Chap 1:Éléments de Probabilités

Abdelghani SALHI

Ecole Normale Supérieure- Rabat.

2024 - 2025
I- Notions de probabilités
I- Notions de probabilités

La théorie des probabilités fournit des modèles mathématiques

permettant l’étude d’expériences dont on ne peut prévoir le
résultat avec certitude. Une telle expérience est appelée
expérience aléatoire. On appelle univers, noté Ω, tout ensemble
dont les éléments représentent tous les résultats possibles
d’une expérience aléatoire. L’ensemble des résultats possibles
est connu.
1)Événements
1)Événements
Définition
Soit une expérience aléatoire représentée par un univers Ω. Un
événement aléatoire est un sous-ensemble de Ω. On note T
l’ensemble des événements.
1)Événements
Définition
Soit une expérience aléatoire représentée par un univers Ω. Un
événement aléatoire est un sous-ensemble de Ω. On note T
l’ensemble des événements.
On distingue les événements simples ou événements
élémentaires qui sont constitués d’un seul élément (autrement
dit, un singleton), des événements composés.
1)Événements
Définition
Soit une expérience aléatoire représentée par un univers Ω. Un
événement aléatoire est un sous-ensemble de Ω. On note T
l’ensemble des événements.
On distingue les événements simples ou événements
élémentaires qui sont constitués d’un seul élément (autrement
dit, un singleton), des événements composés.
Remarque
0/ est Ω sont des événements.
Le langage probabiliste correspond aux opérations ensembliste. Le
tableau suivant donne un résumé de quelques opérations.
Le langage probabiliste correspond aux opérations ensembliste. Le
tableau suivant donne un résumé de quelques opérations.

Langage probabiliste Langage ensembliste

Un résultat de l’expérience ω ∈ Ω, un élément de Ω
Événement élémentaire singleton {ω}, ω ∈ Ω
Événement certain Ω
Événement impossible 0/
L’événement A ne se produit pas Ā
Événement “A ou B” A∪B
Événement “A et B” A∩B
A et B sont incompatible A ∩ B = 0/
A implique B A⊂B
Définition (Système complet d’événements)
Soit Ω un univers. On appelle système complet d’événements la
donnée de n événements de Ω, A1 , A2 , . . . An (n ∈ N),
▶ non vides i.e ∀i ∈ J1, nK Ai ̸= 0/ ,
▶ deux à deux disjoints i.e ∀(i , j ) ∈ J1, nK2 Ai ∩ Aj = 0/ ,
n
▶
S
Ai = Ω.
i =1
Définition (Système complet d’événements)
Soit Ω un univers. On appelle système complet d’événements la
donnée de n événements de Ω, A1 , A2 , . . . An (n ∈ N),
▶ non vides i.e ∀i ∈ J1, nK Ai ̸= 0/ ,
▶ deux à deux disjoints i.e ∀(i , j ) ∈ J1, nK2 Ai ∩ Aj = 0/ ,
n
▶
S
Ai = Ω.
i =1

Exemple
Dans le cas du “lancer d’un dé à 6 faces ”, les éventualités sont
1; 2; 3; 4; 5; 6, les événements élémentaires {1}, {2}, {3}, {4}, {5} et
{6}. Les événements sont les parties de Ω, par exemple, l’événement
“obtenir un nombre pair ” peut s’écrire Ap = {2; 4; 6}. Soit AI
l’événement “obtenir un nombre impair ”(AI = {1; 3; 5}). Les
événement AI et AP constituent un système complet d’événements.
2) Axiomatique de Kolmogorov
2) Axiomatique de Kolmogorov
Définition
Soient Ω un univers, T la famille des événements, et P une fonction à
valeurs réelles définie sur T . On dit que P est une fonction de
probabilité et que P (A) est la probabilité de l’événement A, si l’on a les
axiomes suivants :
P1 ) Pour chaque événement A , 0 ≤ P (A) ≤ 1.
P2 ) P (Ω) = 1.
P3 ) Si A et B sont des événements incompatibles (i.e A ∩ B = 0/ ),
alors P (A ∪ B ) = P (A) + P (B ).
P4 ) Si (An )n∈N est une suite d’événements deux à deux
incompatibles, alors
[
P( An ) = ∑ P (An ).
n∈N n∈N
Remarque
Quand l’ensemble fondamental Ω est fini, il est clair que les axiome
[P3 ] et [P4 ] sont équivalents.
Remarque
Quand l’ensemble fondamental Ω est fini, il est clair que les axiome
[P3 ] et [P4 ] sont équivalents.

Proposition
De l’axiomatique de Kolmogorov, on peut déduire les propriétés
suivantes :
Remarque
Quand l’ensemble fondamental Ω est fini, il est clair que les axiome
[P3 ] et [P4 ] sont équivalents.

Proposition
De l’axiomatique de Kolmogorov, on peut déduire les propriétés
suivantes :
1. P (0)
/ = 0.
Remarque
Quand l’ensemble fondamental Ω est fini, il est clair que les axiome
[P3 ] et [P4 ] sont équivalents.

Proposition
De l’axiomatique de Kolmogorov, on peut déduire les propriétés
suivantes :
1. P (0)
/ = 0.
2. P (Ā) = 1 − P (A).
Remarque
Quand l’ensemble fondamental Ω est fini, il est clair que les axiome
[P3 ] et [P4 ] sont équivalents.

Proposition
De l’axiomatique de Kolmogorov, on peut déduire les propriétés
suivantes :
1. P (0)
/ = 0.
2. P (Ā) = 1 − P (A).
3. si A ⊂ B, alors P (A) ≤ P (B ) et P (B ) = P (A) + P (B /A).
Remarque
Quand l’ensemble fondamental Ω est fini, il est clair que les axiome
[P3 ] et [P4 ] sont équivalents.

Proposition
De l’axiomatique de Kolmogorov, on peut déduire les propriétés
suivantes :
1. P (0)
/ = 0.
2. P (Ā) = 1 − P (A).
3. si A ⊂ B, alors P (A) ≤ P (B ) et P (B ) = P (A) + P (B /A).
4. P (B /A) = P (B ) − P (A ∩ B ).
Remarque
Quand l’ensemble fondamental Ω est fini, il est clair que les axiome
[P3 ] et [P4 ] sont équivalents.

Proposition
De l’axiomatique de Kolmogorov, on peut déduire les propriétés
suivantes :
1. P (0)
/ = 0.
2. P (Ā) = 1 − P (A).
3. si A ⊂ B, alors P (A) ≤ P (B ) et P (B ) = P (A) + P (B /A).
4. P (B /A) = P (B ) − P (A ∩ B ).
5. P (A ∪ B ) = P (A) + P (B ) − P (A ∩ B ).
Remarque
Quand l’ensemble fondamental Ω est fini, il est clair que les axiome
[P3 ] et [P4 ] sont équivalents.

Proposition
De l’axiomatique de Kolmogorov, on peut déduire les propriétés
suivantes :
1. P (0)
/ = 0.
2. P (Ā) = 1 − P (A).
3. si A ⊂ B, alors P (A) ≤ P (B ) et P (B ) = P (A) + P (B /A).
4. P (B /A) = P (B ) − P (A ∩ B ).
5. P (A ∪ B ) = P (A) + P (B ) − P (A ∩ B ).
6. P ( Ai ) ≤ ∑ P (Ai ).
S
i ∈I i ∈I
II- Comment définir une probabilité ?
II- Comment définir une probabilité ?

1) Sur un univers fini

II- Comment définir une probabilité ?

1) Sur un univers fini

Théorème (Germe de probabilité- cas fini)
Une probabilité sur un univers fini est entièrement caractérisée par sa
valeur sur les événements élémentaires.
Plus précisément, considérons un ensemble fini Ω = {ωi ; 1 ≤ i ≤ n}
n
et une suite de nombres réels positifs (pi )(1≤i ≤n) telle que ∑ pi = 1.
i =1
Alors, il existe une unique probabilité P sur Ω qui vérifie

(∀i ∈ J1, nK) P ({ωi }) = pi .

Exemple
On jette en l’air trois pièces de monnaie, et l’on observe le nombre de
faces obtenu.
Exemple
On jette en l’air trois pièces de monnaie, et l’on observe le nombre de
faces obtenu.
L’ensemble fondamental est Ω = {0, 1, 2, 3}. On obtient une
probabilité en écrivant
Exemple
On jette en l’air trois pièces de monnaie, et l’on observe le nombre de
faces obtenu.
L’ensemble fondamental est Ω = {0, 1, 2, 3}. On obtient une
probabilité en écrivant

1 3 3 1
P (0) = ; P (1) = ; P (2) = et P ( 3) = .
8 8 8 8
Exemple
On jette en l’air trois pièces de monnaie, et l’on observe le nombre de
faces obtenu.
L’ensemble fondamental est Ω = {0, 1, 2, 3}. On obtient une
probabilité en écrivant

1 3 3 1
P (0) = ; P (1) = ; P (2) = et P ( 3) = .
8 8 8 8
puisque chaque probabilité est positive ou nulle et la somme des
probabilités est égale à 1. Soit A l’événement tel qu’on ait au moins
une fois face, et B l’événement qui correspondrait à soit 3 faces soit 3
piles : A = {1, 2, 3} et B = {0, 3}. Alors, par définition
Exemple
On jette en l’air trois pièces de monnaie, et l’on observe le nombre de
faces obtenu.
L’ensemble fondamental est Ω = {0, 1, 2, 3}. On obtient une
probabilité en écrivant

1 3 3 1
P (0) = ; P (1) = ; P (2) = et P ( 3) = .
8 8 8 8
puisque chaque probabilité est positive ou nulle et la somme des
probabilités est égale à 1. Soit A l’événement tel qu’on ait au moins
une fois face, et B l’événement qui correspondrait à soit 3 faces soit 3
piles : A = {1, 2, 3} et B = {0, 3}. Alors, par définition

3 3 1 7
P (A) = P (1) + P (2) + P (3) = + + = .
8 8 8 8
Exemple
On jette en l’air trois pièces de monnaie, et l’on observe le nombre de
faces obtenu.
L’ensemble fondamental est Ω = {0, 1, 2, 3}. On obtient une
probabilité en écrivant

1 3 3 1
P (0) = ; P (1) = ; P (2) = et P ( 3) = .
8 8 8 8
puisque chaque probabilité est positive ou nulle et la somme des
probabilités est égale à 1. Soit A l’événement tel qu’on ait au moins
une fois face, et B l’événement qui correspondrait à soit 3 faces soit 3
piles : A = {1, 2, 3} et B = {0, 3}. Alors, par définition

3 3 1 7
P (A) = P (1) + P (2) + P (3) = + + = .
8 8 8 8
et
1 1 1
P (B ) = P (0) + P (3) = + = .
8 8 4
2) Sur un univers infini dénombrable
2) Sur un univers infini dénombrable

Théorème (Germe de probabilité- cas infini)

Une probabilité sur un univers infini dénombrable est entièrement
caractérisée par sa valeur sur les singletons.
Plus précisément, considérons un ensemble infini dénombrable
Ω = {ωi ; i ∈ N} et une suite de nombres réels positifs (pi )(i ∈N) telle
+∞
que ∑ pi = 1. Alors, il existe une unique probabilité P sur Ω qui vérifie
i =1

(∀i ∈ N) P ({ωi }) = pi .
Exemple
Considérons l’ensemble fondamental Ω = {1, 2, 3, . . . } de l’expérience
consistant à jeter une pièce de monnaie jusqu’à ce que face
apparaisse ; n désigne ici le nombre de fois où l’on jette la pièce. Pour
engendrer un espace probabilisé, il suffit de poser

1
(∀n ∈ N) et P (n) = et P (∞) = 0.
2n
III- Analyse combinatoire
III- Analyse combinatoire

Dans cette section, on développe quelques techniques permettant de

déterminer sans dénombrement direct le nombre de résultats
possibles d’une expérience particulière, ou encore le nombre
d’éléments d’un ensemble particulier. De telles techniques reçoivent
souvent le nom d’analyse combinatoire. L’idée mathématique derrière
ce procédé est d’établir une bijection entre l’ensemble des entiers
{1, 2, . . . , n} et l’ensemble étudié E. Le nombre n désigne précisément
le nombre d’éléments de l’ensemble E.
1) Généralités
III- Analyse combinatoire

Dans cette section, on développe quelques techniques permettant de

déterminer sans dénombrement direct le nombre de résultats
possibles d’une expérience particulière, ou encore le nombre
d’éléments d’un ensemble particulier. De telles techniques reçoivent
souvent le nom d’analyse combinatoire. L’idée mathématique derrière
ce procédé est d’établir une bijection entre l’ensemble des entiers
{1, 2, . . . , n} et l’ensemble étudié E. Le nombre n désigne précisément
le nombre d’éléments de l’ensemble E.
1) Généralités
Définition
On dira que deux ensembles non vides E et F ont le même cardinal si
et seulement s’il existe une bijection entre E et F .
Définition
Un ensemble E non vide est ensemble fini si et seulement s’il existe
un entier non nul n tel que les ensembles E et {1, 2, . . . , n} sont en
bijection.
Dans ce cas, l’entier n et unique. Il s’appelle le cardinal de E et se
note card E.
Par convention, on pose card 0/ = 0.
Définition
Un ensemble E non vide est ensemble fini si et seulement s’il existe
un entier non nul n tel que les ensembles E et {1, 2, . . . , n} sont en
bijection.
Dans ce cas, l’entier n et unique. Il s’appelle le cardinal de E et se
note card E.
Par convention, on pose card 0/ = 0.

Remarque
Si E est un ensemble fini de cardinal card E = n, on note les éléments
de E par
E = {x1 , x2 , . . . , xn } .
Théorème (Théorème de dénombrement)
Soient E un ensemble fini non vide et F un ensemble quelconque. S’il
existe une bijection entre E et F , alors F est un ensemble fini et
card E = card F .
Théorème (Théorème de dénombrement)
Soient E un ensemble fini non vide et F un ensemble quelconque. S’il
existe une bijection entre E et F , alors F est un ensemble fini et
card E = card F .
Le principe le plus élémentaire de dénombrement est le principe de
l’addition qui donne le cardinal de l’union de deux sous-ensembles
disjoints.
Théorème (Théorème de dénombrement)
Soient E un ensemble fini non vide et F un ensemble quelconque. S’il
existe une bijection entre E et F , alors F est un ensemble fini et
card E = card F .
Le principe le plus élémentaire de dénombrement est le principe de
l’addition qui donne le cardinal de l’union de deux sous-ensembles
disjoints.
Théorème
Soient E et F deux ensembles fini disjoints. Alors E ∪ F est un
ensemble fini et on a

card E ∪ F = card E + card F .

Le résultat reste vrai pour n ensembles E1 , E2 , . . . , En deux à deux
n
disjoints, i.e (∀i , j ∈ J1, nK) Ei ∩ Ej . Si on pose E =
S
Ei , alors
i =1
Le résultat reste vrai pour n ensembles E1 , E2 , . . . , En deux à deux
n
disjoints, i.e (∀i , j ∈ J1, nK) Ei ∩ Ej . Si on pose E =
S
Ei , alors
i =1

n
card E = ∑ card Ei .
i =1
Le résultat reste vrai pour n ensembles E1 , E2 , . . . , En deux à deux
n
disjoints, i.e (∀i , j ∈ J1, nK) Ei ∩ Ej . Si on pose E =
S
Ei , alors
i =1

n
card E = ∑ card Ei .
i =1

Proposition
Soient E un ensemble fini. A, B et C des sous-ensembles de E. Alors
Le résultat reste vrai pour n ensembles E1 , E2 , . . . , En deux à deux
n
disjoints, i.e (∀i , j ∈ J1, nK) Ei ∩ Ej . Si on pose E =
S
Ei , alors
i =1

n
card E = ∑ card Ei .
i =1

Proposition
Soient E un ensemble fini. A, B et C des sous-ensembles de E. Alors
i ) card A\B = card A − card A ∩ B .
Le résultat reste vrai pour n ensembles E1 , E2 , . . . , En deux à deux
n
disjoints, i.e (∀i , j ∈ J1, nK) Ei ∩ Ej . Si on pose E =
S
Ei , alors
i =1

n
card E = ∑ card Ei .
i =1

Proposition
Soient E un ensemble fini. A, B et C des sous-ensembles de E. Alors
i ) card A\B = card A − card A ∩ B .
ii ) card A ∪ B = card A + card B − card A ∩ B .
Le résultat reste vrai pour n ensembles E1 , E2 , . . . , En deux à deux
n
disjoints, i.e (∀i , j ∈ J1, nK) Ei ∩ Ej . Si on pose E =
S
Ei , alors
i =1

n
card E = ∑ card Ei .
i =1

Proposition
Soient E un ensemble fini. A, B et C des sous-ensembles de E. Alors
i ) card A\B = card A − card A ∩ B .
ii ) card A ∪ B = card A + card B − card A ∩ B .
iii ) card A = card E − card A.
Considérons deux ensembles E et F . L’ensemble E × F désigne un
ensemble des couples ordonnés, noté (x , y ), dont le premier élément
est un élément de E et le second est pris dans F . On a
Considérons deux ensembles E et F . L’ensemble E × F désigne un
ensemble des couples ordonnés, noté (x , y ), dont le premier élément
est un élément de E et le second est pris dans F . On a

E × F = {(x , y ) , x ∈ E , y ∈ F } .
Considérons deux ensembles E et F . L’ensemble E × F désigne un
ensemble des couples ordonnés, noté (x , y ), dont le premier élément
est un élément de E et le second est pris dans F . On a

E × F = {(x , y ) , x ∈ E , y ∈ F } .

On appelle E × F le produit cartésien de E et F . On note E 2 = E × E,

pfois
z }| {
également, on note E p =E × E × · · · × E.
Considérons deux ensembles E et F . L’ensemble E × F désigne un
ensemble des couples ordonnés, noté (x , y ), dont le premier élément
est un élément de E et le second est pris dans F . On a

E × F = {(x , y ) , x ∈ E , y ∈ F } .

On appelle E × F le produit cartésien de E et F . On note E 2 = E × E,

pfois
z }| {
également, on note E p =E × E × · · · × E.
Théorème
Soient E et F deu ensembles finis. Alors E × F est un ensemble fini.
De plus on a
card E × F = card E × card F .
Corollaire
Soient E1 , E2 , . . . , Ep ensembles finis de cardinal n1 , n2 , . . . , np
respectivement. L’ensemble E1 × E2 × · · · × Ep est fini et de cardinal
n1 × n2 · · · × np .
En particulier si E est un ensemble fini et p ∈ N∗ , card E p = (card E )p .
Corollaire
Soient E1 , E2 , . . . , Ep ensembles finis de cardinal n1 , n2 , . . . , np
respectivement. L’ensemble E1 × E2 × · · · × Ep est fini et de cardinal
n1 × n2 · · · × np .
En particulier si E est un ensemble fini et p ∈ N∗ , card E p = (card E )p .

Si une procédure quelconque peut être représentée de n1 façons

différentes, si après cette procédure, une seconde procédure peut être
représentée de n2 façons différentes, et si ensuite une troisième
procédure peut être représentée de n3 façons différentes, et ainsi de
suite, alors le nombre de façons différentes permettant d’exécuter les
procédures dans l’ordre indiqué est égal au produit n1 .n2 .n3 . . . . C’est
le principe fondamental de l’analyse combinatoire.
Exemple
Supposons qu’une plaque d’immatriculation contient deux lettres
distinctes suivies de trois chiffres dont le premier est différent de zéro.
Combien de plaques différentes peut-on -imprimer ?
Exemple
Supposons qu’une plaque d’immatriculation contient deux lettres
distinctes suivies de trois chiffres dont le premier est différent de zéro.
Combien de plaques différentes peut-on -imprimer ?
Il y a 26 façons différentes d’imprimer la première lettre, 25 façons
différentes d’imprimer la seconde lettre (puisque la première lettre
imprimée ne peut plus être choisie pour la deuxième), 9 façons
différentes d’imprimer le premier chiffre et dix façons différentes
d’imprimer les deux autres chiffres. On en déduit que l’on peut
imprimer
26 × 25 × 9 × 10 × 10 = 585 000

plaques différentes.
1) Dénombrements élémentaires
1) Dénombrements élémentaires
i- Notation factorielle
1) Dénombrements élémentaires
i- Notation factorielle
Le produit des entiers positifs de 1 à n inclus intervient très souvent en
mathématiques. On le note par le symbole spécial n! (lire ”factorielle
n”) :
1) Dénombrements élémentaires
i- Notation factorielle
Le produit des entiers positifs de 1 à n inclus intervient très souvent en
mathématiques. On le note par le symbole spécial n! (lire ”factorielle
n”) :
n
n! = ∏ i = 1 × 2 × 3 × · · · × (n − 2)(n − l )n.
i =1
1) Dénombrements élémentaires
i- Notation factorielle
Le produit des entiers positifs de 1 à n inclus intervient très souvent en
mathématiques. On le note par le symbole spécial n! (lire ”factorielle
n”) :
n
n! = ∏ i = 1 × 2 × 3 × · · · × (n − 2)(n − l )n.
i =1

Pour des raisons de commodité, on définit aussi 0! = 1.

1) Dénombrements élémentaires
i- Notation factorielle
Le produit des entiers positifs de 1 à n inclus intervient très souvent en
mathématiques. On le note par le symbole spécial n! (lire ”factorielle
n”) :
n
n! = ∏ i = 1 × 2 × 3 × · · · × (n − 2)(n − l )n.
i =1

Pour des raisons de commodité, on définit aussi 0! = 1.

Exemple

2! = 1 × 2 = 2; 5! = 1 × 2 × 3 × 4 × 5 = 120.
ii- Arrangements et permutations
ii- Arrangements et permutations
a) Sans répétition
ii- Arrangements et permutations
a) Sans répétition
Définition
Soit E un ensemble de cardinal n ∈ N et soit k ∈ N.
▶ On appelle arrangement de k éléments de E un k − uplet
(x1 , x2 , . . . , xk ) ∈ E k tel que

∀(i , j ) ∈ J1, k K2 i ̸= j ⇒ xi ̸= xj .

▶ On appelle permutation de l’ensemble E tout arrangement de n

éléments de E.
ii- Arrangements et permutations
a) Sans répétition
Définition
Soit E un ensemble de cardinal n ∈ N et soit k ∈ N.
▶ On appelle arrangement de k éléments de E un k − uplet
(x1 , x2 , . . . , xk ) ∈ E k tel que

∀(i , j ) ∈ J1, k K2 i ̸= j ⇒ xi ̸= xj .

▶ On appelle permutation de l’ensemble E tout arrangement de n

éléments de E.

Remarque
L’ordre des éléments dans les arrangements est important.
Soit E = {A, B , C , D }. Dénombrer tous les mots formés de 3 lettres
distincts de E. Représentons sur un arbre tous les mots possibles.
Soit E = {A, B , C , D }. Dénombrer tous les mots formés de 3 lettres
distincts de E. Représentons sur un arbre tous les mots possibles.
On aura les mots suivants :
On aura les mots suivants :
ABC ABD ACB ACD ADB ADC BAC BAD BCD BCA BDC BDA
CAD CAB CDA CDB CBA CBD DAC DAB DCA DCB DBA DBC.
On aura les mots suivants :
ABC ABD ACB ACD ADB ADC BAC BAD BCD BCA BDC BDA
CAD CAB CDA CDB CBA CBD DAC DAB DCA DCB DBA DBC.
Finalement, notre arbre comporte 4 × 3 × 2 = 24 mots possibles.
ce résultat se généralise ainsi.
On aura les mots suivants :
ABC ABD ACB ACD ADB ADC BAC BAD BCD BCA BDC BDA
CAD CAB CDA CDB CBA CBD DAC DAB DCA DCB DBA DBC.
Finalement, notre arbre comporte 4 × 3 × 2 = 24 mots possibles.
ce résultat se généralise ainsi.
Théorème
▶ Le nombre d’arrangements de k éléments parmi n d’un ensemble
E, noté Akn est :

 0 si k >n
Akn = n!
 n.(n − 1).(n − 2). . . . .(n − k + 1) = si k ≤ n.
(n − k )!
▶ Le nombre de permutation d’un ensemble E de n éléments est n!.
Remarque
▶ Akn est le nombre d’applications injectives d’un ensemble de k
éléments vers un ensemble de n éléments.
▶ n! est le nombre de bijections d’un ensemble de E de n éléments
dans lui même.
Remarque
▶ Akn est le nombre d’applications injectives d’un ensemble de k
éléments vers un ensemble de n éléments.
▶ n! est le nombre de bijections d’un ensemble de E de n éléments
dans lui même.

b) Avec répétition
On désire très souvent connaı̂tre le nombre de permutations qu’il y a
parmi des objets dont certains sont semblables. La formule générale
donnant ce résultat est la suivante.
Théorème
Le nombre de permutations de n objets dont n1 sont semblables, n2
sont semblables, . . . , nk sont semblables est

n!
.
n1 !.n2 ! . . . nk !
Exemple
Déterminons le nombre d’anagrammes du mot MATHEMATIQUES. En
procédant comme précédemment, on obtient

13!
anagrammes.
2!2!2!2!
iii- Coefficients binomiaux
iii- Coefficients binomiaux
Définition
Soient E un ensemble de cardinal n > 0 et k un entier naturel. On
appelle combinaison de k éléments de E tout sous-ensemble de E qui
contient k éléments.
iii- Coefficients binomiaux
Définition
Soient E un ensemble de cardinal n > 0 et k un entier naturel. On
appelle combinaison de k éléments de E tout sous-ensemble de E qui
contient k éléments.

Remarque
L’ordre de choix des éléments des combinaison est sans importance.
iii- Coefficients binomiaux
Définition
Soient E un ensemble de cardinal n > 0 et k un entier naturel. On
appelle combinaison de k éléments de E tout sous-ensemble de E qui
contient k éléments.

Remarque
L’ordre de choix des éléments des combinaison est sans importance.
Á partir d’une combinaison de k éléments, on trouve k ! arrangements
composés de mêmes éléments de cette combinaison. Le théorème
suivant généralise ce résultat.
iii- Coefficients binomiaux
Définition
Soient E un ensemble de cardinal n > 0 et k un entier naturel. On
appelle combinaison de k éléments de E tout sous-ensemble de E qui
contient k éléments.

Remarque
L’ordre de choix des éléments des combinaison est sans importance.
Á partir d’une combinaison de k éléments, on trouve k ! arrangements
composés de mêmes éléments de cette combinaison. Le théorème
suivant généralise ce résultat.
Théorème
Le nombre de combinaisons de k élements parmi n > 0 d’un
ensemble E est :
  
n n!
Cnk = = si k ≤n

k k !(n − k )!
0 si k > n.

Exemple
i ) Combien de couleurs peut-on obtenir en mélangeant deux couleurs
non identiques des trois couleurs : Rouge, Bleu, Jaune ? On considère
des échantillons non ordonnés : Rouge + Bleu = Bleu + rouge. Il n’y
a pas répétition : Jaune + Jaune ne convient pas. La réponse est
donc : C32 = 3.
Exemple
i ) Combien de couleurs peut-on obtenir en mélangeant deux couleurs
non identiques des trois couleurs : Rouge, Bleu, Jaune ? On considère
des échantillons non ordonnés : Rouge + Bleu = Bleu + rouge. Il n’y
a pas répétition : Jaune + Jaune ne convient pas. La réponse est
donc : C32 = 3.
ii ) Nombre de tirages du Loto. Les boules sont numérotées de 1 à 49.
On tire 6 boules. Un tirage de 6 numéros parmi 49, est une
combinaison de 6 parmi 49. Le nombre de tirages possibles vaut donc

6 49 × 48 × 47 × 46 × 45 × 44
C49 = = 13983816
6×5×4×3×2×1
Propriétés
Soient k et n deux entiers tels que n > 0.
Propriétés
Soient k et n deux entiers tels que n > 0.
(i ) Symétrie    
n n
= .
k n−k
Propriétés
Soient k et n deux entiers tels que n > 0.
(i ) Symétrie    
n n
= .
k n−k

(ii )    
n n−1
k =n .
k k −1
Propriétés
Soient k et n deux entiers tels que n > 0.
(i ) Symétrie    
n n
= .
k n−k

(ii )    
n n−1
k =n .
k k −1

(iii ) Formule de Pascal

     
n n n+1
+ = .
k k +1 k +1
Propriétés
Soient k et n deux entiers tels que n > 0.
(i ) Symétrie    
n n
= .
k n−k

(ii )    
n n−1
k =n .
k k −1

(iii ) Formule de Pascal

     
n n n+1
+ = .
k k +1 k +1

(iv ) Binôme de Newton : Soient deux nombres complexes a et b. on

a
n
 
n
ak .bn−k .
n
(a + b ) = ∑
k =0
k
iv- Échantillonnage
iv- Échantillonnage

Beaucoup de problèmes d’analyse combinatoire et en particulier du

calcul des probabilités consistent à extraire une boule d’une urne
contenant n boules (ou une carte dans un jeu de cartes, ou un individu
dans une population). Quand on extrait de l’urne k boules l’une après
l’autre, on dit que l’on a tiré un échantillon de taille k . On considère
deux cas :
(i ) Échantillons non exhaustifs. Dans ce cas, avant de tirer une
nouvelle boule, on remet dans l’urne la boule que l’on vient
d’extraire. Comme il y a n façons différentes d’extraire chaque
boule, on voit d’après le principe fondamental d’analyse
combinatoire qu’il y a k fois
kfois

n.n . . . n= nk .
z }| {

échantillons différents de taille k non exhaustifs.

(i ) Échantillons non exhaustifs. Dans ce cas, avant de tirer une
nouvelle boule, on remet dans l’urne la boule que l’on vient
d’extraire. Comme il y a n façons différentes d’extraire chaque
boule, on voit d’après le principe fondamental d’analyse
combinatoire qu’il y a k fois
kfois

n.n . . . n= nk .
z }| {

échantillons différents de taille k non exhaustifs.

(ii ) Échantillons exhaustifs. Contrairement au cas précédent, on ne
remet pas dans l’urne la boule qui vient d’être extraite, avant de
tirer une nouvelle boule. Il n’y a donc pas de répétition dans
l’échantillonnage. En d’autres termes, un échantillon exhaustif de
taille k est simplement un arrangement d’indice k des objets
contenus dans l’urne. Dans une population de n objets, il y a ainsi

n!
Akn =
(n − k )!
échantillons exhaustifs de taille k .
Exemple
De combien de manières peut-on tirer l’une après l’autre, trois cartes
d’un jeu de 52 cartes,
(i ) le tirage étant non exhaustif ?
(ii ) le tirage étant exhaustif ?
Exemple
De combien de manières peut-on tirer l’une après l’autre, trois cartes
d’un jeu de 52 cartes,
(i ) le tirage étant non exhaustif ?
(ii ) le tirage étant exhaustif ?
Si chaque carte est remise dans le jeu, avant de tirer la carte suivante,
on peut tirer chaque carte de 52 manières différentes. Par suite, il y a

52 × 52 × 52 = 523 = 140608

échantillons non exhaustifs de taille 3.

Exemple
De combien de manières peut-on tirer l’une après l’autre, trois cartes
d’un jeu de 52 cartes,
(i ) le tirage étant non exhaustif ?
(ii ) le tirage étant exhaustif ?
Si chaque carte est remise dans le jeu, avant de tirer la carte suivante,
on peut tirer chaque carte de 52 manières différentes. Par suite, il y a

52 × 52 × 52 = 523 = 140608

échantillons non exhaustifs de taille 3.

En revanche, si le tirage est exhaustif, on peut tirer la première carte
de 52 manières différentes, la seconde carte de 51 manières
différentes et la troisième carte de 50 manières différentes. Il y a donc

52.51.50 = 132600

échantillons exhaustifs de taille 3.

2) Équiprobabilité
2) Équiprobabilité
On dit qu’il y a équiprobabilité lorsque Ω est fini, de cardinal n, et tous
les événements simples sont de même probabilité c’est à dire elles ont
la même chance de se réaliser (équiprobables). Dans ce cas :
2) Équiprobabilité
On dit qu’il y a équiprobabilité lorsque Ω est fini, de cardinal n, et tous
les événements simples sont de même probabilité c’est à dire elles ont
la même chance de se réaliser (équiprobables). Dans ce cas :

1 1
(∀ω ∈ Ω) P ({ω}) = = .
n Card (Ω)
2) Équiprobabilité
On dit qu’il y a équiprobabilité lorsque Ω est fini, de cardinal n, et tous
les événements simples sont de même probabilité c’est à dire elles ont
la même chance de se réaliser (équiprobables). Dans ce cas :

1 1
(∀ω ∈ Ω) P ({ω}) = = .
n Card (Ω)

la probabilité P sur Ω est dite uniforme.

2) Équiprobabilité
On dit qu’il y a équiprobabilité lorsque Ω est fini, de cardinal n, et tous
les événements simples sont de même probabilité c’est à dire elles ont
la même chance de se réaliser (équiprobables). Dans ce cas :

1 1
(∀ω ∈ Ω) P ({ω}) = = .
n Card (Ω)

la probabilité P sur Ω est dite uniforme.

Si les événements simples sont équiprobables, la probabilité de tout
événement A est donnée par :

Card (A) Nombre de cas favorables à A

P (A) = = .
Card (Ω) Nombre de cas possibles
Exemple
Tirons une carte au hasard d’un jeu classique de 52 cartes. Soit

A = { la carte est un pique }

et B = { la carte représente une tête, c.à.d. un valet, une reine, un

roi } On calcule P (A), P (B ) et P (A ∩ B ).
Exemple
Tirons une carte au hasard d’un jeu classique de 52 cartes. Soit

A = { la carte est un pique }

et B = { la carte représente une tête, c.à.d. un valet, une reine, un

roi } On calcule P (A), P (B ) et P (A ∩ B ).
Comme l’on a un espace équiprobable,

nombre de piques 13 1 nombre de cartes à tête

P (A) = = = P (B ) = =
nombre de cartes 52 4 nombre de cartes
nombre de piques représentant des têtes 3
P (A ∩ B ) = =
nombre de cartes 52
IV- Loi de probabilités conditionnelles et indépendance
IV- Loi de probabilités conditionnelles et indépendance

Soient Ω un univers, T L’ensemble des événement de Ω et P définit

une probabilité sur Ω.
IV- Loi de probabilités conditionnelles et indépendance

Soient Ω un univers, T L’ensemble des événement de Ω et P définit

une probabilité sur Ω.
1) Définitions
Supposons que l’on s’intéresse à la réalisation d’un événement A, tout
en sachant qu’un événement B est réalisé. Si A et B sont
incompatibles la question est tranchée : A ne se réalisera pas, mais si
A ∩ B ̸= 0/ il est possible que A se réalise ; cependant, l’univers des
possibles n’est plus Ω tout entier, mais est restreint à B ; en fait, seule
nous intéresse la réalisation de A à l’intérieur de B, c’est-à-dire A ∩ B
par rapport à B.
Définition
Soit B un événement de probabilité non nulle (P (B ) ̸= 0). On appelle
probabilité conditionnelle de A sachant B (ou encore de A si B) le
rapport noté P (A\B ) ou PB (A) :
Définition
Soit B un événement de probabilité non nulle (P (B ) ̸= 0). On appelle
probabilité conditionnelle de A sachant B (ou encore de A si B) le
rapport noté P (A\B ) ou PB (A) :

P (A ∩ B )
PB (A) = P (A\B ) = .
P (B )
Définition
Soit B un événement de probabilité non nulle (P (B ) ̸= 0). On appelle
probabilité conditionnelle de A sachant B (ou encore de A si B) le
rapport noté P (A\B ) ou PB (A) :

P (A ∩ B )
PB (A) = P (A\B ) = .
P (B )

Proposition
La probabilité conditionnelle définit une probabilité sur Ω.
Définition
Soit B un événement de probabilité non nulle (P (B ) ̸= 0). On appelle
probabilité conditionnelle de A sachant B (ou encore de A si B) le
rapport noté P (A\B ) ou PB (A) :

P (A ∩ B )
PB (A) = P (A\B ) = .
P (B )

Proposition
La probabilité conditionnelle définit une probabilité sur Ω.

Remarque
Si A et B deux événements de probabilités non nulles, on a

P (A ∩ B ) = PB (A).P (B ) et P (A ∩ B ) = PA (B ).P (A).

Exemple
On jette un dé deux fois de suite. Quelle est la probabilité d’obtenir un total
inférieur à 5 sachant que l’on a obtenu 2 au premier jet ?

Ω = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), . . . , (6, 5), (6, 6)}
Card(Ω) = 62 = 36
A : l’événement ”obtenir 2 au premier jet”
A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)}, Card(A) = 6 et
Card(A) 6 1
P (A) = = =
Card(Ω) 36 6

B : l’événement ” la somme des deux nombres obtenus est inférieure à 5 ”

B = {(1, 1), (1, 2), (1, 3), (2, 1), (2, 2), (3, 1)}, B ∩ A = {(2, 1), (2, 2)}, Card(A ∩ B ) =
Card(A ∩ B ) 2 1
P (A ∩ B ) = = =
Card(Ω) 36 18

La probabilité cherchée est :

2
P (B ∩ A) 36 1
P (B /A) = = 6
= .
P (A) 36
3
2) Événements indépendants
2) Événements indépendants
Définition
Deux événements A et B sont indépendants si et seulement si

P (A ∩ B ) = P (A)P (B )
2) Événements indépendants
Définition
Deux événements A et B sont indépendants si et seulement si

P (A ∩ B ) = P (A)P (B )

Remarque
Si P (B ) ̸= 0, alors A est indépendant de B si
PB (A) = P (A\B ) = P (A).
Définition
Soit (Ai )i ∈N une famille d’événements de Ω.
▶ Les événements (Ai )i ∈N sont deux à deux indépendants si et
seulement si

∀(i , j ) ∈ N2


P (Ai ∩ Aj ) = P (Ai ) P (Aj ) .

▶ Les événements (Ai )i ∈N sont mutuellement indépendants si et

seulement si pour tout sous-ensemble fini non vide I de N on a
!
\
P Ai = ∏ P (Ai ) .
i ∈I i ∈N
Remarque
L’indépendance mutuelle est beaucoup plus forte que l’indépendance
deux à deux, qui ne lui est pas équivalente mais en est une simple
conséquence. Pour s’en convaincre, construisons un exemple de trois
événements deux à deux indépendants mais non mutuellement
indépendants : si A, B et C sont trois événements,

A, B et C sont mutuellement indépendants

⇔ P (A ∩ B ) = P (A) × P (B )
et P (A ∩ C ) = P (A) × P (C )
et P (B ∩ C ) = P (B ) × P (C )
et P (A ∩ B ∩ C ) = P (A) × P (B ) × P (C )
Considérons un univers à quatre éléments Ω = {a, b, c , d } muni de la
probabilité uniforme notée P . Soient A = {b, c }, B = {a, c} et
C = {a, b}
▶ P (A) = P (B ) = P (C ) = 1
2
1 1 1
▶ P(A ∩ B) = P({c}) = = × = P(A) × P(B)
4 2 2
et de même

P(A ∩ C) = P(A) × P(C) et P(B ∩ C) = P(B) × P(C).

Donc les événements A, B et C sont deux a deux indépendants.

1 1 1
P (A ∩ B ∩ C ) = P (∅) = 0 ̸= × × = P (A) × P (B ) × P (C ).
2 2 2
Donc, A, B et C ne sont pas indépendants.
3) Formules essentielles
3) Formules essentielles
a) Formules de probabilités composées
3) Formules essentielles
a) Formules de probabilités composées
Théorème  
−1
nT
Soit (Ai )i ∈J1,nK une famille telle que P Ai ̸= 0. On a
i =1

P ( ni=1 Ai ) = P (A1 ) × PA1 (A2 ) × PA1 ∩A2 (A3 ) × . . .

T

×PA1 ∩A2 ∩···∩An−2 (An−1 ) × PA1 ∩A2 ∩···∩An−1 (An ).

3) Formules essentielles
a) Formules de probabilités composées
Théorème  
−1
nT
Soit (Ai )i ∈J1,nK une famille telle que P Ai ̸= 0. On a
i =1

P ( ni=1 Ai ) = P (A1 ) × PA1 (A2 ) × PA1 ∩A2 (A3 ) × . . .

T

×PA1 ∩A2 ∩···∩An−2 (An−1 ) × PA1 ∩A2 ∩···∩An−1 (An ).

Remarque
Cette formule permet de calculer la probabilité d’un scénario qui une
succession d’étapes.
Exemple
10 garçons et 15 filles descendent de manière désordonnée d’un bus.
Quelle est la probabilité que les trois premiers à descendre soient des
garçons et la quatrième soit une fille ?
On note Gi l’événement ” la i i ème personne à descendre

soit un
garçon”, alors on cherche P G1 ∩ G2 ∩ G3 ∩ Ḡ4 .
Comme cette probabilité est non nulle, on peut utiliser la formules de
probabilités composées.


P G1 ∩ G2 ∩ G3 ∩ Ḡ4 = P (G1 ).PG1 (G2 ).PG1 ∩G2 (G3 ).PG1 ∩G2 ∩G3 (Ḡ4 ).

10 2
En faisant l’hypothèse de l’équiprobabilité, P (G1 ) = = . On
25 5
trouve aussi que

3 8 15
PG1 (G2 ) = , PG1 ∩G2 (G3 ) = et PG1 ∩G2 ∩G3 (Ḡ4 ) = .
8 23 22
D’où

2 3 8 15 45
P G1 ∩ G2 ∩ G3 ∩ Ḡ4 = . . . = .
5 8 23 22 1265
b) Arbre de probabilités
b) Arbre de probabilités
Définition
un arbre de probabilités est un schéma qui représente des probabilités
conditionnelles.
b) Arbre de probabilités
Définition
un arbre de probabilités est un schéma qui représente des probabilités
conditionnelles.

Exemple
On donne trois boı̂tes telles que :
▶ La boı̂te I contient 10 ampoules électriques dont 4 sont
défectueuses.
▶ La boı̂te II contient 6 ampoules électriques dont 1 est
défectueuse.
▶ La boı̂te III contient 8 ampoules électriques dont 3 sont
défectueuses.
On choisit une boı̂te au hasard et l’on en extrait une ampoule au
hasard. Quelle est la probabilité pour que l’ampoule soit défectueuse ?
On représente ici le phénomène par deux expériences :
(i) on tire l’une des trois boı̂tes ;
(ii) on tire une ampoule qui est soit défectueuse (D)), soit en bon état
(N).
Le diagramme en arbre suivant décrit le processus et donne la
probabilité de chaque branche de l’arbre. La probabilité pour qu’un
chemin particulier de l’arbre se réalise est, d’après le théorème de la
formule des probabilités composées, le produit des probabilités de
chaque branche du chemin.
Figure – Arbre de probabilités
 Figure – Arbre de probabilités

Ainsi la probabilité de tirer la boı̂te I et ensuite une ampoule

défectueuse est 31 . 25 = 15
2
.
 Figure – Arbre de probabilités

Ainsi la probabilité de tirer la boı̂te I et ensuite une ampoule

défectueuse est 31 . 25 = 15
2
.
Or comme il y a trois chemins s’excluant mutuellement qui conduisent
à une ampoule défectueuse, la probabilité cherchée est égale à la
somme des probabilités de ces chemins :
 Figure – Arbre de probabilités

Ainsi la probabilité de tirer la boı̂te I et ensuite une ampoule

défectueuse est 31 . 25 = 15
2
.
Or comme il y a trois chemins s’excluant mutuellement qui conduisent
à une ampoule défectueuse, la probabilité cherchée est égale à la
somme des probabilités de ces chemins :

1 2 1 1 1 3 113
P (D ) = . + . + . = .
3 5 3 6 3 8 360
c) Formule des probabilités totales
c) Formule des probabilités totales
Théorème
Soient n un entier non nul et (Ai )i ∈J1,nK un système complet
d’événements. Pour tout événement B, on a
n n
P (B ) = ∑ P (Ai ∩ B ) = ∑ PA (B) P (Ai ).
i
i =1 i =1
c) Formule des probabilités totales
Théorème
Soient n un entier non nul et (Ai )i ∈J1,nK un système complet
d’événements. Pour tout événement B, on a
n n
P (B ) = ∑ P (Ai ∩ B ) = ∑ PA (B) P (Ai ).
i
i =1 i =1

Exemple
Dans une population le nombre de châtains est de 50% et les
nombres de blonds, de noirs ou rouge sont égaux. La génétique nous
apprend que les probabilités conditionnelles pour qu’un enfant soit
châtain (événement A) sachant que son père est blond (événement B)
est P (A\B ) = 0, 2, et que de même avec des notations évidentes
P (A\C ) = 0, 7, P (A\N ) = 0, 6 et P (A\R ) = 0, 1.
Calculons P (A).
Calculons P (A).
Calculons P (A).

Les événements B ; C ; N ; R forment un système complet

d’événements. Puisque P (B ) + P (N ) + P (R ) + P (C ) = 1 alors
1 1
p = P (B ) = P (N ) = P (R ) = et P (C ) =
6 2
Calculons P (A).

Les événements B ; C ; N ; R forment un système complet

d’événements. Puisque P (B ) + P (N ) + P (R ) + P (C ) = 1 alors
1 1
p = P (B ) = P (N ) = P (R ) = et P (C ) =
6 2
Le théorème des probabilités totales nous donne

P (A) = P (A\B )P (B ) + P (A\C )P (C ) + P (A\N )P (N ) + P (A\R )P (R )

1 1 1 1 1
= 0, 2 × + 0, 7 × + 0, 6 × + 0, 1 × = .
6 2 6 6 2
d) Formules de Bayes
d) Formules de Bayes
Elle relie les deux probabilités conditionnelles PA (B ) et PB (A).
d) Formules de Bayes
Elle relie les deux probabilités conditionnelles PA (B ) et PB (A).
Théorème (1i ère version)
Soient A et B événements de probabilités non nulles. On a

P (A)
PB (A) = .PA (B ).
P (B )
d) Formules de Bayes
Elle relie les deux probabilités conditionnelles PA (B ) et PB (A).
Théorème (1i ère version)
Soient A et B événements de probabilités non nulles. On a

P (A)
PB (A) = .PA (B ).
P (B )

Exemple
Dans l’exemple précédant, on a PB (A) = 0, 2, alors

1
P (B ) 6 1
PA ( B ) = PB (A) = 1
× 0, 2 = .
P (A) 2
15
Le théorème suivant relie les formules des probabilités totales et de
Bayes.
Le théorème suivant relie les formules des probabilités totales et de
Bayes.
Théorème (2i ème version)
Soient (Ai )i ∈J1,nK un système complet d’événements et B un
événement de probabilités non nulles. On a

PAj (B ).P (Aj )

(∀j ∈ J1, nK) PB (Aj ) = n
.
∑ PAi (B ).P (Ai )
i =1