Théorie Probabilités

Troisième Année
11 septembre 2022

Lycée Denis-de-Rougemont

Mathématiques Niveau 2
Théorie Probabilités

Table des matières

1 Combinatoire 3
1.1 Factorielle et Coefficients Binomiaux . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Probabilités 7
2.1 Univers et Événement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Théorèmes et Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Espérance et Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Ensembles Probabilisés Finis . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3 Représentations 11
3.1 Diagramme en Arbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Diagramme de Venn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

4 Probabilités Conditionnelles et Indépendance 13

4.1 Probabilités Conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 Événements Indépendants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.3 Distribution Binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.4 Série Géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

5 Corrigé 19

3MG Math 2 Page 1 D.Bousquet

Théorie Probabilités
1 Combinatoire
Ce chapitre se concentre sur le dénombrement d’objets, en particulier le nombre de scénarios
possibles dans différentes situations. Le dénombrement est essentiel en probabilité, en effet
celle-ci cherche à calculer un ratio entre événements favorables et défavorables, il faut donc
être capable de compter pour pouvoir calculer des probabilités.

1.1 Factorielle et Coefficients Binomiaux

Définition. (Factorielle)
Le symbole n! appelé n factorielle est une notation de calcul signifiant le produit des entiers
positifs entre 1 et n :
n! = n · (n − 1) · (n − 2) · · · · · 3 · 2 · 1

Exemple.

8!
2! = 2 3! = 6 4! = 24 5! = 120 6! = 56

Définition. (Coefficient Binomial)

!
n
Le coefficient binomial, noté avec k ≤ n des entiers positifs est définit par :
k

!
n n!
= (1)
k k!(n − k)!

Remarque.
Ce coefficient apparaı̂t notamment dans le développement de (a + b)n :

n
!
X n
(a + b)n = an−k bk
k=0
k

Exemple.
! ! !
10 10! 10 10! 12 12!
= 7!(10−7)! = 120 = 3!(10−3)! = 120 = 12!(12−12)! =1
7 3 12

1.2 Permutations
Remarque.
En probabilité, l’ordre des éléments peut ou non avoir une importance, par exemple si l’on
tire des cartes dans un paquet et que l’on regarde juste les cartes à la fin, il n’y aura pas
autant de possibilités que si l’on tient compte de l’ordre de tirage. Un moyen de compter
plus facilement le nombre de scénarios consiste à utiliser les permutations.

3MG Math 2 Page 3 D.Bousquet

Théorie Probabilités
Définition. (Permutations Simples)
Une permutation simple Pn de n objets différents représente le nombre de possibilités de
ranger ces n objets dans un ordre différent.

Résultat.
Le nombre de permutations simples Pn de n objets est donné par :

Pn = n! = n · (n − 1) · (n − 2) · · · · · 3 · 2 · 1 (2)

Preuve.
Si l’on considère le nombre de possibilités de ranger n objets dans n cases différentes,
on peut considérer les objets les uns après les autres. Pour le premier objet on aura
n possibilités, mais pour le deuxième il ne nous en restera que n − 1 étant donné
qu’une case sera occupée par le premier. Pour le troisième il ne nous restera que n − 2
possibilités car deux cases seront occupées par les deux premiers objets. En continuant
de cette manière il ne restera qu’une seule case pour le dernier objet. On en déduit
donc n · (n − 1) · (n − 2) · · · · · 3 · 2 · 1 = n! possibilités. ■

Exemple.
Le nombre de manière possible de ranger 7 personne sur 7 chaises est de 7! = 5040.

Définition. (Permutations avec Répétitions)

Une permutation avec répétitions P (n1 ,n2 ,...,nk ) de n objets différents dont n1 sont semblables,
n2 sont semblables, . . . , nk sont semblables, représente les nombres de possibilité de ranger
ces n objets dans un ordre différent.

Résultat.
Le nombre de permutations avec répétitions P (n1 ,n2 ,...,nk ) de n objets dont n1 sont semblables,
n2 sont semblables, . . . , nk sont semblables est donné par :

Pn n!
P (n1 ,n2 ,...,nk ) = = (3)
Pn1 · Pn2 · . . . · Pnk n1 ! · n2 ! · . . . · nk !

Preuve.
Le nombre d’arrangement différent de n objets est de n!, si n1 de ces objets sont
les mêmes, alors dans chaque arrangement il y’aura n1 ! façon d’obtenir le même en
permutant ces objets semblables. Ainsi au final il y’aura n1 ! fois moins d’arrangement
n!
possible, soit n1 ! . On trouve la formule en répétant le procédé pour tous les objets
semblables. ■

Exemple.
8!
Le nombre de mots formés des lettres {a, a, b, c, c, c, c, c} est P (2,1,5) = 2!·1!·5! = 168

3MG Math 2 Page 4 D.Bousquet

Théorie Probabilités
1.3 Arrangements
Définition. (Arrangements Simples)
Un arrangement simple Akn de k objets différents parmi n objets différents représente le
nombre de possibilités de ranger ces k objets dans un ordre différent.

Résultat.
Le nombre d’arrangement simple Akn de k objets différents parmi n objets différents est
donné par :
n!
Akn = (4)
(n − k)!

Preuve.
Pour le premier objet il y’a n possibilités, pour le deuxième plus que n − 1 possibilités,
pour le troisième n−2 possibilité et ainsi de suite. Comme les possibilités se multiplient
il y’a donc n · (n − 1) · (n − 2) · . . . · (n − k + 1) possibilités pour k objet. Ainsi
n(n−1)...(n−k+1)(n−k)(n−k−1)...2·1 n!
Akn = n(n − 1)(n − 2) . . . (n − k + 1) = (n−k)(n−k−1)...2·1 = (n−k)! ■

Exemple.
a) Le nombre de drapeaux de 3 couleurs que l’on peut former avec les 7 couleurs de
7!
l’arc-en-ciel est A37 = (7−3)! = 210
b) Le nombre de comités formés de 3 personnes avec un président, un vice-président et un
100!
secrétaire que l’on peut former avec 100 personnes est de A3100 = (100−3)! = 100·99·98 =
970′ 200

Définition. (Arrangements avec Répétitions)

Un arrangement avec répétitions Akn de n objets différents pris k fois représente le nombre de
possibilités de ranger ces n objets dans un ordre différent, en tenant en compte que chaque
objet peut revenir plusieurs fois.

Résultat.
Le nombre d’arrangement avec répétitions Akn de n objets différents pris k fois est donné
par :
Akn = nk (5)

Preuve.
Pour le premier objet il y’a n possibilités, pour le deuxième, étant donné que l’on
remet le premier il y’a également n possibilités, de même pour les suivants. Ainsi
Akn = nk ■

3MG Math 2 Page 5 D.Bousquet

Théorie Probabilités
Exemple.
Durant une coupe du monde, il y’a 16 matchs qui se jouent à partir des huitièmes, étant
donnée qu’il y’a deux résultats possibles à chaque match il y’a donc A216 = 216 = 65′ 536
pronostics différents.

1.4 Combinaisons
Définition. (Combinaisons)
Une combinaison Cnk de k objets différents parmi n objets différents représente le nombre de
possibilités de tirer ces k objets sans tenir compte de l’ordre.

Résultat.
Le nombre de combinaison Cnk de k objets différents parmi n objets différents est donné par :
!
Ak n! n
Cnk = n = = (6)
k! k!(n − k)! k

Preuve.
Si on tient compte de l’ordre on a vu que le nombre de possibilités est donnée par Akn .
Comme il y’a k! façon de permuter ces k objets choisi il y’a k! fois moins de possibilité,
Akn
donc Cnk = k! ■

Exemple.
3 = 2300
a) Le nombre de délégations formée de 3 élèves dans une classe de 25 est de C25
6 = 5′ 245′ 786
b) Le nombre de possibilité au loto est de C42

3MG Math 2 Page 6 D.Bousquet

Théorie Probabilités
2 Probabilités
Nous allons voir dans ce chapitre l’application du dénombrement dans le but de calculer les
probabilités d’événement. Les probabilités sont très utilisées dans la théorie des jeux, quand
l’on souhaite adopté la meilleure stratégie, par exemple au blackjack ou au poker. Avant de
rentrer dans des calculs de probabilités, nous allons définir ce qu’est une probabilité et voir
plusieurs résultats qui nous serrons utiles pour la suite.

2.1 Univers et Événement

Définition. (Univers)
Lors d’une expérience aléatoire, l’ensemble des événements élémentaires possibles se nomme
univers et est représenté par la lettre Ω.

Définition. (Événement)
Un événement est un sous-ensemble de l’univers regroupant un ou plusieurs événements
élémentaires.

Définition. (Événement élémentaire)

Un événement élémentaire est un événement de l’univers constitué d’une seule issue {a}.

Définition. (Événement impossible et certain)

L’événement ∅ est l’événement impossible et Ω est l’événement certain.

Résultat.
Comme les événements sont des ensembles, on peut leur appliquer les opérations ensemblistes
pour obtenir de nouveaux événements :
a) A ∪ B est l’événement qui se produit si l’événement A ou B se produit (ou les deux).
b) A ∩ B est l’événement qui se produit si l’événement A et B se produit.
c) Ac = A, le complément de A est l’événement qui se produit si l’événement A ne se
produit pas.

Exemple.
Considérons un lancé de dés à 6 faces. L’univers est alors constitué de 6 issues (ou 6
événements élémentaires) et vaut Ω = {1; 2; 3; 4; 5; 6}. Soit A l’événement ”obtenir un nombre
pair” et B l’événement ”obtenir un nombre supérieur à 3”. Nous avons donc A = {2; 4; 6}
et B = {4; 5; 6}. Ainsi :
• A ∪ B = {2; 4; 5; 6} est l’événement ”obtenir un nombre pair ou supérieur à 3”.
• A ∩ B = {4; 6} est l’événement ”obtenir un nombre pair et supérieur à 3”.
• B c = B = {1; 2; 3} est l’événement ”ne pas obtenir un nombre supérieur à 3”.

3MG Math 2 Page 7 D.Bousquet

Théorie Probabilités
Définition. (Probabilité)
Dans un univers Ω avec un événement A, P (A) est appelé probabilité de l’événement A si
elle respecte les conditions suivantes :
a) P (A) ≥ 0 pour tout A ∈ Ω.
b) P (Ω) = 1.
c) Si A ∩ B = ∅, alors P (A ∪ B) = P (A) + P (B)

2.2 Théorèmes et Résultats

Résultat.
En considérant l’événement impossible ∅, alors :

P (∅) = 0 (7)

Preuve.
Comme ∅ ∩ Ω = ∅, alors P (Ω) + P (∅) = 1. Comme P (Ω) = 1, on obtient P (∅) = 0 ■

Résultat.
En considérant un événement A et son complémentaire A, alors :

P (A) = 1 − P (A) (8)

Preuve.
Comme A ∩ A = ∅ et A ∪ A = Ω, alors 1 = P (Ω) = P (A ∪ A) = P (A) + P (A). On en
déduit P (A) = 1 − P (A) ■

Résultat.
Pour deux événements A et B tels que A ⊂ B, alors :

P (A) ≤ P (B) (9)

Résultat.
Pour deux événements A et B quelconque, alors :

P (A ∪ B) = P (A) + P (B) − P (A ∩ B) (10)

Preuve.
Comme A ∪ B = (A ∩ B) ∪ B et (A ∩ B) ∩ B = ∅, alors P (A ∪ B) = P (A ∩ B) + P (B).
Comme P (A ∩ B) = P (A) − P (A ∩ B), alors P (A ∪ B) = P (A) + P (B) − P (A ∩ B). ■

3MG Math 2 Page 8 D.Bousquet

Théorie Probabilités
2.3 Espérance et Variance
Définition. (Variable Aléatoire)
Si les issues d’un univers sont des nombres réels, alors une variable aléatoire X est une
variable à laquelle on associe une probabilité pi d’obtenir la valeur xi .

Définition. (Espérance)
L’espérance E[X] d’une variable aléatoire X est la valeur moyenne obtenue d’un événement
prenant compte des probabilités. C’est une moyenne pondérées par la probabilité de chaque
événement :
n
X
E[X] = p i xi (11)
i=1

Remarque.
L’espérance permet de juger si un jeu de hasard est équitable ou non, si l’espérance de gain
est négative, cela signifie que l’on perdra de l’argent à long terme.

Exemple.
La roulette comporte 37 numéros de 0 à 36. La mise sur un numéro fixe rapporte 36 fois la
mise. L’espérance de gain en misant 10 CHF sur un numéro vaut donc :

36 1
E(X) = −1 · + 35 · ≃ −0.027CHF
37 37

Ainsi en moyenne, pour chaque franc joué nous allons perdre 0.027 CHF, ce n’est donc pas
un jeu équitable.

Définition. (Variance)
La variance V(X) d’une variable aléatoire est une mesure indiquant la dispersion des valeurs
possibles de X tenant compte de la probabilité. Elle indique la moyenne des carrés des écarts
entre l’espérance et les valeurs possibles de la variable aléatoire X. Elle est donc définie par :

n
X
V(X) = pi (xi − x)2 (12)
i=1

Où x est la moyenne pondéré de la variable aléatoire X, donc E[X]

Résultat.
Soit X une variable aléatoire, alors la variance est donné par :

V(X) = E[(X − E(X))2 ] = E(X 2 ) − (E(X))2 (13)

Remarque.
La variance permet de déterminer si les valeurs possibles d’un événement seront proches ou
éloignés de la moyenne (donc de l’espérance).

3MG Math 2 Page 9 D.Bousquet

Théorie Probabilités
2.4 Ensembles Probabilisés Finis
Définition. (Espace Fini Équiprobable)
Un espace fini équiprobable est un ensemble Ω contenant un nombre fini d’issues possédant
chacune la même probabilité.

Résultat.
Dans un espace fini équiprobable possédant n issues, la probabilité de chacune de ces issues
1 k
est n. Un événement A contenant k issues favorables a une probabilité de n.

Exemple.
Considérons un jeu de poker de 52 cartes dans lequel on en tire une au hasard. On considère
les événements A = {Coeur} et B = {Figure}. Calculons P (A), P (B), P (A∩B) et P (A∪B) :
Comme l’univers est équiprobable :

nombre de coeurs 13 1
P (A) = = =
nombre de cartes 52 4

nombre de figure 16 4
P (B) = = =
nombre de cartes 52 13
nombre de figure en coeurs 4 1
P (A ∩ B) = = =
nombre de cartes 52 13
1 4 1 23
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = + − =
4 13 3 52
Définition. (Espace Probabilisé Fini)
Un ensemble probabilisé fini est un ensemble Ω = {a1 , a2 , . . . , an } contenant un nombre fini
d’issues et tel que l’on attribue à chaque issue ai ∈ Ω une probabilité pi tel que :
a) Chaque probabilité est positive : pi ≥ 0.
b) La somme des probabilités vaut 1 : ni=1 pi = p1 + p2 + · · · + pn = 1.
P

Résultat.
Dans un ensemble probabilisé fini, la probabilité d’un événement A est la somme des proba-
bilités des issues qui lui sont favorables :
X X
P (A) = P (ai ) = pi (14)
ai ∈A ai ∈A

Exemple.
On lance trois pièces équilibrées et on compte le nombre de faces. L’univers est Ω = {0, 1, 2, 3}
1
et les probabilités sont P (0) = P (3) = 8 et P (1) = P (2) = 38 .
Soient A l’événement ”au moins une face apparaı̂t” et B l’événement ”toutes les faces ou
tous les piles apparaissent”. Alors A = {1, 2, 3} et B = {0, 3}. Et donc :

7 2 1
P (A) = P (1) + P (2) + P (3) = P (B) = P (0) + P (3) = =
8 8 4

3MG Math 2 Page 10 D.Bousquet

Théorie Probabilités
3 Représentations
Il est utile en probabilité de représenter des événement sous forme de graphique, cela permet
en effet de déterminer de façon plus visuelle les probabilités des issues favorables. Nous
allons dans ce chapitre voir deux façons les représenter, la première sous forme d’arbre et la
deuxième sous forme de diagramme de Venn.

3.1 Diagramme en Arbre

Remarque.
Si l’événement dont la probabilité doit être déterminée est obtenu par la répétition d’épreuves,
par exemple plusieurs lancée de dé, ou par la réalisation simultanée de plusieurs épreuves,
par exemple un lancé de plusieurs dés, alors on peut représenter les probabilités avec un
diagramme en arbre.

Exemple.
Dans une urne contenant 3 billes rouges et 5 billes blanches, on tire au hasard et sans remise
trois billes successivement. Alors la probabilité de chaque événement est représentée par
l’arbre suivant :

11
La probabilité d’obtenir trois billes de même couleur est donc P (RRR) + P (BBB) = 56
La probabilité d’obtenir une bille rouge au troisième tirage est donc P (RRR) + P (RBR) +
21
P (BRR) + P (BBR) = 56

Remarque.
• La probabilité d’un chemin (une issue de l’univers) est obtenue en multipliant les
probabilités des branches la constituant.
• La probabilité d’un événement satisfait par plusieurs chemins (donc composé de plu-
sieurs issues) est obtenu en additionnant les probabilités de chaque issue.

3MG Math 2 Page 11 D.Bousquet

Théorie Probabilités
3.2 Diagramme de Venn
Remarque.
Lorsque l’univers Ω est partagé selon plusieurs catégories, on peut le représenter à l’aide
d’un diagramme de Venn, cela nous aide à en dégager certaines probabilités.

Exemple.
Il y’a 420 étudiant dans une école où l’on peut choisir entre trois sports principaux. 184
d’entre eux pratique le volley, 204 le hockey et 181 le badminton. Parmi les volleyeurs, 33
pratiquent également le hockey, 38 le badminton et 41 les deux. Parmi les hockeyeurs, 45
pratiquent également le badminton. On peut donc représenter cette situation sous forme de
diagramme :

On peut utiliser le diagramme pour calculer des proportions et des probabilités :

• Les étudiants ne pratiquant que le volley :

72 6
P (”volley uniquement”) = =
420 35

• Les étudiants pratiquant uniquement deux sports :

38 + 45 + 33 116 29
P (”exactement deux sports”) = = =
420 420 105

• Les étudiants pratiquant trois sport parmi les hockeyeurs :

41
P (”trois sports parmi les hockeyeurs”) =
204

3MG Math 2 Page 12 D.Bousquet

Théorie Probabilités
4 Probabilités Conditionnelles et Indépendance
Nous allons voir dans ce chapitre des formules permettant de calculer des probabilités dans
des cas particuliers. Nous allons également voir la notion d’indépendance de deux événements
qui indique à quel point ils sont liés entre eux.

4.1 Probabilités Conditionnelles

Définition. (Probabilités Conditionnelles)
La probabilité conditionnelle d’un événement A sachant B est la probabilité que l’événement
A se réalise sachant que l’événement B s’est réalisé. On le note P (A|B).

Résultat.
La probabilité conditionnelle P (A|B) se calcule grâce à la formule :

P (A ∩ B)
P (A|B) = (15)
P (B)

Remarque.
Nous pouvons représenté la probabilité conditionnelle grâce à un diagramme de Venn, on
remarque alors que P (A|B) calcule la probabilité de A par rapport à l’espace réduit B :

Exemple.
On jette une paire de dés. L’univers consiste en 36 paires ordonnées (a, b) où a et b sont
des entiers compris entre 1 et 6. Comme l’espace est équiprobable, la probabilité de chaque
1
issues est de 36 . Cherchons la probabilité que l’un des deux dés soit un 2 sachant que la
somme des deux vaut 6.
On doit trouver P (A|B) avec B = {la somme vaut 6} et A = {Au moins un des dés vaut 2} :
B = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)}
A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (1, 2), (3, 2), (4, 2), (5, 2), (6, 2)}
On remarque que A ∩ B = {(2, 4), (4, 2)}, ainsi :

2 1 5 P (A ∩ B) 1/18 2
P (A ∩ B) = = et P (B) = donc P (A|B) = = =
36 18 36 P (B) 5/36 5

3MG Math 2 Page 13 D.Bousquet

Théorie Probabilités
4.2 Événements Indépendants
Définition. (Événements Indépendants)
Deux événement A et B sont indépendants si la réalisation de l’un n’influence pas la
réalisation. Plus formellement, A est indépendant de B si P (A) = P (A|B).

Résultat.
Si deux événements sont indépendants, alors :

P (A ∩ B) = P (A) · P (B) (16)

Remarque.
Ainsi deux événements seront indépendant si on montre que P (A ∩ B) = P (A) · P (B), sinon
ils seront dépendants.

Exemple.
On jette une pièce trois fois de suite. L’univers est :

Ω = {P P P, P P F, P F P, P F F, F P P, F P F, F F P, F F F }

On considère les événements :

A = {Face au premier jet} = {F F F, F F P, F P F, F P P }
B = {Face au deuxième jet} = {F F F, F F P, P F F, P F P }
C = {Exactement deux faces à la suite} = {F F P, P F F }
On a donc :

4 1 4 1 2 1
P (A) = 8 = 2 P (B) = 8 = 2 P (C) = 8 = 4

2 1 1 2 1
P (A ∩ B) = 8 = 4 P (A ∩ C) = 8 P (B ∩ C) = 8 = 4

Ainsi :
1 1 1
• P (A) · P (B) = 2 · 2 = 4 = P (A ∩ B) donc A et B sont indépendants.
1 1 1
• P (A) · P (C) = 2 · 4 = 8 = P (A ∩ C) donc A et C sont indépendants.
1 1 1
• P (B) · P (C) = 2 · 4 = 8 ̸= P (B ∩ C) donc B et C sont dépendants.

4.3 Distribution Binomiale

Remarque.
On considère des épreuves répétées et indépendantes d’une même expérience n’ayant que
deux résultats possibles que l’on nomme ”succès” et ”échec”. La probabilité d’un succès
vaut p et celle d’un échec vaut q = 1 − p.

3MG Math 2 Page 14 D.Bousquet

Théorie Probabilités
Résultat.
Le nombre de façon d’obtenir exactement
! k succès sur une épreuve répétée n fois est obtenue
n n!
grâce au coefficient binomial = k!(n−k)! .
k

Preuve.
On définit S comme les succès et E comme les échecs. Une issue de n lancé se
schématise alors SSEEES
| {z . . . SE}. On veut avoir exactement k succès, on cherche
n fois
donc à écrire un mot de n lettres comportant k fois S et (n − k) fois E. Le nombre
de possibilités est donc donné par le coefficient binomial. ■

Exemple.
!
5 5!
a) L’événement ”2 succès parmi 5 lancers” est obtenu = 2!(5−2)! = 10 fois.
2
!
11 11!
b) L’événement ”8 succès parmi 11 lancers” est obtenu = 8!(8−3)! = 165 fois.
8

Résultat.
Soit X la variable aléatoire qui indique le nombre de succès. La probabilité d’obtenir k succès
lors de n répétitions d’une épreuve dont la probabilité de succès vaut p se note P (X = k) et
se calcule par :
!
n
P (X = k) = · pk · (1 − p)n−k (17)
k

Exemple.
a) Calculons la probabilité d’obtenir 2 fois ”6” en lançant 5 fois un dé :
!    
5 1 2 5 3
P (X = 2) = · · ≃ 16.08%
2 6 6

b) Calculons la probabilité d’atteindre 8 fois la cible en 11 lancers de fléchettes, sachant

que chaque fléchette a une probabilité de 0.7 d’atteindre la cible :
!    
11 7 8 3 3
P (X = 8) = · · ≃ 25.68%
8 10 10

c) Calculons la probabilité de tirer exactement 2 fois un as en tirant avec remise 10 cartes

d’un jeu de jass :
!    
10 1 2 8 8
P (X = 2) = · · ≃ 21.65%
2 9 9

3MG Math 2 Page 15 D.Bousquet

Théorie Probabilités
Résultat.
Pour calculer la probabilité qu’au moins un succès se produise parmi n épreuve, on calcule
la probabilité qu’aucun succès ne se produise. On utiliser ensuite P (A) = 1 − P (A). En effet,
P (X ≥ 1) = 1 − P (X = 0), comme P (X = 0) = (1 − p)n , on en déduit :

P (X ≥ 1) = 1 − (1 − p)n (18)

Remarque.
On remarque que la probabilité d’obtenir au moins une réussite augmente avec le nombre
d’épreuve n, ce qui semble logique. On peut alors se demander combien d’épreuve au mini-
mum on doit considérer pour que la probabilité d’obtenir au moins une réussite dépasse une
probabilité donnée.

Exemple.
Déterminons combien de fois on doit lancer une paire de dés pour que nos chances d’obtenir
un double 6 dépasse 50%.
1 n
On cherche ainsi n tel que P (X ≥ 1) > 0.5, comme P (X ≥ 1) = 1 − (1 − 36 ) , on doit passer
par les logarithmes pour trouver n :

1 n 1 n 1 n
        
1
1− 1 − > 0.5 ⇐⇒ 0.5 > 1 − ⇐⇒ ln(0.5) > ln 1− ) = n·ln 1 −
36 36 36 36

1


Comme ln 1 − 36 < 0, on doit changer le signe de l’équation, ainsi :

ln(0.5)
n> 1

≃ 24.61
ln 1 − 36

On doit donc lancer 25 fois notre paire de dés pour que notre chance d’obtenir un double 6
dépasse 50%.

Résultat.
Le nombre de lancé qu’il faut réaliser pour que la probabilité d’obtenir un succès dépasse k
si chaque succès a une probabilité de p est :

ln(1 − k)
n= (19)
ln(1 − p)

Remarque.
Ce résultat fonctionne bien si l’on ne cherche à avoir qu’un seul succès, si l’on souhaite
calculer le nombre de lancé nécessaire pour que la probabilité d’obtenir plus qu’un succès
dépasse une valeur donnée, le calcul devient bien plus compliqué.

3MG Math 2 Page 16 D.Bousquet

Théorie Probabilités
4.4 Série Géométrique
Résultat.
On appelle série géométrique une somme Sn = 1 + r + r2 + r3 + · · · + rn avec r ∈ R. La
somme d’une telle série vaut :

1 − rn+1
Sn = 1 + r + r 2 + r 3 + · · · + r n = (20)
1−r

Si on considère la série pour n −→ ∞ avec |r| < 1, alors elle vaut :

1
S = lim Sn = 1 + r + r2 + r3 + · · · = (21)
n→∞ 1−r

Preuve.
En multipliant l’équation (20) des deux côtés par (1 − r) on obtient :

(1 + r + r2 + r3 + · · · + rn )(1 − r) = 1 − rn+1

Si on développe le terme de gauche on trouve :

(1 + r + r2 + r3 + · · · + rn )(1 − r) = 1 − r + r − r2 + r2 − r3 + · · · + rn − rn+1 = 1 − rn+1

Pour l’équation (21), comme |r| < 1 alors lim rn+1 = 0, on retrouve donc la formule
n→∞
en partant de la (20). ■

Exemple.
Déterminons la probabilité lors du lancer d’un dé que le premier 6 apparaisse après un
nombre pair de lancers.
Cet événement est 66 ∪ 6666 ∪ 666666 ∪ . . . et sa probabilité vaut :

5 1 5 5 5 1 5 5 5 5 5 1
p= · + · · · + · · · · · + ...
6 6 6 6 6 6 6 6 6 6 6 6

On peut réécrire :
 2  4  6 !  2  4  6 !
5 1 5 5 5 5 5 5 5
p= · · 1+ + + + ... = · 1+ + + + ...
6 6 6 6 6 36 6 6 6

25
Il s’agit d’une série géométrique avec r = 36 , comme |r| < 1, cette limite existe et vaut :

5 1 5 1 5 36 5
p= · = · 25 = · =
36 1 − r 36 1 − 36 36 11 11

3MG Math 2 Page 17 D.Bousquet

Théorie Probabilités
5 Corrigé

! ! !
20 9 11
11 = 15′ 504 a) · = 4′ 620
Série 1 5 3 2
1 9! = 362′ 880 ; 8! = 40′ 320
! ! ! ! !
9 11 9 11 9
b) · ·+ · + =
2 a)107 = 10′ 000′ 000 3 2 4 1 5
b) 262 · 106 = 676′ 000′ 000 6′ 132 c)15′ 504 −!6′ 132 + ′
!!4 620 = 13 992
′

3 a) 6! 11! ′ ′ 6! 11 9
2! = 360 b) 2!2! = 9 979 200 c) 2! = 360 d)15′ 504 − + = 14′ 916
6! 5 5
d) 3! = 120 ! !
4 412 = 16′ 777′ 216 10 8
′ 040 c)25 = 32
12 a) = 45 b) = 28
5 a)5! = 120 b) 12! 7! = 95
!
2 2
20!
d) 10!7!3! = 22′ 170′ 720 10
c) = 120 d)8
e) 9! 9! 9! 9! 9!
9! + 7!2! + 6!3! + 5!4! + 4!5! + 3!6! = 466
9!
3
8! ′ ′
6 4!3! = 280 13 625 + 4 3 2
!62 + 62 + 62 + 62 = 931 151 402
7 a)35 = 243 b)5!35 = 29′ 160 14
15! 15! ′
14 = 3432
c) 10!5! =!3003 d) 10! = 360 360 7
 !2 
5 ′ ′ 7 
8 a) · 20 · 19 · 18 · 6 · 6 = 2 462 400 2 · 1 + 7 2 + = 982
2 2
! ! ! !
5 5 5 5 !
b) · 254 + · 253 + · 252 + · 15
1 2 3 4 16!
2 · 8!7! − = 202′ 917
! 7
5
25 + = 2′ 115′ 751 c)6 · 264 = 2′ 741′ 856
5 Série 2
! ! !
36 27 18 1 Ω = {RRV, RRB, RV R, RV V, RV B, RBR,
9 · · ≃ 2.14 · 1019
9 9 9 RBV, RBB, V RR, V RV, V RB, V V R, V V B,
! ! !
9 9 18 V BR, V BV, V BB, BRR, BRV, BRB, BV R,
a) · · = 9′ 253′ 440
3 2 4 BV V, BV B, BBR, BBV }
a)A = {RV B, RBV, V BR, V RB, BV R, BRV }
! ! !
4 4 28
b) · · = 491′ 400 b)B = {RRV, RRB, V RR, V RV, V RB, BRR,
3 2 4
BRB, BRV }
! ! ! !
4 32 4 32
c) · + · = 3′ 826′ 144 c)C = {RRV, RV R, RV V, V RR, V RV, V V R}
3 6 4 5
! ! d)D = {RV B, RBV, V BR, BV R, RRV, RRB,
36 32 ′ ′
d) − = 66 094 480 V RR, V RV, V RB, BRR, BRB, BRV } ;
9 9
! ! E = {RRV, V RR, V RV }
13 10
10 = 286 a) = 120 2 a)A = {(1, 3), (1, 5), (3, 1), (3, 5), (5, 1), (5, 3)}
10 7
! ! b)B = {(1, 2), (1, 4), (2, 1), (2, 3), (2, 5), (3, 2),
5 8
b) · = 80 (3, 4), (4, 1), (4, 3), (4, 5), (5, 2), (5, 4)}
3 7
! ! ! ! ! ! c)C = {(1, 4), (2, 3), (3, 2), (4, 1)}
5 8 5 8 5 8
c) · + · + · = 276 d)D = {(1, 3), (1, 4), (1, 5), (2, 3), (3, 1), (3, 2),
3 7 4 6 5 5

3MG Math 2 Page 19 D.Bousquet

Théorie Probabilités
(3, 5), (4, 1), (5, 1), (5, 3), } e)E = ∅ b)E(X) ≃ 284CHF ; V(X) ≃ 3971838CHF ;
f )F = {(1, 3), (1, 5), (2, 4), (3, 1), (3, 5), (4, 2), Oui, on gagnera 282CHF en moyenne.
(5, 1), (5, 3)}
3 E(I) = 3.5 ; V(I) = 2.92 Série 3
E(II) = 3.6 ; V(II) = 1.84 1 ÉCHANGER BRANCHES R V BAS
E(III) = 3.1 ; V(III) = 3.69 DROITE
4 1
4 a) 52 = 13 b) 13 1 36
52 = 4 c) 52 = 13
9
d) 39
52 =
3
4
e) 26 1 8 2 1
52 = 2 f ) 52 = 13 g) 52 h) 52
27 39
i) 52 = 3
4
j) 39 3 25 11
52 = 4
k) 52 l) 13
4
5 a)!21 = 16 1 4
b) 16 = 41
a) 53 ·3 2 4
6 + 5 · 6 = 17
30 b) 36 = 1
2
4 9
c) 1
· 16 = 6
16 = 3
8 d) 12 e) 16
3 1
f ) 16 6
+ 16 = 7
16
c) 30 · 30 9
17 = 17
2
6 a) 16 · 1 1 2 1 1 5 1 5
6 = 36 b) 6 · 6 = 18 c) 6 · 6 = 36 2
d) 66 · 36 = 12 e) 36
11 6
f ) 36 = 16
7 13 ; 12
3
8 a) 14 ; Non, on perd 0.07 CHF en moyenne.
b)Oui, on ne perdra plus que 0.05 CHF en
moyenne.
1 3 1 5 3



9 a) 2′ 598′ 960 a) 2 +2· 2 = 16 b)E(X) = 1 ; V(X) =
2.5
Main Combinaisons Probabilité
3 a)
QFR 4 0.00015%
QF 36 0.0014%
Carré 624 0.024%
Full 3744 0.144%
Couleur 5108 0.197%
Suite 10200 0.392%
Brelan 54912 2.11%
b)58 c) 74+62+128
1240 = 21.3% d) 62+32
398 ≃ 23.62%
2 paires 123552 4.75% 3
400 267040


e) 1240 ≃ 10.41% f ) 1537600 ≃ 17.37%
1 paire 1098240 42.26%
4 14
32 = 16
7
1 carte 1302540 50.12%
5 a) 14 + 12
3
= 1
2
1
b) 12 + 1
12 = 1
6 c) 1+1
6 =
1
3
367140 45060

6
b) 2598960 ≃ 14.13% c) 1 − 2598960 ≃ 90% d) 3+1+1+1
10 = 3
5
742800
10 a)P (10CHF ) = 5200300 ≃ 14.28% 6 a) 16 + 13 + 91 = 11 1 18 3 2 18 4
18 b) 6 · 11 = 11 c) 9 · 7 = 7
16100
P (20CHF ) = 5200300 ≃ 0.31% 7 a)Oui b) 23 c) 10 9 999
; 1000
3
2
= 1 − 742800+16100 8 a) 15 ≃ 0.8% b)20% c)3 · 15 · 54 ≃


b)P (0CHF ) 5200300 ≃ 85.41%
1
c)Non, on perdra 0.51 CHF en moyenne 38.4% d)P (X = 0) =
; P (X = 1) = 5
4 1

2 24
d)Oui, on ne perdra plus que 0.078 CHF en · = ; P (X = 2) = 54 · 15 = 125
5 5 25
8
;
4

3 1 32
moyenne P (X = 3) = 5 · 5 = 625 ; P (X = 4) =
4 4 1 256

n 4n
; P (X = n) = 45 · 15 = 5n+1


11 a)0.77% ; 10.01% 5 · 5 = 3125 ;

3MG Math 2 Page 20 D.Bousquet

Théorie Probabilités
1 P∞ 1 0.8
e)E(X) = 5 n=0 n · 0.8n = 5 · (0.8−1)2
=4

Série 4
11 1 5
1 a) 12 b) 12 c) 12 d) 43 e) 12
2 a) 32 b) 25 c) 103 7
d) 10
3
3 a)1 − 56 ≃ 42.13%


5 3

2
3
+ 3 · 56 · 61 ≃ 92.6% c) 21 ≃


b) 6 12.5%

3
3
d)3 · 16 ≃ 1.39% e)3 · 12 ≃ 37.5%
27 1 4
f ) 36 · 6 ≃ 13.43% g) 9 ≃ 44.44%
4 B et!C sont indépendants.
10 1 3

11 7


5 · 12 · 12 ≃ 3.78%
3
3 8


6 a)1
!− 4 ≃ 89.99%
8 3 5

3
· 41 ≃ 20.76%


b) · 4
3
!
8 3 1 7

1 8


c) · ·4 4 + 4 ≃ 0.038%
7
!
10 1 7

3 3


7 a) · 4 · 4 ≃ 0.31%
7
ln(0.05)
b)n = ln(0.75) ≃ 10.41
!
15 3 9

5 6


8 a) · 8 · 8 ≃ 4.37%
9
ln(0.01)
b)n = ln(0.625) ≃ 9.80
9 a)P (X = 2) = 12 ; P (X = 3) = 1
4
P (X = 4) = 18 ; P (X = n) = 2n−1 1
∞ n
b)8 c) 21 n=0 14 = 23 ≃ 66.66%
P

1 n
d)1 + ∞ 0.5
P

n=0 n 2 = 1 + (1−0.5) 2 = 3
!
10 3 5

5
· 17


10 a) · 20 20 ≃ 0.85%
5
3 9
b) 20 · 10 = 13.5%
ln(0.05)
c)n = ≃ 20.66
ln(0.865)
P∞
d)n = 0.135 · n=1 n · 0.865n−1
0.865
= 0.135 · (1−0.865) 2 ≃ 6.41
17 3 10 17 3 20



e) 20 + 20 · 100 · 20 + 20 · 100 ≃ 76.12%
f ) 12 · 100
10
+ 12 · 10020
= 15%
17 3 1 10 3
g) 20 + 20 · 2 · 100 + 20 · 12 · 100
20
≃ 87.25%
0.15·0.5·0.1+0.15·0.5·0.2
h) 0.8725 ≃ 2.58%

3MG Math 2 Page 21 D.Bousquet