Probabilités-Statistique

Cours et Exercices

Dr. OWO Kouassi Jean-Marc i Maître de Conférences, U.F.H.B.

 Table des matières

1 Analyse combinatoire 1
1. Notion d’ensembles finis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1. Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Les quantificateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Inclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4. Opérations sur les ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Principes fondamentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1. Principe multiplicatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2. Principe additif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3. Dispositions usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.1. Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2. Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3. Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2 Notions de probabilités discrètes 13

1. Espace probabilisable fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1. Expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2. Événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3. Langage des événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Système complet d’événements . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2. Probabilité sur un ensemble fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2. Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3. Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2. Formule des probabilités composées . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3. Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4. Formule de Bayes ou probabilités des causes . . . . . . . . . . . . . . . . . . . 17
4. Indépendance d’événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1. Indépendance de deux événements . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2. Indépendance mutuelle de n événements . . . . . . . . . . . . . . . . . . . . . 18
Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Variable aléatoire discrète 23

1. Variable aléatoire finie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2. Loi de probabilité et fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . 23
2.1. Loi d’une variable aléatoire finie . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Fonction de repartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3. Moments d’une variable aléatoire finie . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1. Expérance mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2. Variance et ecart type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4. Lois de probabilités usuelles finies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1. Loi de Bernoulli B(1, p) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

ii
TABLE DES MATIÈRES

4.2. Loi Binomial B(n, p) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.3. Loi Hypergéométrique H(N, n, p) ou H(N, N p, n) . . . . . . . . . . . . . . . . 28
4.4. Loi uniforme sur {1, ..., n} ; U{1,...,n} . . . . . . . . . . . . . . . . . . . . . . . . 29
Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

Dr. OWO Kouassi Jean-Marc iii Maître de Conférences, U.F.H.B.

 Chapitre 1

Analyse combinatoire

L’analyse combinatoire a pour but de dénombrer les différentes dispositions que l’on former à
partir d’ensembles finis d’éléments. Ce chapitre fournit des méthodes de dénombrements particuliè-
rement utiles en probabilités.

1. Notion d’ensembles finis

1.1. Définitions
Définition 1.1. On appelle ensemble toute collection d’objets bien déterminés dans laquelle les objets
sont uniques. Ces objets s’appellent éléments de l’ensemble, ou les points de l’ensemble.

Si un objet x est un élément de E, on dit que x appartient à E et on note x ∈ E. Si x n’est pas un

élément de E, on note x 6∈ E.

Définition 1.2 (Cardinal d’un ensemble fini).

• Un ensemble E non vide est dit fini s’il existe un entier n et une bijection de {1, 2, · · · , n} sur E.

Lorsqu’il existe, l’entier n est unique et est noté Card(E). C’est le cardinal ou le nombre d’éléments
de E.

• Un ensemble E est dit dénombrable s’il existe une bijection de N sur E. Un ensemble E est dit
infini non dénombrable s’il n’est ni fini, ni dénombrable. Dans ces cas, on dit que E est de cardinal
infini et on note Card(E) = ∞.

Exemple 1.1. N est l’ensemble des entiers naturels : 0,1,2,3,.....

Z
Q

Notations
- L’ensemble qui n’a aucun élément est dit vide et est noté ∅ ou {}.
- Un ensemble qui n’a qu’un seul élément a est noté {a} et est appelé singléton.
Pour définir un ensemble,
- ou bien on connait la liste de tous ses éléments, on dit alors que l’ensemble est donné "en
Extension" :

E = {0, 1, 2, 3, 4}

- ou bien on connait seulement les propriétés que doivent vérifier tous les éléments, on dit alors
que l’ensemble est donné en "Compréhension".
E = {x ∈ N : x ≤ 4}.
L’ensemble A de tous les étudiants de première année Sce Eco : On ne connait pas tous ces
étudiants mais on peut bien les retrouver, donc A est un ensemble donné par compréhension
On peut représenter un ensemble par un diagramme de Venn :
Remarque
Un ensemble s’écrit soit en extension (on connait la liste de tous ses éléments), soit en compréhension
( on connait seulement les propriétés que doivent vérifier tous les éléments).
Par exemple l’ensemble E de tous les entiers naturels inférieurs ou égal à 6 est écrit en extension :

E = {0, 1, 2, 3, 4}

1
CHAPITRE 1. ANALYSE COMBINATOIRE

et en compréhension :
E = {x ∈ N : x ≤ 4}

1.2. Les quantificateurs

Les quantificateurs sont des symboles permettant d’écrire des énoncés mathématiques de marnière
plus synthétique :

Définition 1.1 (quatificateur universel). Le quatificateur universel est noté ∀ et signifie "quel que
soit" ou "pour tout".
Pour exprimer qu’une proposition P (x) est vraie pour tout x d’un ensemble E, on écrit :

∀x ∈ E, P (x).

Exemple : ∀x ∈ R, x2 ≥ 0.
Rq : l’énoncé [∀x ∈ E, P (x)] est vrai ssi tous les éléments de E vérifient la proriété P , sinon il est
faux.

Définition 1.2 (quatificateur existentiel). Le quatificateur existentiel est noté ∃ et signifie "il existe".
Pour exprimer qu’une proposition P (x) est vraie pour au moins un élément x d’un ensemble E, on
écrit :
∃x ∈ E, P (x).

S’il existe un unique élément x vérifiant P (x), on écrit alors : ∃!x ∈ E, P (x).

Exemple : ∃x ∈ R, x2 = 4 ; ∃!x ∈ R, ex = 2.

1.3. Inclusion
Soient A et B deux ensembles. On dit que A est inclus dans B si tout élément de A est élément
de B. On dit encore que A est un sous-ensemble de B ou A est une partie de B. On note A ⊂ B ou
B ⊃ A et on a formellement

A ⊂ B ⇐⇒ ∀x(x ∈ A =⇒ x ∈ B).

Si F n’est pas une partie de E, on note F 6⊂ E et on a formellement

A 6⊂ B ⇐⇒ ∃x(x ∈ A et x 6∈ B).

exemple :
Remarque
- L’ensemble vide ∅ est contenu dans tout ensemble
- On a bien E ⊂ E et si A ⊂ B et B ⊂ A alors A = B.
- Si A ⊂ F et F ⊂ B alors A ⊂ B.
Exercice
Soit E l’ensemble {a, b, c}. Trouver tous les sous ensembles de E.
Notation
Si E est un ensemble, on note P(E) l’ensemble de tous les sous-ensembles de E.
Remarque : ∅ ∈ P(E) et E ∈ P(E).
Si card(E) = n, alors card(P(E)) = 2n .

Dr. OWO Kouassi Jean-Marc 2 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

1.4. Opérations sur les ensembles

Intersection

Définition 1.3. Soient A et B deux ensembles. On appelle intersection de A et B, l’ensemble, noté

A ∩ B, constitué des objets x tels que x ∈ A et x ∈ B :

A ∩ B = {x ∈ E; x ∈ A et x ∈ B}

Remarque
- A ∩ B est l’ensemble des éléments de A appartenant à B. C’est aussi l’ensemble des éléments
de B appartenant à A.
- A∩B =B∩A
- A ∩ B ⊂ A et A ∩ B ⊂ B
- A ∩ A = A, ∅ ∩ A = ∅
- Si A ∩ B = ∅, on dit que A et B sont disjoints.
Notons que x 6∈ A ∩ B signifie qu’on est dans l’une des 3 situations suivantes :
(1) x 6∈ A et x ∈ B ou (2) x 6∈ B et x ∈ A ou (3) x 6∈ A et x 6∈ B

Réunion

Définition 1.4. Soient A et B deux sous ensembles de E. On appelle réunion de A et B, l’ensemble,

noté A ∪ B, constitué des objets x tels que x ∈ A ou x ∈ B.

A ∪ B = {x ∈ E; x ∈ A ou x ∈ B}

Propriété 1.1. - A ∪ B = B ∪ A
- A ⊂ A ∪ B et B ⊂ A ∪ B
- A ∪ A = A, ∅ ∪ A = A
- A ∪ B = ∅, si A = ∅ et B = ∅.
Notons que x 6∈ A ∪ B signifie que x 6∈ A et x 6∈ B.

Complémentaire

Définition 1.5. Soit E un ensemble et A une partie de E. On appelle complémentaire de A dans

E, le sous-ensemble de E constitué des éléments x ∈ E tels que x 6∈ A. Cet ensemble est noté E \ A
ou CEA ou A s’il n’y a pas d’ambiguité.
Formellement,
CEA = {x ∈ E; x 6∈ A}
Propriété 1.2. Soient E un ensemble et A et B deux parties de E, alors, on a
- A ⊂ B ⇐⇒ CEB ⊂ CEA
- A ∩ CEA = ∅ et A ∪ CEA = E
A)
(CE
- CE =A
- CEE = ∅ et CE∅ = E
(A∩B)
- CE = CEA ∪ CEB
(A∪B)
- CE = CEA ∩ CEB
Une partition d’un ensemble E : On appelle partition de l’ensemble E toute famille {Ai }i∈I de
sous-ensembles de E
1. si i 6= i0 , on a Ai ∩ Ai0 = ∅ et
[
2. E = Ai .
i∈I

Dr. OWO Kouassi Jean-Marc 3 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

Différence

Définition 1.6. Soient A et B deux parties d’un ensemble E. On appelle différence de A et B dans
cet ordre, et on note A \ B, l’ensemble des éléments de E appartenant à A mais pas à B.

A \ B = {x ∈ E; x ∈ A et x 6∈ B}

Remarque : A \ B = A ∩ CEB .
A\B =A\A∩B

Différence symétrique

Définition 1.7. Soient A et B deux ensembles. On appelle différence symétrique de A et B, l’en-

semble noté A 4 B, constitué des objets x tels que x ∈ A \ B ou x ∈ B \ A.

On a A 4 B = (A \ B) ∪ (B \ A).
Remarque : A 4 B = (A ∪ B) \ (B ∩ A).

Produit cartésien d’ensembles

Soient E et F deux ensembles. On appelle produit cartésien de E par F , l’ensemble de tous les
couples (x, y) où x ∈ E et y ∈ F . On le note E × F .
Remarque
- On convient de noter E × E par E 2 .
-E × F = ∅ ssi E = ∅ ou F = ∅
- A × B ⊂ E × F ssi A ⊂ E et B ⊂ F .
- E × F 6= F × E.
- Si E et F sont des ensembles finis, on a Card(E × F ) = Card(E) × Card(F ).

Proposition
Soit E un ensemble fini et A, B deux parties de E.

(1) Card(A) = Card(E) − Card(A).

(2) Card(A \ B) = Card(A) − Card(A ∩ B).
(3) Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B).
(4) Si A ∩ B = ∅, alors Card(A ∪ B) = Card(A) + Card(B).
(5) Card(A × B) = Card(A) × Card(B).

2. Principes fondamentaux

2.1. Principe multiplicatif

Ce principe est à la base des techniques de denombrement. Il permet de compter le nombre de
résultats d’expériences qui peuvent se décomposer en une succession de sous-expériences, i.e. en une
suite d’expériences partielles, réalisées l’une après l’autre.

Principe : Supposons qu’une expérience est la succession de r sous-expériences. Supposons de plus

que la première sous-expérience peut produire n1 résultats, et pour chaque résultat de la première
sous-expéience, il y a n2 résultats possibles pour la deuxième sous-expérience ; pour chaque résultat

Dr. OWO Kouassi Jean-Marc 4 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

des deux premières sous-expériences, il y en a n3 pour la troisième, etc. Alors, le nombre total de
résultats de l’expérience complète est le produit

n1 × n2 × ... × nr .

Interprétation avec les ensembles :

Si E = E1 × E2 × ... × Er (produit cartesien),
alors Card(E) = Card(E1 ) × Card(E2 ) × ... × Card(Er ).

Exemple 1 : On considère trois villes : Abidjan, Agboville et Akoupé et On suppose qu’il y a 5

chemins différents pour aller d’Abidjan à Agboville et 3 chemins pour aller d’Agboville à Akoupé.
Combien de chemins différents y a t il pour aller d’Abidjan à Akoupé en passant par Agboville ?

Exemple 2 : Supposons qu’une plaque d’immatriculation contenant deux lettres distinctes suivies de
trois chiffres dont le premier est différent de zéro. Combien de plaques différentes peut-on imprimer ?

Exemple 3 : Nous désirons former un comité de 3 personnes dont 1 président, 1 secrétaire et 1

trésorier à partir d’une classe de 20 élèves. Combien de comités différents est-il possible de faire ?

2.2. Principe additif

Il permet de compter le nombre de résultats d’expériences qui peuvent se décomposer en des sous-
expériences mutuellement exclusives.

Principe : Supposons qu’une expérience se décompose en r sous-expériences mutuellement exclu-

sives. Si la i − me sous-expérience a ni résultats possibles (avec i = 1, 2, ..., r), alors le nombre total
de résultats de l’expérience complète est la somme

n1 + n2 + ... + nr .

Interprétation avec les ensembles :

Si E = E1 ∪ E2 ∪ ... ∪ Er avec Ei ∩ Ej = ∅, pour tout i 6= j (partition),
alors Card(E) = Card(E1 ) + Card(E2 ) + ... + Card(Er ).

Exemple 4 : On considère trois villes : Abidjan, Agboville et Adzopé. On suppose qu’il y a 5 chemins
différents pour aller d’Abidjan à Agboville et 3 chemins pour aller d’Abidjan à Adzopé. Combien de
chemins différents y a t il pour aller d’Abidjan à l’une des deux autres villes ?

Exemple 5 : En plus des conditions de l’exemple 1 et 4, on suppose qu’il y a 2 chemins pour aller
d’Adzopé à Akoupé et 4 chemins directs d’Abidjan à Akoupé. Combien de chemins différents y a t
il pour aller d’Abidjan à Akoupé ?

3. Dispositions usuelles
Une disposition est l’ensemble formé d’éléments choisis parmi les éléments de l’ensemble étudié. Un
élément figurant dans une disposition est caractérisé par :

- le nombre de fois où il figure dans la disposition

- sa place (ou position) dans la disposition.

X Une disposition est dite ordonnée si l’ordre d’obtention d’un élément est important.

X Une disposition est dite non ordonnée si l’ordre d’obtention d’un élément n’est pas important, on
en tient pas compte dans la caractérisation de la disposition.

Dr. OWO Kouassi Jean-Marc 5 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

3.1. Permutations
Une permutation de n éléments est une disposition ordonnée (ou un réarrangement ordonné) de ces
n éléments.

Notation : La fonction "factorielle" est la fonction de N vers N qui a tout n ∈ N associe n! =

n(n..1) × ... × 2 × 1.

On a : 0! = 1 et n! = n(n − 1)!.

Permutations sans répétitions

• Lorsque ces n éléments sont distincts, on parle de permutations sans répétitions. Dans ce cas le
nombre de permutations de n éléments est n!.

Remarque : Une permutation de n éléments distincts est une application bijective d’un ensemble
E à n éléments dans lui-même.
Remarque : Le nombre d’alignemens de n objets dinstincts ; de classement sans ex-aequo est n!.

Permutations avec répétitions

• Si parmi ces n éléments, certains sont semblables, on parle de permutations avec répétitions.

Le nombre de permutations de n éléments dont n1 sont semblables, n2 sont semblables, ..., nr sont
semblables est
n!
.
n1 ! × n2 ! × ... × nr !
!
n! n
Si n1 + n2 + ... + nr = n, le nombre entier est noté et appelé
n1 ! × n2 ! × ... × nr ! n1 , n2 , · · · , nr
coefficient multinomial.

Exemples :
- Le nombre d’applications d’un ensemble de n éléments dans un ensemble de r éléments distincts
{a1 , .., ar } qui envoient exactement n1 éléments dans a1 , n2 éléments dans a2 ,..., nr éléments dans ar
est égal à !
n n!
= .
n1 , n2 , · · · , nr n1 ! × n2 ! × ... × nr !
- Le nombre d’alignements de n objets dont n1 sont semblables, n2 sont semblables, ..., nr ; classements
n!
avec ex-aequo est .
n1 ! × n2 ! × ... × nr !

3.2. Arrangements
Un arrangement est une disposition ordonnée.

Arrangements sans répétitions

• Un arragement sans répétitions de p éléments parmi n est une permutation de p éléments distincts
pris parmi n éléments distincts (p ≤ n).

Remarque :
(i) Les éléments sont pris sans répétition et sont ordonnés.
(ii) Un arragement sans répétitions de p éléments parmi n est une application injective de {1, 2, ..., p}
dans un ensemble F à n éléments.

Dr. OWO Kouassi Jean-Marc 6 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

On note Apn le nombre d’arrangements sans répétitions de p éléments parmi n. On a

n!
Apn = n(n − 1) × ... × (n − p + 1) = .
(n − p)!

Propriétés :
(i) Apn = nAp−1
n−1
(ii) Apn = pAp−1 p
n−1 + An−1

Exemples :
- Si E et F sont des ensembles finis tels que Card(E) = p et Card(F ) = n, alors le nombre
d’applications injectives de E dans F est Apn = n(n − 1) × ... × (n − p + 1) si p ≤ n et 0 sinon.
- Le nombre de tirages différents sans remise de p boules dans une urne contenant n boules toutes
discernables est égal à Apn = n(n − 1) × ... × (n − p + 1) si p ≤ n et 0 sinon.
- Le nombre de façons de placer p objets distincts dans n cases discernables, chaque case pouvant
contenir au plus 1 objet est Apn = n(n − 1) × ... × (n − p + 1) si p ≤ n et 0 sinon.

Arrangements avec répétitions

• Un arragement avec répétitions (possibles) de p éléments parmi n est une disposition ordonnée de
p éléments avec autant de répétitions que l’on souhaite.

Remarque : Un arragement avec répétitions de p éléments parmi n est une application de {1, 2, ..., p}
dans un ensemble F à n éléments.

Le nombre d’arrangements avec répétitions de p éléments parmi n est np .

Exemples :
- Si E et F sont des ensembles finis tels que Card(E) = p et Card(F ) = n, alors le nombre
d’applications de E dans F est np .
- Le nombre de tirages différents de p boules dans une urne contenant n boules toutes discernables
est égal à np lorsque les tirages sont non exhaustifs (i.e. avec remise après chaque tirage).
- Le nombre de façons de placer p objets distincts dans n cases discernables, chaque case pouvant
contenir éventuellement plusieurs objets est np .

3.3. Combinaisons
Une combinaison est une disposition non ordonnée.

Combinaisons sans répétitions

• Une combinaison sans répétitions de p éléments pris dans un ensemble à n éléments distincts
(p ≤ n) est un sous-ensemble à p éléments de cet ensemble.

Remarque : Les éléments sont pris sans répétition et ne sont pas ordonnés.

Exemple : Les combinaison sans répétitions de 2 éléments pris dans l’ensemble {1, 2, 3, 4} sont :
{1, 2} , {1, 3} , {1, 4} , {2, 3} , {2, 4} , {3, 4} .

Le nombre de combinaisons (sans répétitions) de p éléments parmi n est noté Cnp ou (np ) qui est appelé
coefficient binomial. On a
Apn n!
Cnp = = .
p! p!(n − p)!
Exemples :

Dr. OWO Kouassi Jean-Marc 7 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

- Si E est un ensemble fini tels que Card(E) = n, alors le nombre de parties de E ayant p éléments
est Cnp .
- Le nombre d’applications d’un ensemble de n éléments dans l’ensemble {a1 , a2 } (a1 6= a2 ) qui
envoient exactement p éléments dans a1 et les autres dans a2 est égal Cnp .
- Le nombre de façons de placer p objets indiscernables dans n cases discernables, chaque case pouvant
contenir au plus 1 objet est Cnp si p ≤ n et 0 sinon.

Propriétés :
(i) Cn0 = Cnn = 1
(ii) Cnp = Cnn−p
p−1 p
(iii) Formule de récurrence (Triangle de Pascal) Cnp = Cn−1 + Cn−1

n\p 0 1 2 3 4 5 6 7 8
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1
n
X
n
(iv) Formule de Binôme de Newton (a + b) = Cnp ap bn−p
p=0
n
X
En particulier, 2n = Cnp (Le nombre de parties d’un ensemble à n éléments).
p=0

Exercice d’application
On considère la fonction f (x) = (1 + x)n .
Xn
1. Montrer que f (x) = Cnk xk
k=0
2. A l’aide de f , calculer les sommes suivantes :
n n n n n
X
k
X
k k
X
k
X
2 k
X Cnk
Cn ; (−1) Cn ; kCn ; k Cn ;
k=0 k=0 k=1 k=1 k=0
k+1

Combinaisons avec répétitions

• Une combinaison avec répétitions (possibles) de p éléments pris dans un ensemble à n éléments
distincts est une disposition non ordonnée de p éléments avec possibilité de répétitions.

Exemple : Les combinaison avec répétitions (possibles) de 2 éléments pris dans l’ensemble {a, b, c, d}
sont : aa, ab, ac, ad, bb, bc, bd, cc, cd, dd.

Le nombre de combinaisons avec répétitions de p éléments parmi n est noté Knp ou ((np )).
On a
p
Knp = ((np )) = Cn+p−1 .

Exemples :
- Le nombre de façons de placer p objets indiscernables dans n cases discernables, chaque case pouvant
p
contenir éventuellement plusieurs objets est Cn+p−1 .

Dr. OWO Kouassi Jean-Marc 8 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

Exercices d’application
Exercice 1
Dans une campagne de vaccination, on présente trois types de vaccins : A, B et C. Chacun des vaccins
est obligatoire et administré une seule fois tous les deux ans. Deux journées sont décrétées à cet effet.
Au cours de la première journée, dans un village de 12500 âmes, 7000 personnes ont fait le vaccin A,
6700 le vaccin B et 5650 le vaccin C. De plus, parmi celles qui ont fait le vaccin A, 4100 ont fait aussi
le vaccin B et 3450 le vacin C. Parmi celles qui ont fait le vaccin C, 2600 ont fait aussi le vaccin B.
Enfin, 1600 ont fait tous les trois vaccins.
Pour la deuxième journée, déterminer le nombre de personnes qui doivent faire
1. le vaccin A uniquement, le vaccin B uniquement, le vaccin C uniquement.
2. les vaccins A et B uniquement, les vaccins A et C uniquement, les vaccins B et C uniquement.
3. les trois vaccins.

Exercice 2
Dans une entreprise, il y a 800 employés. 300 sont des hommes, 352 sont membres d’un syndicat,
424 sont mariés, 188 sont des hommes syndiqués, 166 sont des hommes mariés, 208 sont syndiqués
et mariés, 144 sont des hommes mariés syndiqués.
1. Formuler cette situation en terme d’ensembles et leurs cardinaux
2. Déterminer l’ensemble représentant les femmes célibataires non syndiquées. Puis déterminer
son cardinal.
Exercice 3
Une enquête sur la lecture de trois revues X, Y et Z portant sur un échantillon de 1000 personnes,
donne les résultats suivants :
- 16% lisent X, 10% lisent Y , 12% lisent Z ;
- 7% lisent Y et Z, 4% lisent X et Z, 3% lisent X et Y ;
- 1% lisent les trois revues.

1. Parmi ces 1000 personnes, combien ne lisent aucune de ces revues ?

2. Parmi ces 1000 personnes, combien lisent exactement deux de ces revues ?

Exercice 4
On considère 8 cartes dont 4 rouges et 4 noires. On rappelle qu’il a 4 types de cartes : pique, coeur,
carré et trefle et on suppose qu’on a (3 pique, 2 coeur, 2 carré et 1 trefle).
De combien de façon peut-on ordonner 8 cartes :
1. si on considère que toutes les cartes sont différentes ?
2. si on identifie les cartes même types ?
3. si on identifie les cartes rouges entre elles et noires entre elles ?
Exercice 5

A →
↓
↓
↓ → →
↓
↓ →B

Dr. OWO Kouassi Jean-Marc 9 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

Pas possibles : → ↓

Combien y a-t-il de trajets possibles pour arriver à B partant de A.

Exercice 6
On considère un pion qui évolue sur la grille ci-dessous. À l’instant initial, le pion est en A. A chaque
seconde, il se déplace sur la grille en suivant les arêtes, d’un pas vers le haut ou bien d’un pas vers
la droite.

A• →

1. Combien de temps met le pion pour arriver en B ?

2. Combien de chemins différents peut-il emprunter pour y arriver ?

Exercice 7

Combien de rectangles peut-on former ?

Exercice 8
Un étudiant s’habille très vite le matin et prend, au hasard dans la pile d’habits, un pantalon, un
tee-shirt, une paire de chaussettes ; il y a ce jour-là dans l’armoire 5 pantalons dont 2 noirs, 6 tee-shirt
dont 4 noirs, 8 paires de chaussettes, dont 5 paires noires.
1. Combien y-a-t-il de façons de s’habiller ?
2. Combien y-a-t-il de façons de s’habiller :
(a) s’il est tout en noir ?
(b) si une seule pièce est noire sur les trois ?
Exercice 9
Supposons qu’une plaque d’immatriculation contenant deux lettres distinctes suivies de trois chiffres
dont le premier est différent de zéro. Combien de plaques différentes peut-on imprimer ?
Exercice 10
Au service du personnel, on compte 12 célibataires parmi les 30 employés. On désire faire un sondage :
pour cela on choisit un échantillon de quatre personnes dans ce service.
1. Quel est le nombre d’échantillons différents possibles ?
2. Quel est le nombre d’échantillons ne contenant aucun célibataire ?
3. Quel est le nombre d’échantillons contenant au moins un célibataire ?

Dr. OWO Kouassi Jean-Marc 10 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

Exercice 11
Dans une ville, il y a quatre boulangeries qui ferment un jour par semaine.
1. Déterminer le nombre de façons d’attribuer un jour de fermeture hebdomadaire.
2. Déterminer le nombre de façons d’attribuer un jour de fermeture hebdomadaire si plusieurs
boulangeries ne peuvent fermer le même jour.
3. Déterminer le nombre de façons d’attribuer un jour de fermeture hebdomadaire s’il doit y avoir
au moins une boulangerie ouverte
4. Reprendre les questions précédentes si on suppose que deux boulangeries ne peuvent fermer le
même jour.
Exercice 12
Demontrer par pure combinatoire, les propriétés suivantes :
1. (i) Apn = nAp−1
n−1

(ii) Apn = pAp−1 p

n−1 + An−1

2. (i) Cnp = Cnn−p

p−1 p
(ii) Cnp = Cn−1 + Cn−1 (Formule de récurrence : Triangle de Pascal)
p−2 p−1 p
(iii) Cnp = Cn−2 + 2Cn−2 + Cn−2
k
X p−i
(iv) De façon générale : Cnp = Cki Cn−k
i=0
(v) Apn = p!Cnp
p
(vi) Knp = Knp−1 + Kn−1

Exercice 13
Par un raisonnement combinatoire, décomposer np dans les cas suivants : k = 3 et k = 4.
Exercice 14
On considère la fonction f (x) = (1 + x)n .
Xn
1. Montrer que f (x) = Cnk xk
k=0
2. A l’aide de f , calculer les sommes suivantes :
n n n n n
X
k
X
k k
X
k
X
2 k
X Cnk
Cn ; (−1) Cn ; kCn ; k Cn ;
k=0 k=0 k=1 k=1 k=0
k+1
Exercice 15
Une urne contient 20 boules distinctes dont 8 rouges, 5 noires et 7 blanches. On tire sumultanément
de l’urne un lot de 6 boules.
1. Combien de lots différents peut-on tirer ?
2. Combien de lots différents peut-on tirer dans les cas suivants :
(a) les boules sont de même couleur
(b) trois boules rouges, une boule noire et deux boules blanches sont tirées
(c) seule une boule noire est tirée
3. Répondre aux questions précédentes dans le cas où le tirage est successif avec remise, puis dans
le cas où le tirage est successif sans remise.

Dr. OWO Kouassi Jean-Marc 11 Maître de Conférences, U.F.H.B.

CHAPITRE 1. ANALYSE COMBINATOIRE

Exercice 16
Une télévision privée décide d’opter pour le système de "programme à péage" en utilisant des déco-
deurs commandés par des codes à huit chiffres.
1. Donner le nombre d’abonnés potentiels puis le nombre d’abonnés avec des codes de chiffres
différents.
2. Déterminer le nombre de codes à deux chiffres différents dont l’un est utilisé une fois.
3. Même question avec trois chiffres différents, dont deux sont utilisés une fois.
Exercice 17
Une association comprend six membres dont quatre hommes et deux femmes. Elle veut former un
comité de trois personnes dont un président, un secrétaire et un trésorier.

1. Quel est le nombre total de comités possibles ?

2. Quel est le nombre de comités comportant les deux sexes que peut-elle former ?
3. Déterminer le nombre de comités dans lesquels le président est un homme.
4. Même question si elle veut former un comité de trois responsabilités dont un poste de président,
un poste de secrétaire et un poste de trésorier.

Exercice 18
Une entreprise fabrique des cadenas ayant chacun un code constitué d’une lettre de l’alphabet français
puis de trois chiffres.
1. Combien de codes cette entreprise peut-elle attriuer ?
2. Parmi ces codes, combien :
(a) sont constitués de voyelles ?
(b) sont constitués de chffres distincts ?
(c) contiennent le chiffre 3 ?
Exercice 19
On répartit n objets (n ≥ 3) discernables dans trois cases numérotés 1,2,3.
Déterminer le nombre de dispositions
1. qui laissent au moins une case vide.
2. qui ne laissent aucune case vide.
3. telles que la case numéro 1 contient un seul objet.
4. telles que la case numéro 1 contient un seul objet et la case numéro 2 deux objets.
5. Repondre aux questions 1) et 2) si les objets étaient indiscernables.

Dr. OWO Kouassi Jean-Marc 12 Maître de Conférences, U.F.H.B.

 Chapitre 2

Notions de probabilités discrètes

Le but de ce chapitre est d’introduire les bases mathématiques utiles à la modélisation des phéno-
mènes aléatoires. Ainsi, l’objectif visé est de donner un sens mathématique à la notion de "hasard".

1. Espace probabilisable fini

1.1. Expérience aléatoire

 Une expérience ou un phénomène est dit aléatoire si on ne peut prévoir d’avance le résultat et qui
répétée dans les même conditions peut donner lieu à des résultats différents.

Exemples
- Le lancer d’un dé à six faces.
- Le lancer d’une pièce de monnaie.
- Le tirage d’un numéro parmi n numéros.

 L’ensemble des résultats d’une expérience aléatoire est bien déterminé avant sa réalisation, i.e.
avant l’épreuve. Cet ensemble est appelé l’espace fondamental ou l’univers de l’expérience. On le
note en général Ω.

Exemples
- Pour le lancer d’un dé à six faces numéroté de 1à 6, Ω = {1, 2, 3, 4, 5, 6}.
- Pour le lancer d’une pièce de monnaie, Ω = {P, F }.

 Tout résultat d’une expérience aléatoire s’appelle aussi une éventualité. On note ω le résultat obtenu
lors de la réalisation d’une expérience aléatoire.

1.2. Événements
 Lorsqu’on effectue une expérience aléatoire, certains faits liés à cette expérience peuvent se pro-
duit ou non. On les appelle événements. Ils sont représentés par les sous-ensembles de l’univers Ω.
L’ensemble de tous les événements est donc P(Ω).

Exemple
Pour le lancer d’un dé à six faces numéroté de 1 à 6, "obtenir un nombre pair", "obtenir plus de
4" sont des événements possibles.
Notons A l’événement "obtenir un nombre pair" et B l’événement "obtenir plus de 4".
A est décrit par les éventualités 2,4 et 6. On écrit : A = {2, 4, 6}.
B est décrit par les éventualités 5 et 6. On écrit : B = {5, 6}.

 Tout événement formé d’une seule éventualité est appelé événement élémentaire.

1.3. Langage des événements

 On dit qu’un événement A s’est réalisé si le résultat observé de l’expérience est un élément de A.

 Tout événement qui n’est jamais réalisé est dit événement impossible, il correspond à l’ensemble
vide ∅. Exemple, "obtenir un nombre négatif", dans un lancer de dé est un événement impossible à
réaliser.

13
CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

 Tout événement qui est toujours réalisé est dit événement certain, il correspond à l’ensemble
Ω. Exemple, dans un lancer de dé "obtenir moins de 7" ou "obtenir plus de 0" sont des phrases
équivalentes correspondant toutes deux à un événement toujours réalisé, soit à à l’ensemble Ω.
 A chaque événement A correspond son événement contraire "non A" noté A.
L’événement A est réalisé si, et seulement si, A n’est réalisé.
L’événement certain et l’événement impossible sont contraires l’un de l’autre.
On considère deux événements A et B.
 On dit que l’événement "A et B" s’est réalisé si le résultat observé de l’expérience est un élément
de A et de B, i.e. si A et B sont réalisés au cours de la même expérience aléatoire. On le note A ∩ B
 Les événements A et B sont dits incompatibles ou disjoints s’ils ne peuvent pas se produire simul-
tanément au cours de la même expérience aléatoire. Autrement dit A et B sont incompatibles si, et
seulement si, A ∩ B = ∅.
Remarque : Deux événements contraires sont incompatibles : A ∩ A = ∅.
 On dit que l’événement "A ou B", s’est réalisé si le résultat observé de l’expérience est un élément
de A ou de B, i.e. si l’un au moins des deux événements A ou B est réalisé au cours de la même
expérience aléatoire. On le note A ∪ B.
Remarque : Pour tout événement A, on a, A = CΩ A, A ∪ A = Ω et A ∩ A = ∅.
 De même, on définit les événements :
− La différence : A\B = A ∩ B. Remarque : A\B = A\A ∩ B.
L’événement A\B est réalisé si, et seulement si, A est réalisé et B ne l’est pas.
− La différence symétrique : A∆B = (A\B) ∪ (B\A) = (A ∪ B)\(A ∩ B).
L’événement A∆B est réalisé si, et seulement si, l’un et l’un seulement des deux événements A et B
est réalisé.
 On dit que A implique B si la réalisation de A entraine la réalisation de B. Autrement dit A
implique B si, et seulement si, A ⊂ B.
Soit Ω un ensemble fini et P(Ω) l’ensemble des parties de Ω. On considère un sous-ensemble non vide
F de parties de Ω (i.e., F ⊂ P(Ω)) vérifiant les propriétés suivantes :
(i) Ω ∈ F,
(ii) F est stable par passage au complémentaire (i.e. A ∈ F =⇒ A ∈ F),
(iii) F est stable par réunion (i.e. A, B ∈ F =⇒ A ∪ B ∈ F).

Exemples :

{∅, Ω}, P(Ω) et pour tout A ⊂ Ω, ∅, A, A, Ω vérifient les propriétés ci-dessus.
Le couple (Ω, F) où F vérifie les propriétés ci-dessus est appelé espace probabilisable (fini). En
particulier, (Ω, P(Ω)) est un espace probabilisable.

1.4. Système complet d’événements

Définition 2.1. Soit (Ω, F) un espace probabilisable. Une famille finie d’événements {Ai , i ∈ I} de
F est appelée système complet d’événements si :
(i) les événements sont deux à deux incompatibles :

Ai ∩ Aj = ∅, lorsque i 6= j

Dr. OWO Kouassi Jean-Marc 14 Maître de Conférences, U.F.H.B.

CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

(ii) la réunion des événements est certaine :

[
Ai = Ω
i∈I

Exemple

Pour tout A ⊂ Ω, A, A est un système complet d’événements.

2. Probabilité sur un ensemble fini

2.1. Définition
On considère une expérience aléatoire d’univers fini Ω. Soit A ⊂ Ω. On répète l’expérience n fois.
Soit nA le nombre de réalisation de A. Soit fn (A) la fréquence de réalisation de A. Alors
nA
fn (A) = et 0 ≤ fn (A) ≤ 1.
n
On a
(i) fn (Ω) = 1
(ii) Si A et B sont deux événement incompatibles alors fn (A ∪ B) = fn (A) + fn (B)
On montre que lorsque n tend vers l’infini, fn (A) converge vers une quantité P (A) qui sera appelée
probabilité de l’événement A.

Définition 2.2. Soit Ω l’univers d’une expérience aléatoire. On suppose que Ω est un ensemble
fini. Soit F une tribu définie sur Ω. On appelle probabilité sur l’espace probabilisable (Ω, F), toute
application P : F −→ [0, 1] telle que
(i) P(Ω) = 1
(ii) si A, B ∈ F et A ∩ B = ∅, alors P(A ∪ B) = P(A) + P(B).

On dit que (Ω, F, P) est un espace probabilisé et pour tout événement A ∈ F, on appelle P(A) la
probabilité de A.

En pratique, une probabilité sur un ensemble fini Ω est définie sur P(Ω).

X Si Ω = {ωi , i ∈ I} est un ensemble fini, la probabilité P sur (Ω, P(Ω)) est entièrement déterminée
par la connaissance des probabilités des événements élémentaires :

pi = P({ωi })

Si A ⊂ Ω = {ωi , i ∈ I}, sa probabilité est :

X
P(A) = pi
i∈I/ωi ∈A

X Soit Ω = {ωi , i ∈ I} un ensemble fini. Une famille finie de nombre réels (pi )i∈I définit une proba-
bilité sur (Ω, P(Ω)) si et seulement si :
(1) (pi )i∈I est une famille à valeurs positives ou nulles, c’est-à-dire :

∀ i ∈ I, pi ≥ 0

(2) la probabilité totale vaut 1, c’est-à-dire :

X
pi = 1.
i∈I

Dr. OWO Kouassi Jean-Marc 15 Maître de Conférences, U.F.H.B.

CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

Exemple. Cas d’équiprobabilité : Probabilité uniforme

Une expérience aléatoire est dite équiprobable si l’univers est fini et tous les événements élémentaires
ont la même probabilité.

Soit (Ω, P(Ω)) un espace probabilisable fini.

On suppose qu’on a l’hypothèse d’équiprobabilité sur Ω, c’est à dire tous les événements élémentaires
ont la même probabilité.

Sous cette hypothèse, la probabilité d’un événement A est alors donnée par
card(A) Nb de cas favorables à A
P(A) = = .
card(Ω) Nb de cas possibles
Cette probabilité est dite uniforme sur Ω.

Notons qu’il est impossible d’avoir l’hypothèse d’équiprobabilité sur un espace probabilisable non
fini.

2.2. Propriétés
Propriété 2.1. Toute probabilité P sur un espace probabilisable (Ω, F) vérifie les propriétés sui-
vantes :
• P(∅) = 0
• P(A) = 1 − P (A)
• P(A \ B) = P(A) − P(A ∩ B)
• Si A ⊂ B alors P(A) ≤ P(B)
• P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
• Formule de Poincaré (ou du crible) :
n
[ n
X X n
X X
P( Ai ) = P(Ai ) − P(Ai ∩ Aj ) + (−1)k−1 P(Ai1 ∩ ... ∩ Aik ),
i=1 i=1 1≤i<j≤n k=3 1≤i1 <i2 <...<ik

soit

n
[ n
X X \
P( Ai ) = (−1)k−1 P( Ai ).
i=1 k=1 I⊂[[1,n]],|I|=k i∈I

Définition 2.3. Soit (Ω, F, P) un espace probabilisé.

- Si A est un événement de probabilité nulle, on dit que A est négligeable.
- Soit P une propriété. Si A = {ω ∈ Ω/ω vérifie P} et P(A) = 1, on dit que P est vraie presque
sûrement (p.s.).

Remarque : Ces notion dependent de P.

3. Probabilité conditionnelle
Dans cette section, notre objectif est quantifier les chances de réalisation d’un événement lorsqu’on
dispose d’informations sur le résultat de l’expérience sans le connaître.

Exemple. On lance succesuvement deux dés non pipés. On suppose qu’on a l’information suivante :
" la somme des chiffres obtenus est 8". On cherche sous cette information à évaluer la chance que le
premier chiffre du résultat obtenu soit pair.

Dr. OWO Kouassi Jean-Marc 16 Maître de Conférences, U.F.H.B.

CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

3.1. Définition
Définition 2.4. Soit (Ω, F, P) un espace probabilisé. Soient A et B deux événements tels que P(B) >
P(A ∩ B)
0. On appelle probabilité conditionnelle de A sachant B, la quantité .
P(B)
Pour tout événement B tel que P(B) > 0, on appelle probabilité conditionnelle sachant B l’application
P(A ∩ B)
notée P(./B) ou PB définie sur F et qui à tout élément A de F associe qu’on note P(A/B)
P(B)
ou PB (A).

3.2. Formule des probabilités composées

Soit A1 , ..., An une famille d’événements tels que P(A1 ∩ A2 ∩ ... ∩ An−1 ) > 0. Alors, on a

P(A1 ∩ A2 ∩ ... ∩ An ) = P(A1 ) × P(A2 /A1 ) × P(A3 /A1 ∩ A2 ) × ... × P(An /A1 ∩ ... ∩ An−1 ).

Exemple :

3.3. Formule des probabilités totales

Soit (Ai )i∈I un système complet d’événements de probabilités non nulles. Pour tout événement
B, on a
X X
P(B) = P(Ai ∩ B) = P(Ai )P(B/Ai ).
i∈I i∈I

Exemple :

3.4. Formule de Bayes ou probabilités des causes

Soit (Ai )i∈I un système complet d’événements de probabilités non nulles et B un événement de
probabilité non nulle. Alors pour tout i0 ∈ I fixé, on a :
P(Ai )P(B/Ai0 )
P(Ai0 /B) = X 0 .
P(Ai )P(B/Ai )
i∈I

Exemple :

4. Indépendance d’événements

4.1. Indépendance de deux événements

Définition 2.5. Soit (Ω, F, P) un espace probabilisé. Soit A et B deux événements. On dit que A et
B sont indépendants si P(A ∩ B) = P(A)P(B).

Proposition 2.1 (Indépendance et probabilité conditionnelle). Soit (Ω, F, P) un espace probabilisé.

Deux événements A et B de probabilité non nulle sont indépendants si et seulement si la probabilité
conditionnelle de A sachant B est égale à la probabilité de A : P(A/B) = P(A)

Remarque : Le résultat est aussi vrai si P(B/A) = P(B). i.e. la réalisation de l’un n’a pas d’influence
sur la chance de réalisation de l’autre.

Exemple :

Propriétés

Dr. OWO Kouassi Jean-Marc 17 Maître de Conférences, U.F.H.B.

CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

(i) Les événements A et B sont indépendants si et seulement si les événements A et B sont indépen-
dants.
(ii) Les événements A et B sont indépendants si et seulement si les événements A et B sont indé-
pendants.
(iii) L’événement certain est indépendant de tout événement.
(iv) L’événement impossible est indépendant de tout événement.
(v) Deux événements incompatibles en dehors de l’univers et de l’événement impossible ne sont pas
indépendants.

4.2. Indépendance mutuelle de n événements

Définition 2.6. Soient A1 , ..., An n événements d’un espace probababilisé (Ω, F, P). Les événements
A1 , ..., An sont dits mutuellement indépendants si pour tout k ∈ {2, ..., n} et pour tout i1 , ..., ik ∈
{1, ..., n} avec i1 < i2 < ... < ik , on a
k
\ k
Y
P( Aij ) = P(Aij ).
j=1 j=1

Remarque
n
X
L’indépendance mutuelle de n événements est décrite à l’aide de Cnk = 2n − n − 1 relations.
k=2

Exemple A, B, C sont mutuellement indépendants si

(1) P(A ∩ B) = P(A)P(B)
(2) P(A ∩ C) = P(A)P(C)
(3) P(B ∩ C) = P(B)P(C)
(4) P(A ∩ B ∩ C) = P(A)P(B)P(C)
X 3
On a C3k = 23 − 3 − 1 = 4 relations.
k=2

Dr. OWO Kouassi Jean-Marc 18 Maître de Conférences, U.F.H.B.

CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

Exercices d’application
Questions de Cours
1. Donner la définition : (a) d’une expérience aléatoire E et (b) d’une probabilité P.
2. Soit Ω l’univers de l’expériance aléatoire E et P(Ω) l’ensemble des parties de Ω. Comment
appelle-on le triplet (Ω, P(Ω), P) ?
3. Quand dit-on que l’expériance aléatoire E est équiprobable ? Dans ce cas, donner l’expression
de P(A) pour tout événement A.

Exercice 1
Soient A, B, C trois événements d’un même espace probabilisé fini (Ω, P(Ω), P).
1. Exprimer en fonction de A, B, C les événements :
- l’un au moins des trois événements se réalise
- un et un seul des trois événements se réalise
- deux au moins des trois événements se réalisent
- deux exactement des trois événements se réalisent.
2. Montrer que si les événements A et B ∪ C sont incompatibles, alors la réalisation de A entraîne
celles de B et de C.

Exercice 2
Dans chacune de situations décrites ci-dessous, énoncer l’événement contraire de l’événement donné.

1. Dans une classe, on choisit deux élèves au hasard. A : " Les deux élèves sont des filles".
2. Dans un groupe de suisses et de belges, on discute avec une personne. B : "La personne est un
homme belge".
3. Au restaurant, Luc prend un plat et un dessert. C : "Luc prend une viande et une glace".
4. A une loterie, Elise achète 3 billets. D : "L’un des billets au moins est gagnant", E : "Deux
billets au maximum sont gagnants".

Exercice 3
Une urne contient des boules blanches, noires et rouges. On tire une boule de l’urne. On note : A :
"Tirer une boule blanche". B : "Tirer une boule ni blanche ni rouge". C : "Tirer une boule noire ou
une boule rouge".
(1) A et B sont-ils incompatibles ? B et C sont-ils incompatibles ?
(2) Traduire par une phrase ne comportant pas de négation A et B

Exercice 4
2
Soient A et B deux événements d’un univers Ω tels que P(A) = 3
et P(B) = 41 .
1
1. Montrer que 12
≤ P(A ∩ B) ≤ 13 .
5
2. En déduire que 12
≤ P(A ∩ B) ≤ 23 .

Exercice 5
Soient A, B et C trois événements d’un univers Ω tels que P(A) = 31 , P(B) = 1
6
et P(C) = 14 .
1. On suppose que A, B et C sont deux à deux incompatibles. Calculer P(A ∪ B ∪ C).
2. On suppose que A, B et C sont indépendants. Calculer P(A ∪ B ∪ C).

Dr. OWO Kouassi Jean-Marc 19 Maître de Conférences, U.F.H.B.

CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

Exercice 6
Une association comprend six membres dont quatre hommes et deux femmes. Elle veut former un
comité de trois personnes dont un président, un secrétaire et un trésorier.

1. Quel est le nombre de comités possibles que l’on peut former ?

2. Quelle est la probabilité que le comités comporte les deux sexes ?
3. Quelle est la probabilité que le président du comité soit un homme ?
4. Quelle est la probabilité que M. Yao et Mme Konan ne siègent pas ensemble si le comité
comprend au moins un homme et une femme ?

Exercice 7
On a melangé par inadvertance des graines de trois provenances différentes A, B et C. On a ainsi un
ensemble de graines dont 30% provient de A et 25% de B. 5% des graines de A, 4% des graines de
B et 10% des graines de C sont défectueuses. On choisit une graine au hasard ; elle est défectueuse.
Quelle est la probbilité pour qu’elle provienne de B.

Exercice 8
Une urne contient neuf boules dont six rouges et trois noires.

1. On tire sans remise un lot de quatre boules.

(a) Quelle est la probabilité que le lot contienne au moins une boule noires ?
(b) On suppose que chaque boule rouge tirée fait gagner 100 F et chaque boule noire tirée fait
perdre 300 F. Quelle est la probabilité que le gain associé au lot soit nul ?
2. Mêmes si on tire avec remise.

Exercice 9
Un étudiant s’habille très vite le matin et prend, au hasard dans la pile d’habits, un pantalon, un
tee-shirt, une paire de chaussettes ; il y a ce jour-là dans l’armoire 5 pantalons dont 2 noirs, 6 tee-shirt
dont 4 noirs, 8 paires de chaussettes, dont 5 paires noires.
1. Combien y-a-t-il de façons de s’habiller ?
2. Quelles sont les probabilités des événements suivants :
(a) il est tout en noir ;
(b) une seule pièce est noire sur les trois.

Exercice 10
Dans un lot de pièces fabriquées, il y a 5% de pièces défectueuses. On contrôle les pièces, mais le
mécanisme de contrôle est aléatoire. Si la pièce est bonne, elle est acceptée avec une probabilité égale
à 0,96 ; si la pièce est mauvaise, elle est refusée avec probabilité 0,98. On choisit au hasard une pièce
que l’on contrôle.
(1) Quelle est la probabilité que cette pièce soit refusée ?
(2) Quelle est la probabilité que cette pièce soit bonne, sachant qu’elle est refusée ?
(3) Quelle est la probabilité que cette pièce soit mauvaise sachant qu’elle est acceptée ?
(4) Quelle est la probabilité qu’il y ait une erreur dans le contrôle (une bonne pièce est refusée
ou une mauvaise est acceptée) ?

Exercice 11
Une compagnie d’assurance répartit ses assurés en trois catégories : conducteur à faible risque, conduc-
teur à risque moyen et conducteur à haut risque. Les statistiques de la compagnie indiquent que la

Dr. OWO Kouassi Jean-Marc 20 Maître de Conférences, U.F.H.B.

CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

probabilité d’accident sur une période de un an est 0.05, 0.15 et 0.30 selon la catégorie. Par ailleurs,
la répartition des assurés est la suivante : 20% sont à bas risque, 50% à risque moyen et 30% à haut
risque. Un assuré est choisi au hasard.
1. Quelle est la probabilité qu’il ait un accident au cours de l’année ?
2. Sachant que l’assuré n’a pas eu d’accident lors de l’année écoulée, quelle est la probabilité qu’il
soit à faible risque ?

Exercice 12
On considère le jeu suivant : le joueur lance d’abord un dé non truqué. Il tire ensuite un jeton dans
une urne choisie en fonction du résultat du dé. L’urne A est choisie quand le dé donne un chifre
impair, l’urne B quand on obtient 2 ou 4 et l’urne C quand on obtient 6. Les urnes contiennent les
jetons suivants :
- urne A : deux jetons rouges, trois jetons bleus ;
- urne B : deux jetons bleus, quatre jetons verts ;
- urne C : un jeton vert, un jeton rouge ;
1. Quelle est la probabilité d’obtenir un jeton rouge par ce procédé ?
2. On obtient un jeton vert. Quelle est la probabilité que ce jeton soit issu de l’urne B ?
3. Est-ce que l’évènement «choisir dans l’urne C» et l’évènement «obtenir un jeton rouge» sont
indépendants ? Justifiez votre réponse.

Exercice 13
Un gardien de nuit doit ouvrir une porte dans le noir, avec 5 clefs dont une seule est la bonne.

1. Quelle est la probabilité qu’il ouvre la porte à la 5ème tentative s’il essaie les clefs une à une
sans utiliser deux fois la même ?
2. Lorsue le gardien est ivre, il melange toutes les clefs à chaque tentative. Quelle est la probabilité
qu’il ouvre la porte à la 5ème tentative ?
3. Le gardien est ivre un jour sur trois. Sachant qu’un jour 5 tentatives ont été nécessaires pour
ouvrir la porte, quelle est la probabilité que le gardien ait été ivre ce jour là ?

Exercice 14
On étudie au cours du temps le fonctionnement d’un appareil obeissant aux règles suivantes pour
tout n ∈ N∗ :
- si l’appareil fonctionne au temps n − 1, il a la probabilité 1/4 d’être en panne au temps n.
- si l’appareil est en panne au temps n − 1, il a la probabilité 1/2 d’être en panne au temps n.
On note pn la probabilité que l’appareil soit en état de marche à l’instant n.
1. Pour n ∈ N∗ , établir une relation entre pn et pn−1 . En déduire pn en fonction de p0 .
2. Etudier la convergence de (pn )n∈N .

Exercice 15
Quatre hommes déposent leur chapeau au vestiaire en entrant dans un restaurant et choisissent au
hasard en sortant 1 des 4 chapeaux. Calculer les probabilités suivantes.
1. Aucun des 4 hommes ne prend son propre chapeau.
2. Exactement 2 des 4 hommes prennent leur propre chapeau.

Dr. OWO Kouassi Jean-Marc 21 Maître de Conférences, U.F.H.B.

CHAPITRE 2. NOTIONS DE PROBABILITÉS DISCRÈTES

Exercice 16
La société ASR, un grand producteur d’ordinateurs, sait que 3 machines sur mille sortant de son
usine sont défectueuses. Afin de détecter ces ordinateurs défectueux, les ingénieurs de ASR ont mis
au point un test de fiabilité qu’ils ont éprouvé sur un échantillon test connu d’avance.
Parmi les ordinateurs en parfait état, 94% réussissent le test (donc 6% de ceux qui sont en bon état
ne le réussissent pas) et parmi ceux défectueux, seulement 2% réussissent le test (donc il y a 98%
d’ordinateurs qui ne passent pas le test sachant qu’ils sont défectueux).
Il a été décidé que les ordinateurs n’ayant pas passé le test avec succès seront détruits. Le directeur
général de ASR, qui vient de vous engager comme proche collaborateur, vous demande votre avis sur
cette stratégie de sélection. Répondez aux questions suivantes :
1. Quelle est la probabilité qu’un ordinateur soit défectueux et qu’il ne réussisse pas le test ?
2. Quelle est la probabilité qu’un ordinateur ne réussisse pas le test ?
3. Quelle est la proportion d’ordinateurs vraiment défectueux qui sont détruits ?

Exercice 17
Dans la population d’une ville, 23% des personnes ont été vacinées contre la gripe. Parmi les gens
venus se faire soigner à propos de cette grippe, il y a 20% de vacinés, on ne connait pas la proportion
de malades dans la population, mais on sait que parmi les non vacinés, il y a 47% de grippés. Quelle
est la proportion de grippés parmi les vacinés ?

Exercice 18
Trois coups sont successivement tirés sur une cible. Les probabilités d’atteinte de la cible sont respec-
tivement 0.3 pour le 1er coup, 0.5 pour le 2ème et 0.7 pour le 3ème. La probabilité de destruction de
la cible est 0.4 lorsqu’elle est touchée une seule fois, 0.8 lorsqu’elle est touchée 2 fois et 1 lorsqu’elle
est touchée 3 fois.
1. Quelle est la probabilité de destruction de la cible après les 3 coups ?
2. Quelle est la probabilité que cette destruction ait été le résultat d’une seule atteinte ? de deux
atteintes ? de trois atteintes ?

Dr. OWO Kouassi Jean-Marc 22 Maître de Conférences, U.F.H.B.

 Chapitre 3

Variable aléatoire discrète

1. Variable aléatoire finie

Définition 3.1. Soit (Ω, F) un espace probabilisable fini. Une variable aléatoire réelle finie sur (Ω, F)
est une application X définie sur Ω à valeurs dans R (X : Ω −→ R) qui prend un nombre fini de
valeurs {x1 , x2 , ..., xn } telle que

∀ B ⊂ R, X −1 (B) = {ω ∈ Ω|X(ω) ∈ B} ∈ F (3.1)

Notation : X −1 (B) est l’image réciproque de B par X et est notée {X ∈ B}.

En particulier, ∀x ∈ R, X −1 ({x}) = X −1 (x) = {ω ∈ Ω|X(ω) = x} = {X = x}.
La condition 3.1 est très importante pour la définition de variables aléatoires sur tout espace pro-
babilisable (Ω, F). Mais elle est toujours réalisée si F = P(Ω). Dans ce cas, toute application de Ω
dans R, i.e. toute application dont les valeurs dépendent du resultat d’une expérience aléatoire est
une variable aléatoire définie sur (Ω, P(Ω)).
Remarque : Si X est une variable aléatoire réelle finie, on peut énumérer les éléments de l’ensemble
X(Ω) des valeurs prises par la variable aléatoire X :

X(Ω) = {xi |i ∈ [[1, n]]} = {x1 , x2 , ..., xn }

où les xi sont ordonnés : x1 < x2 < ... < xn

NB : {X = x1 }, {X = x2 }, ..., {X = xn } est un système complet d’événements de Ω.
[
Remarque : ∀B ⊂ R, X −1 (B) = {X ∈ B} = {X = xi }. Cette réunion est finie.
xi ∈B

Proposition 3.1. Une application X définie sur Ω à valeurs dans {x1 , x2 , ..., xn } ⊂ R est une
variable aléatoire réelle finie sur (Ω, F) si et seulement si

∀i ∈ [[1, n]], X −1 (xi ) = {X = xi } ∈ F.

Exemple 3.1. Considérons l’expérience aléatoire qui consiste à lancer un dé.

Alors, Ω = {1, 2, 3, 4, 5, 6} , F1 = P(Ω). Soit l’application X :
(
1, si ω = 6
X(ω) =
0, sinon.

L’ensemble des valeurs prises par X est X(Ω) = {0, 1} et X −1 (0) = {1, 2, 3, 4, 5} ; X −1 (1) = {6}.
On a X −1 (0) ∈ F1 ; X −1 (1) ∈ F1 . X est donc une variable aléatoire sur (Ω, F1 ).
Par contre, X n’est une variable aléatoire sur (Ω, F2 ) avec F2 = {∅, {5, 6}, {1, 2, 3, 4}, Ω}, car
X −1 (0), X −1 (1) 6∈ F2 (la condition 3.1 n’est pas vérifiée).

2. Loi de probabilité et fonction de répartition

2.1. Loi d’une variable aléatoire finie

Définition 3.2. Soit (Ω, F, P) un espace probabilisé, X une variable aléatoire réelle définie sur
(Ω, F, P) : X : Ω −→ R. On appelle loi de X, la probabilité image de P par X. C’est donc la
probabilité PX définie par :

PX (B) = P(X −1 (B)) = P(X ∈ B), ∀ B ⊂ R

23
CHAPITRE 3. VARIABLE ALÉATOIRE DISCRÈTE

[ X
Remarque : ∀B ⊂ R, PX (B) = P(X ∈ B) = P( {X = xi }) = P(X = xi ).
xi ∈B xi ∈B

Proposition 3.2 (Caractérisation de la loi d’une variable aléatoire finie). Soit (Ω, F, P) un espace
probabilisé, X une variable aléatoire finie définie sur (Ω, F, P) à valeurs dans {x1 , x2 , ..., xn }. Alors
la loi de X est entièrement déterminée par la fonction pX : X(Ω) −→ [0, 1] définie par :

∀i ∈ [[1, n]], pX (xi ) = P(X = xi )

Remarque : Déterminer la loi d’une variable aléatoire finie X, revient à déterminer la fonction pX .
X X
En effet, ∀B ⊂ R, PX (B) = P(X ∈ B) = P(X = xi ) = pX (xi )
xi ∈B xi ∈B

Propriétés 3.1. Si X une variable aléatoire finie à valeurs dans {x1 , x2 , ..., xn }, la loi de X vérifie
n
X
P(X = xi ) = 1
i=1

Réciproquement, si p : {x1 , x2 , ..., xn } −→ [0, 1] est une fonction vérifiant :

n
X
p(xi ) = 1
i=1

il existe un espace probabilisé (Ω, F, P) et une variable aléatoire X finie définie sur (Ω, F, P) telle
que p est loi de X.

En pratique, pour déterminer la loi d’une variable aléatoire finie X,

1. on commence par modéliser le problème en identifiant l’univers Ω des résultats possibles, le
sous ensemble F des événements et la probabilité P définie sur (Ω, F).
2. on identifie ensuite les valeurs x1 , x2 , ..., xn prises par X, c’est-à-dire l’ensemble X(Ω)
3. on calcule enfin P(X = x) pour tout x ∈ X(Ω)
Remarque :
- Si n est petit, on représente souvent les résultats dans un tableau.
- Lorsque X = f (Y ) est définie à partir d’une variable aléatoire Y dont on connaît la loi, l’étape de
modélisation est inutile.

Exemple : Une urne contient 6 boules numérotées de 1 à 6. On tire sans remise 3 boules. On note X
le plus petit nombre tiré et Y le plus grand nombre tiré. Donner les lois de X et Y .

Exemple : Une urne contient 8 boules dont 5 noires et 3 rouges. On tire successivement sans remise
3 boules. On note X le rang de la première boule rouge tirée. Donner la loi de X.

Exemple : Soit X une variable aléatoire d’ensemble de valeurs possibles X(Ω) = {−2, −1, 0, 1, 2} et
de loi de probabilités définie par : P(X = −1) = P(X = 1) = 14 , P(X = 0) = 1
3
et P(X = −2) =
α
P(X = 2) = 2
.

1. Trouver la valeur de α.
2. Déterminer la loi de Y = |X|.

Dr. OWO Kouassi Jean-Marc 24 Maître de Conférences, U.F.H.B.

CHAPITRE 3. VARIABLE ALÉATOIRE DISCRÈTE

2.2. Fonction de repartition

Définition 3.3. Soit X une variable aléatoire réelle finie sur (Ω, F, P). On appelle fonction de
repartition de X la fonction FX : R −→ R telle que

FX (x) = P(X −1 (] − ∞, x])) = P(X ≤ x).

La fonction de répartition vérifie les importantes propriétés suivantes :

Propriété 3.1.
(1) 0 ≤ FX (x) ≤ 1
(2) lim FX (x) = 0 et lim FX (x) = 1
x−→−∞ x−→+∞
(3) FX est croissante (au sens large)
(4) FX est continue à droite en tout point de R : ∀ x ∈ R, lim FX (u) = FX (x).
u→x
>

(5) FX a un nombre fini de points de discontinuités.

Réciproquement, on prouve qu’une fonction vérifiant les propriétés précédentes est la fonction de
répartition d’une certaine variable aléatoire finie.

On a aussi les propriétés suivantes : ∀ a, b ∈ R,

P(a < X ≤ b) = FX (b) − FX (a)

P(a ≤ X ≤ b) = FX (b) − lim FX (u)

u→a
<

P(a < X < b) = lim FX (u) − FX (a)

u→b
<

P(a ≤ X < b) = lim FX (u) − lim FX (u).

u→b u→a
< <

Soit (Ω, F, P) un espace probabilisé fini. Soit X une variable aléatoire réelle (v.a.r.) finie sur (Ω, F)
telle que X(Ω) = {x1 , x2 , ..., xn }, où les xi sont rangées dans l’ordre croissant et P(X = xi ) = pi . Alors
la fonction de répartition FX est une fonction constante par morceaux de points de discontinuité xi ,
définie par :

∀ x ∈] − ∞, x1 [, FX (x) = 0.
k
X
∀ k ≥ 1, ∀ x ∈ [xk , xk+1 [, FX (x) = p1 + p2 + ... + pk = pi .
i=1
n
X
∀ x ∈ [xn , +∞[, FX (x) = p1 + p2 + ... + pn = pi = 1.
i=1

Exemple : On considère une variable aléatoire discrète X telle que X(Ω) = {1, 2, 3, 4} et P(X = 1) =
1
3
, P(X = 2) = 41 , P(X = 3) = 61 . Déterminer sa fonction de répartition.

Connaissant, la fonction de répartition FX d’une variable aléatoire réelle discrète X, on peut récons-
tituer sa loi :
∀ x ∈ X(Ω), P(X = x) = FX (x) − lim FX (u).
u→x
<

En particulier, si X(Ω) = {x1 , x2 , ..., xn }, où les xi sont rangées dans l’ordre croissant, alors

P(X = x1 ) = FX (x1 ), et ∀ i ∈ [[2, n]], P(X = xi ) = FX (xi ) − FX (xi−1 ).

Dr. OWO Kouassi Jean-Marc 25 Maître de Conférences, U.F.H.B.

CHAPITRE 3. VARIABLE ALÉATOIRE DISCRÈTE

Remarque : Il est parfois plus simple de déterminer la loi d’une variable aléatoire réelle à partir de
sa fonctionde répartion.

Exemple : On jette successivement et indépendamment sur une table deux dés tétraédriques dont
les faces sont numérotées de 1 à 4. On note X1 le premier nombre obtenu, X2 le deuxième nombre
obtenu et X le plus grand des deux nombres obtenus. Donner la loi de X.

Soit I une partie de N ou Z et {(xi , pi ), i ∈ I} une partie de R2 tels que xi 6= xj , ∀ i 6= j.

Une condition nécessaire et suffisante pour que {(xi , pi ), i ∈ I} soit la loi de probabilité d’une v.a.r.
est que :
X
∀ i ∈ I, pi ≥ 0 et pi = 1.
i∈I

3. Moments d’une variable aléatoire finie

3.1. Expérance mathématique

Définition 3.4. Soit X une variable aléatoire réelle finie sur un espace probabilisé fini (Ω, F, P) à
valeur dans X(Ω) = {x1 , x2 , ..., xn }. On appelle expérance mathématique de X la quantité :

X n
X
E(X) = xP(X = x) = xi P(X = xi )
x∈X(Ω) i=1

Propriété 3.2.
– Pour tous α, β ∈ R, on a : E(αX + βY ) = αE(X) + βE(Y ).
– Si X ≥ Y , alors E(X) ≥ E(Y ). En particulier, si X ≥ 0, alors E(X) ≥ 0
– Si X est une constante, alors E(X) = X.
– Si X et Y sont indépendantes, alors E(XY ) = E(X)E(Y ).

Remarque : Pour tout événement A de l’espace probabilisé (Ω, F, P), on a : P(A) = E(1A )

NB : Une variable aléatoire est dite centrée si expérance mathématique est nulle : E(X) = 0.

Remarque : Si X est une variable aléatoire non centrée, alors la variable aléatoire Y définie par :
Y = X − E(X) est centrée. En effet, E(Y ) = E[X − E(X)] = E(X) − E[E(X)] = E(X) − E(X) = 0.

Théorème 3.1 (Théorème de transfert). Soit X une variable aléatoire finie, et h une fonction définie
sur X(Ω) = {x1 , x2 , ..., xn }. Alors h(X) est une variable aléatoire finie, et son espérance se calcule
par la formule :
X n
X
E(h(X)) = h(x)P(X = x) = h(xi )P(X = xi ) (3.2)
x∈X(Ω) i=1

Remarque : Réciproquement, si pour toute fonction continue h, on a l’égalité (3.2), alors

p(xi ) = P(X = xi ), i ∈ [[1, n]]

est la loi de X.

Pour tout k ∈ N∗ ,
- si h(x) = xk , on parle de moment d’ordre k de X et on note mk (X) = E(X k ).
- si h(x) = (x−E(X))k , on parle de moment centré d’ordre k de X et on note µk (X) = E[(X−E(X))k ].

Remarque 3.1. E(X) = m1 (X)

Dr. OWO Kouassi Jean-Marc 26 Maître de Conférences, U.F.H.B.

CHAPITRE 3. VARIABLE ALÉATOIRE DISCRÈTE

3.2. Variance et ecart type

Définition 3.5. Soit X une variable aléatoire réelle finie. On appelle variance de X la quantité :

V (X) = E((X − E(X))2 )

Propriété 3.3.
- V (X) ≥ 0
- V (αX + β) = α2 V (X).
- Si X et Y sont indépendantes, alors V (X + Y ) = V (X) + V (Y ).

Remarque 3.2. V (X) = µ2 (X).

Remarque : V (X) = 0 ⇐⇒ X = E(X).

On peut calculer la variance par la formule de Huygens :

Théorème 3.2 (Formule de Huygens). La variance est la différence entre l’espérance du carré et le
carré de l’espérance :
V (X) = E(X 2 ) − (E(X))2

Remarque 3.3. V (X) = m2 (X) − m21 (X).

Définition 3.6. Soit X une variable aléatoire réelle finie. On appelle ecart type de X la racine carrée
de la variance V(X) :
p
σ(X) = V (X).

Propriété 3.4. σ(αX + β) = |α|σ(X).

NB : Une variable aléatoire est dite réduite si sa variance vaut 1 : V (X) = σ 2 (X) = 1.

Remarque : Si X est une variable aléatoire non réduite telle que V (X) 6= 0, alors la variable aléatoire
X X 1
Y définie par : Y = σ(X)
est réduite. En effet, V (Y ) = V [ σ(X) ]= σ 2 (X)
V (X) = 1.

Remarque : Si X est une variable aléatoire non centrée, ni réduite telle que V (X) 6= 0, alors la
X−E(X)
variable aléatoire Y définie par : Y = σ(X)
est centrée réduite.

4. Lois de probabilités usuelles finies

4.1. Loi de Bernoulli B(1, p)

On appelle epreuve de Bernoulli, toute expérience aléatoire à deux issues, l’une est appelée succes
et l’autre l’echec.
Exemples :
- Le jet d’une pièce de monnaie
- Le jet d’un dé cubique et l’observation d’une face marquée.
- Se présenter à un examen
- Dans une population subdivisée en deux parties, le tirage d’un individu.
Le résultat de cette expérience est représenté par une v.a. X, appélée v.a de Bernoulli, définie par :
(
1, si le choix de ω donne un succes
X(ω) =
0, sinon.

Dr. OWO Kouassi Jean-Marc 27 Maître de Conférences, U.F.H.B.

CHAPITRE 3. VARIABLE ALÉATOIRE DISCRÈTE

Ainsi, X(Ω) = {0, 1}. Si la probabilité du succès est p (p = P(succs)), alors P(X = 1) = p,
P(X = 0) = 1 − p. On dit que X suit une loi de Bernoulli de paramètre p, ce qu’on écrit X B(1, p).
En pratique : Ces variables aléatoires servent à modéliser des expériences aléatoires n’ayant que
deux issues possibles, que l’on représente par 0 ou 1 : lancer d’un pile/face, expérience avec suc-
cès/échec, état
 d’un composant fonctionne/en panne...
 0, si x < 0


• FX (x) = 1 − p, si 0 ≤ x < 1

si x ≥ 1.

 1,
• E(X) = p, V (X) = p(1 − p)
• ϕX (t) = (1 − p) + peit , GX (s) = (1 − p) + ps

4.2. Loi Binomial B(n, p)

On effectue n répétitions indépendantes d’une epreuve de Bernoulli et on note X le nombre de
fois où on a obtenu le succès. On définit ainsi une variable aléatoire X qui suit une loi Binomial de
paramètres n et p = Prob(Succès), caractérisé par

X(Ω) = {0, 1, ..., n} et pour tout k ∈ X(Ω), P(X = k) = Cnk pk (1 − p)n−k .

On écrit X  B(n, p).



 0, si x < 0

(1 − p)n , si 0 ≤ x < 1




k
• FX (x) = X


 Cni pi (1 − p)n−i , si k ≤ x < k + 1
i=1




 1, si x ≥ n
• E(X) = np, V (X) = np(1 − p)
• ϕX (t) = (1 − p + peit )n , GX (s) = (1 − p + ps)n .
n
X
Remarque : X B(n, p) ⇐⇒ X = Xi , avec Xi B(1, p), ∀ i = 1, ..., n indépendantes.
i=1

Cette loi apparait à chaque fois que l’on somme n variables aléatoires indépendantes et identiquement
distribuées de loi de Bernoulli de paramètre p.

Exemple : On lance dix fois dans les même conditions une pièce de monnaie, quelle est la probabilité
d’obtenir 5 faces.
Le lancer d’une pièce de monnaie est une épreuve de Bernoulli. Le fait de lancer dix fois dans les
même conditions la pièce constitue une répétition indépendante de la même épreuve. X=nombre de
fois où l’on obtient face. Alors X B(n, p), avec n = 10 et p = 21 .

4.3. Loi Hypergéométrique H(N, n, p) ou H(N, N p, n)

On effectue n tirage sans remise dans une urne contenant N objets dont N p objets A (p étant la
proportion des objets A) et on note X le nombre d’objets A tirés. Alors X suit une loi Hypergéomé-
trique de paramètres N , N p et n ou N , p et n, caractérisé par

X(Ω) = {max(0, n − N q), ..., min(n, N p)} avec N p ∈ N, q = 1 − p

et pour tout
CNk p CNn−k
q
k ∈ X(Ω), P(X = k) = n
.
CN

Dr. OWO Kouassi Jean-Marc 28 Maître de Conférences, U.F.H.B.

CHAPITRE 3. VARIABLE ALÉATOIRE DISCRÈTE

On écrit X H(N, N p, n).

N −n
• E(X) = np, V (X) = npq
N −1
Exemple : Une urne contient 10 pièces dont 4 sont défectueuses. On y prend au hasard un lot de
5 pièces. Soit X la variable aléatoire donnant le nombre de pièces non défectueuses contenues dans
le lot.

1. Quel est l’ensemble des valeurs possibles de X ?

2. Donner la loi de probabilité de X
3. Calculer l’espérance, la variance et l’écart type de X.
4. Quelle est la probabilité que le lot ne contienne aucune pièce défectueuse ?

4.4. Loi uniforme sur {1, ..., n} ; U{1,...,n}

Définition 3.7. On dit qu’une v.a. suit une loi uniforme disctète sur un ensemble E si E est fini et
1
X(Ω) = E tel que ∀ x ∈ X(Ω), P(X = x) = . On écrit X UE .
Card(E)
1
•X U{1,...,n} ⇐⇒ X(Ω) = {1, ..., n} et ∀ k ∈ X(Ω), P(X = k) = .
n
1
∀ x ∈ R, pX (x) = 1{1,...,n} (x).
n


 0, si x < 1
k

• FX (x) = , si k ≤ x < k + 1
 n


1, si x ≥ n
n n
1X n+1 1 X 2 (n + 1)(2n + 1) n2 − 1
• E(X) = k= , E(X 2 ) = k = et V (X) =
n k=1 2 n k=1 6 12
1
Généralement : X U{a1 ,...,an } ⇐⇒ X(Ω) = {a1 , ..., an } et ∀ k ∈ X(Ω), P(X = k) = .
n
n
1X
E(X) = ak .
n k=1

Dr. OWO Kouassi Jean-Marc 29 Maître de Conférences, U.F.H.B.

CHAPITRE 3. VARIABLE ALÉATOIRE DISCRÈTE

Exercices d’application
Exercice 1
Soit X une variable aléatoire d’ensemble de valeurs possibles X(Ω) = {−2, −1, 0, 1, 2} et de loi
de probabilités définie par :
1 1 α
P(X = −1) = P(X = 1) = , P(X = 0) = et P(X = −2) = P(X = 2) = .
4 3 2
1. Trouver la valeur de α.
2. Donner la fonction de répartition de X.
3. Déterminer la loi de Y = |X|.

Exercice 2
Soit X une
 variable aléatoire de fonction de répartition définie par :
 0, si x < −2



1
, si − 2 ≤ x < −1


3



 1 , si − 1 ≤ x < 0

2
FX (x) = 7


 12
, si 0 ≤ x < 1
 3
, si 1 ≤ x < 2




 4
 1, si x ≥ 2.


1. Calculer les probabilités suivantes : a) P(X > 0), b) P(X ≥ −1), c) P(−1 < X < 1), d)
P(−1 ≤ X < 1), e) P(−1 ≤ X ≤ 1), f) P(−1 < X ≤ 1) et g) P(− 32 < X ≤ 34 )
2. Retrouver la loi de X. En déduire la loi de Y = X 2 .
3. Calculer Var(X).

Exemple : On jette successivement et indépendamment sur une table deux dés tétraédriques dont
les faces sont numérotées de 1 à 4. On note X1 le premier nombre obtenu, X2 le deuxième nombre
obtenu et X le plus grand des deux nombres obtenus. Donner la loi de X.

1. Donner la loi de X
2. Calculer E(X) et Var(X).

Exercice 3
Une urne contient 6 boules numérotées de 1 à 6. On tire sans remise 3 boules. On note X le plus
petit nombre tiré et Y le plus grand nombre tiré.
1. Donner la loi de X et de Y .
2. Calculer l’espérance mathématique et la variance de X et de Y .
3. Déterminer la fonction de répartition de X et de Y .
Exercice 4
Une urne contient 8 boules dont 5 noires et 3 rouges. On tire successivement sans remise jusqu’à
l’épuiement de l’urne et on note X le rang de la première boule rouge tirée. Donner la loi de X
Exercice 5 (**)
Trois coups sont successivement tirés sur une cible. Les probabilités d’atteinte de la cible sont res-
pectivement 0, 3 pour le 1er coup, 0, 5 pour le 2ème et 0, 7 pour le 3ème. On note X le nombre de
fois la cible a été atteinte.
1. Donner la loi de X, puis Calculer E(X) et Var(X).
2. Donner la fonction de répartition de X.

Dr. OWO Kouassi Jean-Marc 30 Maître de Conférences, U.F.H.B.

CHAPITRE 3. VARIABLE ALÉATOIRE DISCRÈTE

Exercice 6
On lance trois fois de suite une pièce de monnaie. On désigne par X le nombre de piles obtenus.

1. Déterminer la loi de X.
2. Calculer l’espérance mathématique et la variance de X.
3. Déterminer la fonction de répartition de X.

Exercice 7
Une urne contient neuf boules dont six rouges et trois noires. On tire successivement sans remise
quatre boules.

I- On désigne par X le nombre de boules rouges obtenues.

1. Donner la loi de X.
2. Calculer l’espérance mathématique et la variance de X.
II- A chaque tirage, on gagne 200 Francs si on obtient une boule rouge, sinon, on perd 400 Francs.
On désigne par S le gain à l’issue des tirages.

1. Montrer que S = 600X − 1600.

2. Déterminer la loi de S.
3. Calculer l’espérance mathématique et la variance de S.
4. Quelle est la probabilité de gagner au moins quelque chose à l’issue des tirages ?

Exercice 8
On propose le jeu suivant : On tire sans remise 7 boules dans une urne en contenant 10 dont 6 noires
et 4 rouges. Soit X le nombre de boules rouges tirées.
1. Donner la loi de X, puis calculer E(X) et Var(X).
2. On suppose que chaque boule rouge tirée fait gagner 250 F et chaque boule noire tirée fait
perdre 100 F. On désigne par Y le gain à l’issue du jeu.
(a) Exprimer Y en fonction de X. En déduire la loi de Y , E(Y ) et Var(Y ).
(b) Quelle est la probabilité de gagner au moins quelque chose ?
3. Mêmes questions si on tire les 7 boules avec remise.
Exercice 9
Une urne contient 7 boules dont 2 noires et 5 rouges. On tire sans remise 4 boules et on note X le
nombre de boules rouges tirées.

1. Donner la loi de X.
2. Calculer E(X) et Var(X)
3. Déterminer la fonction de répartition de X.

Dr. OWO Kouassi Jean-Marc 31 Maître de Conférences, U.F.H.B.