (𝐸𝑘 ) = (𝑛𝑝) donc

𝐶𝑎𝑟𝑑(𝑃(𝐸)) = ∑𝑛𝑘=0 (𝑛𝑝) = (1 + 1)𝑛 = 2𝑛

9
CHAPITRE 2 : LE MODELÉ DE PROBABILITÉ
1. Ensemble fondamental et évènements
Définition :
Une expérience aléatoire est une action, une procédure, qui donne un résultat
imprévisible, mais dont on connait précisément l’ensemble des résultats
possibles. Cet ensemble noté 𝛺, est appelé ensemble fondamental ou univers
ou ensemble des possibles.
Exemples :
✓ Lancer d’un dé. On observera un résultat 𝑘 ∈ {1,2, … ,6}.
✓ Sondage auprès de 1000 utilisateurs d’un téléphone portable. On
observera le nombre d’abonnés à orange.
✓ Parcours d’un taxi. On observera une fonction continue (trajectoire).
✓ Mise en service d’un ordinateur. On observera sa durée de
fonctionnement qui appartient à IR+.
Définition :
On appelle évènement élémentaire tout élément 𝜔 de 𝛺. C’est un résultat
possible de l’expérience aléatoire. On appelle évènement toute partie de 𝛺.
Exemples :
On lance un dé. Alors 𝛺 = {1, 2, … ,6}. L’évènement A : « on obtient un chiffre
pair » est constitué des trois évènements élémentaires :2 , 4 et 6.
On a 𝐴 = {2, 4, 6}.
On lance trois fois une pièce de monnaie. Tout évènement est de la forme
𝜔 = (𝑟1 , 𝑟2 , 𝑟3 ) . L’évènement B « on obtient pile au deuxième lancer » est : 𝐵 =
{(𝑓, 𝑝, 𝑓), (𝑓, 𝑝, 𝑝), (𝑝, 𝑝, 𝑓), (𝑝, 𝑝, 𝑝), }.
Ou encore on cherche le nombre de « face » obtenus. Alors 𝛺 = {0, 1, 2, 3}.

2. Probabilité
Soit une expérience aléatoire et 𝛺 l’espace des possibles associés. Une
probabilité P sur 𝛺 est une application définie sur l’ensemble des évènements
qui vérifie :
Axiome 1 : 0 ≤ 𝑃(𝐴) ≤ 1, pour tout évènement A.

10
Axiome 2 : Pour toute suite d’évènement (𝐴𝑖 )𝑖∈𝐼𝑁 deux à deux incompatibles

𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐴𝑖 )
𝑖∈𝐼𝑁 𝑖∈𝐼𝑁

Axiome 3 : 𝑃(𝛺) = 1
Remarque : Les évènement (𝐴𝑖 )𝑖∈𝐼𝑁 𝑠𝑜𝑛𝑡 deux à deux incompatibles, si pour
tous 𝑖 ≠ 𝑗, 𝐴𝑖 ∩ 𝐴𝑗 = ∅ .
Définition
Soit une expérience aléatoire modélisée par un espace des possibles 𝛺 et une
probabilité P. on appelle le couple (𝛺, 𝑃) un espace de probabilité.
Corollaire
Si 𝛺 est dénombrable (c’est-à-dire fini ou en bijection avec IN), on peut
numéroter les évènements élémentaires 𝜔1 , 𝜔2 , …. Les évènements
élémentaires sont deux à deux incompatibles et pour tout élément A, on peut
écrire
𝐴 = ⋃𝜔∈𝐴{𝜔} et , d’après le deuxième axiome,
𝑃(𝐴) = ∑𝜔∈𝐴 𝑃(𝜔).
Proposition :
Soient A et B deux évènements.
1/ si A et B sont incompatibles,
𝑃(𝐴 ∪ 𝐵 = 𝑃(𝐴) + 𝑃(𝐵)
2/ 𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴)
3/ 𝑃(∅) = 0
4/ Si 𝐴 ⊂ 𝐵, 𝑃(𝐴) ≤ 𝑃(𝐵)
5/ 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
6/ 𝑃(𝐴 ∪ 𝐵) ≤ 𝑃(𝐴) + 𝑃(𝐵)
3. La probabilité uniforme
Considérons une expérience aléatoire, dont l’ensemble fondamental 𝛺 est fini
et tel que chaque évènement élémentaire a la même probabilité. On parle
dans ce cas d’évènement équiprobable. Notons 𝑝 la probabilité commune
des évènements élémentaires. Alors :

1 = 𝑃(𝛺) = ∑ 𝑃(𝜔) = ∑ 𝑝 = 𝑝 ∗ |𝛺|

𝜔∈𝛺 𝜔∈𝛺

11
 1
D’où 𝑝 = 𝑃(𝜔) = |𝛺| pour tout 𝜔. La probabilité ainsi définie sur l’ensemble 𝛺

s’appelle probabilité uniforme.

Proposition :
Dans le cadre de la probabilité uniforme, la probabilité d’un évènement A est :
|𝐴|
𝑃(𝐴) = ∑ 𝑃(𝜔) =
|𝛺|
𝜔∈𝐴

4. Indépendance et conditionnement
4.1. Probabilités conditionnelles
Etant donnés deux évènements A et B avec 𝑃(𝐵) > 0, on appelle probabilité
de A conditionnellement à B, ou sachant B la probabilité notée 𝑃(𝐴\𝐵) définie
par :
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴\𝐵) =
𝑃(𝐵)
On peut écrire aussi : 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴\𝐵) ∗ 𝑃(𝐵)
Proposition
Soit B un évènement tel que 𝑃(𝐵) > 0. Alors la probabilité conditionnelle
sachant B, 𝑃(.\𝐵) est une nouvelle probabilité.
Corollaire
Soit A un évènement tel que 𝑃(𝐴) > 0.
1/ ∀ 𝑃(𝐵 𝑐 \𝐴) = 1 − 𝑃(𝐵\𝐴); 𝑃(∅\𝐴) = 0
2/ si 𝐵 ⊃ 𝐴, 𝑃(𝐵\𝐴) = 1
3/ Pour tous B et C, 𝑃(𝐵 ∪ 𝐶\𝐴) = 𝑃(𝐵\𝐴) + 𝑃(𝐶\𝐴) − 𝑃(𝐵 ∩ 𝐶\𝐴)
Proposition
Soient (𝐸𝑖 )1≤𝑖≤𝑛 des évènements. On peut calculer la probabilité de leur
intersection en conditionnant successivement grâce à la formule :
𝑃(𝐸1 ∩ 𝐸2 ∩ … .∩ 𝐸𝑛 ) = 𝑃(𝐸1 )𝑃(𝐸2 \𝐸1 ) … 𝑃(𝐸𝑛 \𝐸1 ∩ 𝐸2 ∩ … ∩ 𝐸𝑛−1 )
Proposition (formule des probabilités totales)
Soient (𝐴𝑖 )𝑖∈𝐼 une partition de 𝛺. Pour tout évènement B, on a

𝑃(𝐵) = ∑ 𝑃(𝐵\𝐴𝑖 )𝑃(𝐴𝑖 )

𝑖∈𝐼

Cas particulier :

12
Pour tout évènement A, (A, Ac) forme une partition de 𝛺. On a donc, pour tout
évènement B.
𝑃(𝐵) = 𝑃(𝐵\𝐴) ∗ 𝑃(𝐴) + 𝑃(𝐵\𝐴𝑐 ) ∗ 𝑃(𝐴𝑐 )
Proposition (Formule de Bayes)
Soit (𝐴𝑖 ) une partition de 𝛺 et B un évènement de probabilité non nulle.
Alors pour tout i,
𝑃(𝐵\𝐴𝑖 )𝑃(𝐴𝑖 )
𝑃(𝐴𝑖 \𝐵) =
∑𝑗 𝑃(𝐵\𝐴𝑗 )𝑃(𝐴𝑗 )
4.2. Indépendance
Deux évènements A et B sont dits indépendant si 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵)
Proposition
Soient A et B des évènements de probabilité non nulle. Les trois égalités
suivantes sont équivalentes :
1/ 𝑃(𝐵\𝐴) = 𝑃(𝐵)
2/ P(A-B)=P(A)
3/ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵)
Proposition
Si A et B sont indépendants il en est de même pour A et Bc , Ac et B, Ac et Bc.
Définition
Soit une famille finie d’évènements (𝐴𝑖 )1≤𝑖≤𝑛 . Ces évènements sont
(mutuellement) indépendants si pour tout sous-ensemble 𝐴𝑖1 , …, 𝐴𝑖𝑟 de taille
𝑟 ≤ 𝑛.
𝑃(𝐴𝑖1 ∩ … ∩ 𝐴𝑖𝑟 ) = 𝑃(𝐴𝑖1 ) … . 𝑃(𝐴𝑖𝑟 )
Définition
Soit une suite infinie d’évènement (𝐴𝑖 )𝑖 ∈ 𝐼𝑁 . Ces évènements sont
(mutuellement) indépendants si pour tout sous-ensemble fini 𝐴𝑖1 , …, 𝐴𝑖𝑟 extrait
de cette suite, est un ensemble d’évènements indépendants.

13
CHAPITRE 3 : VARIABLE ALÉATOIRE ET LOIS DISCRÈTES
Définition
On appelle variable aléatoire (v. a.) toute fonction définie sur 𝛺.
Soit X une v.a. à chaque évènement élémentaire 𝜔, on fait correspondre une
quantité 𝑋(𝜔).
1. Loi d’une variable aléatoire discrète
Soit X une v.a. sur un espace de probabilité (𝛺, 𝑃).
Soit 𝑋(𝛺) = {𝑋(𝜔), 𝜔 ∈ 𝛺} l’ensemble des valeurs que peut prendre X. On
suppose que 𝑋(𝛺) est dénombrable, et on peut nommer ses éléments
𝑥0 , 𝑥1 , … En fait, une v.a. qui ne prend qu’un nombre de valeurs est dite discrète.
On note (𝑋 = 𝑥) l’ensemble
𝑋 −1 ({𝑥}) = {𝜔 ∶ 𝑋(𝜔) = 𝑥}
On a (𝑋 = 𝑥) ⊂ 𝛺 , il s’agit d’un évènement, et on peut calculer sa probabilité.

Proposition
La famille des ({X = x𝑘 })𝑥𝑘 ∈𝑋(𝛺) forme une partition de 𝛺.

Définition
On appelle loi de la v.a. X la donnée des probabilités
𝑝𝑘 = 𝑃(𝑋 = 𝑥𝑘 ) 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑥𝑘 ∈ 𝑋(𝛺)
Remarque :
Comme la suite ({X = x𝑘 })𝑥𝑘 ∈𝑋(𝛺) forme une partition de 𝛺, l’ensemble des 𝑝𝑘
vérifie

∑ 𝑝𝑘 = 1
𝑘

2. Fonction de répartition
Soit X une v.a. On appelle fonction de répartition de X la fonction de IR dans
[0, 1] définie pour tout 𝑥 ∈ 𝐼𝑅 par
𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥]
Proposition
Soit F une fonction de répartition. Alors

14
1/ F est croissante
2/ F est continue à droite et admet une limite à gauche en tout point
𝑥 é𝑔𝑎𝑙𝑒 à 𝑃[𝑋 < 𝑥]
3/ lim 𝐹(𝑥) = 0 ; lim 𝐹(𝑥) = 1
𝑥→ −∞ 𝑥→ +∞

3. Moments des v.a. discrètes

3.1. Espérance
Soit X une v.a.d. sur un espace (𝛺, 𝑃). On appelle espérance de X le réel noté
𝐸(𝑋) donné par 𝐸(𝑋) = ∑𝑘 ∈ 𝑋(𝛺) 𝑘𝑃(𝑋 = 𝑘)
L’espérance d’une v.a. est la moyenne des valeurs que peut prendre X
pondérée par les probabilités de ces valeurs. On appelle souvent l’espérance
tout simplement moyenne de X. Elle correspond a une valeur moyenne autour
de laquelle sont répartie les valeurs que peut prendre X.
Théorème (théorème de transfert)
Soit X une v.a. f une fonction définie sur 𝑋(𝛺). Alors

𝐸[𝑓(𝑋)] = ∑ 𝑓(𝑘)𝑃(𝑋 = 𝑘)
𝑘 ∈ 𝑋(𝛺)

Exemple : soit X le résultat d’un lancer de dé

6
6 1
𝐸(𝑋 2 ) = ∑ 𝑘 2 𝑃(𝑋 = 𝑘) = ∑ 𝑘 2 = 91⁄6
𝑘=1 6
𝑘=1

Proposition (linéarité)
Soient X une v.a. et a et b deux réels. Alors
𝐸[𝑎𝑋 + 𝑏] = 𝑎𝐸[𝑋] + 𝑏
3.2. Variance et écart type
On appelle variance d’une v.a. X la quantité :
2
𝑉𝑎𝑟(𝑋) = 𝐸 [(𝑋 + 𝐸(𝑋)) ] = 𝐸(𝑋 2 ) − 𝐸(𝑋)2

L’écart type de X , noté 𝜎(𝑋) est définie par

𝜎(𝑋) = √𝑉𝑎𝑟 (𝑋)
Proposition
Soit X une v.a. et a et b deux réels. On a
𝑉𝑎𝑟 (𝑎𝑋 + 𝑏) = 𝑎2 𝑉𝑎𝑟 (𝑋)
Proposition

15
Var (X)=0 ssi X est une constante égale à E(X).

4. Lois usuelles discrètes

4.1. Loi de Bernoulli
Une épreuve de Bernoulli est une expérience qui se conclu par un succès (si
l’évènement auquel on s’intéresse est réalisé) ou un échec.
Schéma de Bernoulli 𝑩(𝒑)
1/ Chaque épreuve a deux issues : succes [S] ou échec [E].
2/ Pour chaque épreuve, la probabilité d’un succès est la même, notons 𝑃(𝑆) =
𝑝 𝑒𝑡 𝑃(𝐸) = 1 − 𝑝.
3/ Les épreuves sont indépendantes : la probabilité d’un succès ne varie pas,
elle ne dépend pas des informations sur les résultats des autres épreuves.

Une v.a. est associée à une épreuve de Bernoulli 𝑩(𝒑) quand la proba d’un
succès est p.
Soit X la v.a. qui vaut 1 en cas de succès 0 sinon. Alors
𝑃(𝑋 = 1) = 𝑃(𝑆) = 𝑝
𝑃(𝑋 = 0) = 𝑃(𝐸) = 𝑞 = 1 − 𝑝
Espérance et variance
𝐸(𝑋) = 𝑝
𝑉𝑎𝑟(𝑋) = 𝑝(1 − 𝑝)
4.2. Loi Binomiale 𝑩(𝒏, 𝒑)
On répète ici la même expérience, dans les mêmes conditions et on s’intéresse
à chaque fois à la réalisation d’un évènement.
Théorème
Soit un schéma de Bernoulli où p est la probabilité d’un succès à une épreuve
de Bernoulli et n est le nombre d’épreuve de Bernoulli effectuées. L’univers est :
𝛺 = {𝑆, 𝐸}𝚡 … 𝚡{𝑆, 𝐸} = {𝑆, 𝐸}𝑛
Notons X la v.a. égale au nombre de succès. La loi de X s’appelle la loi
binomiale 𝐵(𝑛, 𝑝) et elle est donnée
𝑃(𝑋 = 𝑘) = (𝑛𝑘)𝑝𝑘 (1 − 𝑝)𝑛−𝑘 pour 𝑘 = 0, 1, … , 𝑛

16
C’est la loi du nombre X de succès quand on répète n fois la même épreuve
de Bernoulli, dont la probabilité d’un succès est p.
Espérance et variance
𝐸(𝑋) = 𝑛𝑝
𝑉𝑎𝑟(𝑋) = 𝑛𝑝(1 − 𝑝)
4.3. Loi Uniforme sur {1, …, n}
On dit que X est une suit la loi uniforme sur {1, …,n} si
𝑃(𝑋 = 𝑘) = 1/𝑛 pour tout 𝑘 ∈ {1, … , 𝑛}
Dans ce cas, les évènements [X=k] sont équiprobables.
Espérance et variance
𝑛+1
𝐸(𝑋) =
2
(𝑛 − 1)(𝑛 + 1)
𝑉𝑎𝑟(𝑋) =
12
4.4. Loi de Poisson
On dit que X est une v.a. de loi de Poisson de paramètre 𝜆 si elle prend ses
valeurs dans IN et pour tout, 𝑘 ≥ 0.
𝜆𝑘
𝑃(𝑋 = 𝑘) = exp (−𝜆)
𝑘!
Espérance et variance
𝐸(𝑋) = 𝜆
𝑉𝑎𝑟(𝑋) = 𝜆
Utilisation de la loi de Poisson
On utilise la loi de Poisson comme approximation de la loi binomiale 𝐵(𝑛, 𝑝)
quand p est petit mais n grand.
En pratique l’approximation est bonne dès que 𝑛 ≥ 50 𝑒𝑡 𝑝 ≤ 0,1. Elle est autant
meilleur quand n est grand et p petit avec 𝑛𝑝 ≤ 10.
Plus formellement, si (𝑝𝑛 ) est une suite de réels de [0, 1] vérifiant
𝑛𝑝 → 𝜆 𝑞𝑢𝑎𝑛𝑑 𝑛 → ∞ alors,
𝑛 𝑘 𝑛−𝑘
𝜆𝑘
( ) 𝑝𝑛 (1 − 𝑝𝑛 ) → exp (−𝜆)
𝑘 𝑘!
Quand → ∞ . Ainsi, pour n grand et p petit
(𝑛𝑝)𝑘
𝑃(𝑥 = 𝑘) 𝑒𝑠𝑡 𝑝𝑟𝑜𝑐ℎ𝑒 𝑑𝑒 exp (−𝑛𝑝) 𝑘!

17
 4.5. Loi géométrique 𝑮(𝒑)
On reprend le cadre du schéma de Bernoulli : on répète la même épreuve de
Bernoulli, les répétitions étant indépendantes les unes des autres jusqu’à
l’obtention du premier succès. La loi géométrique est la loi du nombre Y
d’essais nécessaires. Ainsi Y est à valeurs dans IN* et, pour tout 𝑛 ≥ 1.
𝑃(𝑌 = 𝑛) = 𝑝(1 − 𝑝)𝑛−1
Espérance et variance
1
𝐸(𝑋) =
𝑝
1−𝑝
𝐸(𝑋) =
𝑝2

18
Chapitre 4 : LOIS USUELLES CONTINUES

1. Définition et fonction de densité

On appelle v.a. continue, toute fonction X de 𝛺 dans IR, qui peut prendre
comme valeurs tous les nombres réels d’un intervalle I de IR.

Une v.a. continue est définie par sa fonction de densité ou par sa fonction de
répartition.

Définition
On appelle fonction de densité ou densité de probabilité toute fonction f
définie, continue et positive sur un intervalle I de IR telle que l’intégrale de f sur
I soit égale à 1.

Autrement dit f est une densité de probabilité sur l’intervalle I lorsque :

1/ f est continue sur I

2/ f est positive sur I i.e. 𝑥 ∈ 𝐼, 𝑓(𝑥) ≥ 0

3/ ∫𝐼 𝑓(𝑥)𝑑𝑥 = 1

Définition
Si X est une variable aléatoire continue sur [a, b], la probabilité de l’évènement
{𝑋 ∈ [𝑎, 𝑏]} où [a, b] est un intervalle de I, est égale à l’aire sous la courbe f sur
𝑏
[a, b], soit 𝑃(𝑋 ∈ [𝑎, 𝑏]) = ∫𝑎 𝑓(𝑡)𝑑𝑡 .

Propriétés
Soit X une v.a. continue à valeurs dans un intervalle I muni d’une fonction de
densité f. Alors
1 / Probabilité d’un point. ∀ 𝑐 ∈ 𝐼 𝑃(𝑋 = 𝑐) = 0
2/ Les bornes sont pas d’importance. ∀ 𝑐, 𝑑 ∈ 𝐼
𝑃(𝑐 ≤ 𝑋 ≤ 𝑑) = 𝑃(𝑐 ≤ 𝑋 < 𝑑) = 𝑃(𝑐 < 𝑋 ≤ 𝑑) = 𝑃(𝑐 < 𝑋 < 𝑑)
3/ Évènement contraire. ∀ 𝑥 ∈ 𝐼 𝑃(𝑋 > 𝑐) = 1 − 𝑃(𝑋 ≤ 𝑐)
Espérance et variance
Soit X une v.a. continue de fonction de densité f sur un intervalle [a, b].

19
 𝑏
L’espérance mathématique de X est le réel 𝐸(𝑋) = ∫𝑎 𝑡𝑓(𝑡)𝑑𝑡
2
Et la variance 𝑉𝑎𝑟(𝑋) = 𝐸 [(𝑋 + 𝐸(𝑋)) ] = 𝐸(𝑋 2 ) − 𝐸(𝑋)2

2. Loi uniforme
Une v.a. X suit une loi uniforme sur l’intervalle [a, b] si X est une v.a. continue
de densité f constante.

1
, 𝑥 ∈ [𝑎, 𝑏]
𝑓(𝑥) = {𝑏 − 𝑎
0 𝑥 ∉ [𝑎, 𝑏]
Propriété
Pour [c, d] contenu dans l’intervalle [a, b], on a
𝑑−𝑐
𝑃(𝑐 ≤ 𝑋 ≤ 𝑑) =
𝑏−𝑎
Espérance et variance
𝑎+𝑏 (𝑏−𝑎)2
𝐸(𝑋) = et 𝑉(𝑋) =
2 12

3. Loi normale
Loi Normale centrée réduite
On dit que X suit une loi normale centrée réduite et on note 𝑋~ 𝑁(0,1) si sa loi
admet pour densité la fonction.
1 𝑥2
−
𝑓(𝑥) = 𝑒 2
√2𝜋
La fonction de répartition correspondante n’a pas de formule simple.
𝑥 𝑡2
1
𝛷(𝑥) = ∫ 𝑒 − 2 𝑑𝑡
−∞ √2𝜋

𝐸(𝑋) = 0 𝑒𝑡 𝑉𝑎𝑟(𝑋) = 1
On note 𝛷 la fonction de répartition de la loi normale centrée réduite.
Théorème
Si une v.a. X suit une loi normale centrée réduite alors pour tous réels a et b tel
que 𝑎 ≤ 𝑏 on a :
1/ 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝜑(𝑏) − 𝜑(𝑎)
2/ 𝑃(𝑋 ≥ 𝑎) = 1 − 𝜑(𝑎)
3/ 𝑃(𝑋 ≤ −|𝑎|) = 1 − 𝜑(𝑎)

20
Théorème
Soit X une v.a. qui suite une loi normale centrée réduite. Soit 𝛼 ∈]0, 1[. Il existe
un unique réel strictement positif 𝜇𝛼 tel que :
𝑃(−𝜇𝛼 ≤ 𝑋 ≤ 𝜇𝛼 ) = 1 − 𝛼
Loi normale généralisée 𝑵(𝝁, 𝜎)
Soit 𝜇 𝑒𝑡 𝜎 deux réels on suppose 𝜎 ≠ 0 . On dit qu’une variable aléatoire X suit
une loi normale de moyenne 𝜇 et variance 𝜎 2 si la v.a.
𝑋−𝜇
𝑍= suit une loi normale centrée réduite.
𝜎

On note 𝑋~ 𝑁(𝜇, 𝜎). X a pour densité la fonction

1 (𝑥−𝜇)2
−
𝑓(𝑥) = 𝑒 2𝜎2
√2𝜋𝜎
On a 𝐸(𝑋) = 𝜇 𝑒𝑡 𝑉𝑎𝑟 (𝑋) = 𝜎 2
Addition
Si deux v.a. indépendantes 𝑋1 𝑒𝑡 𝑋2 suivent respectivement des lois normales
𝑁(𝑚1 , 𝜎1 ) et 𝑁(𝑚2 , 𝜎2 ), alors la v.a. 𝑋1 + 𝑋2 suit une loi normale
𝑁(𝑚1 + 𝑚2 , 𝜎1 + 𝜎2 )
Théorème de Moivre-Laplace
X est une v.a. qui suit la loi binomiale 𝐵(𝑛, 𝑝) et 𝑍 la v.a. tel que
𝑋−𝐸(𝑋) 𝑋−𝑛𝑝
𝑍= =
𝜎(𝑋) √𝑛𝑝(1−𝑛𝑝)

4. Loi exponentielle
Soit 𝜆 > 0 ; Une v.a. X suit une loi exponentielle de paramètre 𝜆 lorsque sa
densité de probabilité est la fonction f définie sur [0; +∞[ par :
𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 ou encore :
0 𝑠𝑖 𝑥 ≤ 0
𝑓(𝑥) = {
𝜆𝑒 −𝜆𝑥 𝑠𝑖 𝑥 ≥ 0
Espérance mathématique
Soit X une V.a. suivant la loi exponentielle de paramètre 𝜆 (𝜆 > 0 ) alors :
𝑥
𝐸(𝑋) = lim ∫ 𝑡. 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 1/𝜆
𝑥→∞ 0

Fonction de répartition
Si X est une variable aléatoire suivant une loi exponentielle de paramètre 𝜆, on
définit la fonction F appelée fonction de répartition de X de la façon suivante :

21
 0 𝑠𝑖 𝑥 ≤ 0
Pour tout 𝑥 ∈ 𝐼𝑅 , 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = {
1 − 𝑒 −𝜆𝑥 𝑠𝑖 𝑥 ≥ 0
Proposition
Soit 𝜆 > 0 ; Une v.a. X suit une loi exponentielle de paramètre 𝜆. Alors
𝑎, 𝑏 ∈ [0, +∞[; 𝑎𝑣𝑒𝑐 𝑎 < 𝑏, on a :
𝑎
1/ 𝑃(𝑋 ≤ 𝑎) = ∫0 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 1 − 𝑒 −𝜆𝑎

2/ 𝑃(𝑋 ≥ 𝑎) = 𝑒 −𝜆𝑎
3/ 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑒 −𝜆𝑎 − 𝑒 −𝜆𝑏
Proposition (Durée de vie sans vieillissement)
Soit X un v.a. qui suit une loi exponentielle de paramètre 𝜆. Alors, pour tout réel
t et h positif, on a :
𝑃𝑋≥𝑡 (𝑋 ≥ 𝑡 + ℎ) = 𝑃(𝑋 ≥ ℎ)

22