Table des matières

1 Calcul des probabilités 3

1.1 Analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Arrangements . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Permutations . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 La théorie des probabilités . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Notion d'évènements, d'univers . . . . . . . . . . . . . 7
1.2.2 Algèbre et tribu d'évènements . . . . . . . . . . . . . . 7
1.2.3 Logique des événements . . . . . . . . . . . . . . . . . 8
1.2.4 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.5 Probabilités conditionnelles . . . . . . . . . . . . . . . 10
1.2.6 Statistique et Probabilités . . . . . . . . . . . . . . . . 13
1.2.7 l'approche Statistique de Probabilités . . . . . . . . . . 14

1
2 TABLE DES MATIÈRES
Chapitre 1
Calcul des probabilités

1.1 Analyse combinatoire

Dénition
L'analyse combinatoire est la théorie mathématique de dénombrement.

Principe fondamental de dénombrement

Soit A1 , A2 , ..., Ak , k ensembles de cardinaux n1 , n2 , ..., nk respectivement.
Alors le nombre de possibilités de choisir un élément de chaque ensemble est

m = n1 ∗ n2 ∗ ... ∗ nk

Exemple 1 Si l'on veut acheter un système informatique constitué de 3

composantes, un ordinateur, un écran et une imprimante.
Si on la choix entre 3 marques d'ordinateurs, 2 marques d'écran et 4 marques
d'imprimantes, alors le nombre de possibilités m = 3 ∗ 2 ∗ 4 = 24 systèmes
diérents possibles.
Nous étudions trois types de dispositions ; les permutations, les arrangements
et les combinaisons.

3
4 CHAPITRE 1. CALCUL DES PROBABILITÉS

1.1.1 Arrangements
a) Arrangement sans répétition :on appelle arrangement sans répétition
tout ensemble de k éléments choisis parmi n l'un après l'autre sans remise
(disposition ordonnée), le nombre de ces arrangements est
n!
Akn =
(n − k)!
.
Exemples
1) une séquence d'ADN est constituée d'un enchaînement de 4 nucléotides [A
(Adénine), C (Cytosine), G (Guanine) et T (Thymine)]. Il existe diérents
arrangements possibles de deux nucléotide ou dinucléotide avec p=2, n=4 ;
4!
A24 = = 12
(4 − 2)!
.
2) Le nombre de mots de 5 lettres diérentes ( avec ou sans signication)
formés avec les 26 lettres de l'alphabet correspond au nombre d'arrangements
possibles avec k=5, n=26 ;
26!
A526 = = 7893600
(26 − 5)!
.
3) Le nombre de comités (président, secrétaire, caissier) de 3 membres que
l'on peut former à partir de 8 personnes correspond au nombre d'arrange-
ments possibles avec p=3, n=8 ;
8!
A38 = = 336
(8 − 3)!
.
Dans les exemples précédents, l'ordre des éléments est essentiel mais une
base ou une lettre de l'alphabet peut se retrouver plusieurs fois. Il faut donc
distinguer deux types d'arrangements avec ou sans répétition.
b) Arrangement avec répétitions : c'est tout ensemble de k éléments choisis
parmi n avec remise.
Ãkn = nk
.
Exemples :
1) Concernant l'exemple de la séquence d' ADN, le nombre dinucléotides at-
tendu si l'on fait l'hypothèse qu'une base peut être observée plusieurs fois
1.1. ANALYSE COMBINATOIRE 5

dans la séquence (ce qui correspond à la réalité) est donc 42 = 16 dinucléo-

tides possibles.
2) Combien de numéros de téléphone composés de 7 chires existe-t-il ? Ré-
ponse :107 .
3) De combien de manières peut on répartir 10 personnes sur 3 guichets ?
310 .
Remarque dans le cas d'arrangement avec répétition, il est possible d'avoir
k > n.
1.1.2 Permutations
a) Permutations sans répétition : c'est un arrangement sans répétition
avec k = n, le nombre de ces permutation est alors ;
Pn = n!

.
La permutation de n objets constitue un cas particulier d'arrangement sans
répétition de k éléments parmi n avec k = n.
Exemples :
1)Dans un train à 10 wagons diérents, il y a 10! manières de le constituer.
En supposant que la locomotive se trouve toujours en tête).
2)Il y a 7! façons diérents pour répartir un groupe de 7 personnes sur une
rangée de 7 chaises.
b)Permutation avec répétition :c'est un arrangement de n éléments divisés
en k classes contenant n1 , n2 , ..., nk éléments respectivement ;
n!
P̃n =
n1 !n2 !...nk !
.
n1 + n2 + ... + nK = n, il y a k ensembles d'éléments.
Exemples :
1) Une classe comporte 12 élèves, de combien de manières ces 12 élèves
peuvent ils subir trois examens diérents, sachant que 4 élèves subissent
le même examen ?
Réponse : P̃12 = 4!4!4!
12!
= 34650.
2)Combien d'anagrammes peut-on former avec les lettres du mot  excellence
 ? Réponse :P̃10 = 4!2!2!1!1!
10!
= 37800.

1.1.3 Combinaisons
a) Combinaisons sans répétition :Une combinaison de k éléments choisis
parmi n est une disposition non ordonnée de ces k éléments où chacun gure
6 CHAPITRE 1. CALCUL DES PROBABILITÉS

au plus une fois, on note Cnk le nombre de ces combinaisons ;

n!
Cnk =
k!(n − k)!
.
Exemples :
1)La formation d'une délégation de 5 personnes parmi un groupe de 50 consti-
tue une combinaison avec p=5 et n=50 ;

5 50!
C50 = = 2118760
5!45!
.
2)Soient les nombre 1, 2 , 3, 4. En choisissant 2 nombres, on peut obtenir 6
combinaisons, en eet p=2 et n=4 ;
4!
C42 = =6
2!2!
.
b) Combinaison avec répétition : Une combinaison avec répétition de k élé-
ments est un groupement dans un ordre quelconque de k éléments, ces élé-
ments ne sont pas forcément deux à deux distincts et k n'est plus forcement
inférieur ou égal à n. On cherche le nombre
(n + k − 1)!
C̃nk =
k!(n − 1)!
.
Exemples
1) 12 délégués d'une association doivent élire un représentant au conseil d'éta-
blissement. Deux candidats se présentent ; tous les délégués doivent voter
pour l'un ou pour l'autre, on veut déterminer le nombre de votes possibles,
c'est le nombre de combinaison avec répétition n=2, p=12
13!
C̃212 = = 13
12!
, il y a 13 votes possibles.
2) Le nombre de groupes de 9 lettres, avec répétition, que l'on peut former
avec les 3 lettres a, b, c ;
11!
C̃39 = = 55
2!9!
.
1.2. LA THÉORIE DES PROBABILITÉS 7

1.2 La théorie des probabilités

Introduction
On peut classer les expériences en deux grands groupes ;
celles dont l'issue est prévu avec certitude dépendant de lois physiques éta-
blies et celles dont l'issue dépend du hasard, pour lesquelles on ne peut pas
faire de prévisions rigoureuses, ce sont les expériences aléatoires.
Historiquement, la notion de probabilité s'est dégagée à partir d'exemples
simples empruntés généralement aux jeux de hasard.

1.2.1 Notion d'évènements, d'univers

Une expérience aléatoire (épreuve) peut présenter un certain nombre de
résultats ni ou inni.
Chacun de ces résultats est un événement élémentaire Ei ....
L'ensemble de ces événements élémentaires constitue l'univers Ω c'est l'en-
semble de tous les résultats possibles.
Exemples :
1)Jet de dé n fois ; Ω = {E1 , ..., En }.
Un événement non élémentaire est un ensemble de plusieurs résultats (une
partie de Ω).
2)Pour la même expérience aléatoire de jet de dé avec n = 3, on considère
les événements :
 obtention de chire pair  ; A = {2, 4, 6}.
 obtention de chire impair  ;B = {1, 3, 5}.
A et B sont des événements non élémentaires.

1.2.2 Algèbre et tribu d'évènements

Un évènement étant un élément de P(Ω) obéit aux lois de la théorie des
ensembles.
(Ω, P(Ω)) s'appelle espace probabilisable.
Si Ω est inni, on peut considérer A une famille restreinte de P(Ω). Ainsi A,
Alg èbre de parties de Ω qui vérie :
C1- Pour tout A dans A, Ā ∈ A.
C2- Pour tout A, B dans A, A ∪ B ∈ A.
La condition C2 est équivalente à la condition Ć2 ;
Ć2- Pour tout A, B dans A, A ∩ B ∈ A.
Exemples :
8 CHAPITRE 1. CALCUL DES PROBABILITÉS

1) L'algèbre la plus élémentaire est {Ω, ∅}.

2) Soit Ω = {a, b, c, d}, à partir de la partition {a, b} , {c} , {d} on construit
l'algèbre A tel que ;
A = {∅, {a, b} , {c} , {d} , {c, d} , {a, b, d} , {a, b, c} , Ω}.
Propriétés d'une algèbre :
P1- ∅ ∈ A et Ω ∈ A.
P2- Si Aj ∈ A, pour 1 ≤ j ≤ n, on démontre par récurrence que ∪nj=1 Aj ∈ A.
P3- Si Aj ∈ A, pour 1 ≤ j ≤ n, on démontre par passage au complémentaire
que ∩nj=1 Aj ∈ A.

Certaines expériences peuvent se dérouler indéniment, par exemple :

soit l'expérience aléatoire "jeter un dé" et soit l'évènement An :"obtenir 3 au
nieme lancé".
L'évènement A : "obtenir le chire 3" sera alors A = ∪∞ n=1 An ,d'où la nécessité
de passer d'une réunion nie dans P2 à une réunion dénombrable ; on aura
alors :
Si An ∈ A pour tout n, alors ∪∞ n=1 An ∈ A.
Dans ce cas, on dit que A est une σ − alg èbre ou tribu.
ainsi le couple (Ω, A) est appelé espace probabilisable, c'est à dire qu'on
peut lui associer une probabilité.
1.2.3 Logique des événements
*Evènement certain (contient tous les résultats de l'expérience) ;E = Ω.
*Evènement impossible (n'est jamais réalisé) ; E = ∅.
*Union d'événements, A ∪ B ; (A est réalisé ou B est réalisé).
*Intersection d'événements, A ∩ B ; (A est réalisé et B est réalisé).
*Deux événements qui ne peuvent pas être réalisés en même temps sont dits
incompatibles.
A et B incompatibles (s'excluent mutuellement) ⇔ A ∩ B = ∅.
*Complémentarité, Ā complémentaire de A ; A n'est pas réalisé.
A et Ā sont incompatibles.

1.2.4 Probabilité
Une fois déni l'ensemble des évènements auxquels on s'intéresse, on va
essayer de traduire en nombre leurs chance de réalisation.

Dénitions 1 On appelle probabilité P sur (Ω, A)

une application P : A → [0, 1], telle que :
(i) P(Ω) = 1.
1.2. LA THÉORIE DES PROBABILITÉS 9

(ii) Pour toute suite An d'évènements incompatibles ; An et Am dans A,

An ∩ Am = ∅, pour m 6= n :
∞
P P (An) .
X
(∪∞
n=0 An ) =
n=0

Propriété dite de σ additivité.

Remarques 1 Pour toute suite non disjointes de (An ), on alors l'innégalité

de Boole ;
∞
P P (An) .
X
(∪∞
n=0 An ) ≤
n=0

Le triplet (Ω, A, P) est appelé espace probabilisé.

On a les propriétés suivantes déduites de la dénition ;

propriété 1 P1) P (∅) = 0.

P2) P(Ā) = 1 − P(A).
P3) Si A ⊂ B ⇒ P(A) ≤ P(B).
P4) P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

Exemples :
1) Jetons en l'air une pièce de monnaie, ce jeu constitue une épreuve c'est-
à-dire une expérience dont le résultat est incertain. Il y a deux éventualités
possibles ; pile ou face.
Si on considère l'éventualité  obtenir face , parmi les deux résultats égale-
ment probables, il y en a qu'un qui est favorable à  obtention de face  La
probabilité d'avoir face est égale à 21 .
D'une façon plus générale ;

P(A) = nombre d'éventualités favorables

nombre d'éventualités possibles
2) On jette un dé, P(obtenir un nombre impair) = 3/6.
3) dans une urne, il y a 30 boules rouges, 20 boules noires, 10 boules vertes
indiscernables au toucher et disposée au hasard. On tire une boule.
P(tirer une boule verte) = 10/60.
P(tirer une noire) = 20/60.
P(tirer une rouge) = 30/60.
10 CHAPITRE 1. CALCUL DES PROBABILITÉS

Cas particulier : Equiprobabilité

Il s'agit d'un cas où tout mes évènements ont la même probabilité, ce qui
correspond à la loi uniforme discrète dénie par
1
pi = , avec 1 ≤ i ≤ n, n = card(Ω).
n
Exemple :Si on jette un dé bien équilibré, alors la probabilité d'apparition
d'un chire entre 1 et 6 est :
1
pi =
6
avec Ω = {1, 2, ..., 6}.
2) Une urne contient 12 boules numérotées de 1 à 12, on tire au hasard une,
calculer la probabilité de tirer un nombre pair ou un multiple de trois.
Solution :
*Exprimer les événements considérés ;
Remarquer le  ou  entre ces événements.
Exposer le théorème des probabilités totales à utiliser.
Poser la question de la compatibilité.
A :  tirer un nombre pair = {2, 4, 6, 8, 10, 12}
B :  tirer un multiple de trois  = {3, 6, 9, 12}
P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
A ∩ B = {6, 12}.
P(A ∪ B) = 7/12 + 4/12 − 2/12 = 2/3.

1.2.5 Probabilités conditionnelles

Considérons deux événements A et B , au cours d'une expérience aléatoire
et telle que la réalisation de B inuence celle de A. Alors la probabilité de
réaliser A sachant que B a été réalisé s'appelle Probabilité conditionnelle de
A sachant B et s'écrit P(A|B).
Exemple introductif : La composition d'un amphi théâtre de 200 étudiants
dans une université est la suivante :
130 étudiants sont des lles.
100 étudiants habitent chez leurs familles.
Parmi ces 100 étudiants qui habitent chez leurs familles, 80 sont des lles.
On choisit un étudiant au hasard et on s'intéresse aux trois événements :
A : "l'étudiant habite chez sa famille".
B : "l'étudiant est une lle".
A ∩ B est une lle qui habite chez sa famille.
P(A) = 100/200, P(B) = 130/200,
1.2. LA THÉORIE DES PROBABILITÉS 11

P(A ∩ B) = 80/200.(nombre de lles qui habitent chez leurs parents/nombre

d'étudiants)
Si l'on sait au préalable que l'étudiant est une lle, alors l'ensemble de ré-
férence est constitué de 130 lles étudiantes et la probabilité qu'elle habite
chez ses parents sachant que c'est une lle devient 80/130 (nombre de lles
qui habitent chez leurs parents/nombre de lles étudiants)= P(A|B).
En eet : cette probabilité est conditionnée par l'information supplémentaire,
l'événement B  l'étudiant est une lle  est réalisé.
On remarque que 80/130 = (80/200)/(130/200), ce résultat est général.
P(A|B) = P(A∩B)
P(B) .
La probabilité que la lle n'habite pas chez ses parents sur l'ensemble des
lles étudiantes est 50/130, d'où P(Ā|B) = 1 − P(A|B).

Dénitions 2 Soit (Ω, A, P) espace probabilisé, A évènement tel que

P(A) 6= 0, pour tout évènement B , on pose

P(B|A) = P(B ∩ A)
P(A)
Propriétés :
1) P(B̄|C) = 1 − P(B|C).
2) P(B \ C|A) = P(B|A) − P(B ∩ C|A).
3) P(B1 ∪ B2 |A) = P(B1 |A) + P(B2 |A) − P(B1 ∩ B2 |A).
4) I une partie nie ou innie de N, (Bi )i∈I une suite d'évènements deux à
deux incompatibles,

P(∪i∈I Bi|A) = P(Bi|A).

X

i∈I

Exemple 2 : Soit une urne contenant 10 boules blanches, 20 rouges et 30

noires. On tire deux boules sans remise dans l'urne, quelle est la probabilité
que la première boule soit rouge et seconde blanche ? Solution :
Soient les évènements :
R :"tirer une boule rouge", B :"tirer une boule blanche".
P(R ∩ B) = P(R) ∗ P(B|R) = 60 20
∗ 10 10
= 117 .
P(B|R) = 59 , (il reste 59 boules dans l'urne dont 10 sont blanches).
59
10

Formule des probabilités composées :

Soient (Ai )1≤i≤n une suite d'évènements de A tel que

P(A1 ∩ A2 ∩ ... ∩ An) 6= 0.

12 CHAPITRE 1. CALCUL DES PROBABILITÉS

Nous avons l'égalité suivante :

P(∩ni=1Ai) = P(A1)P(A2|A1)....P(An|A1 ∩ A2.... ∩ An−1)
Théorème 1
P(A ∩ B) = P(B ∩ A) = P(A|B) ∗ P(B) = P(B|A) ∗ P(A)
Si A et B sont indépendants, alors
P(A ∩ B) = P(B ∩ A) = P(A) ∗ P(B)
Remarque 1 Si A et B sont indépendants, alors P(A|B) = P(A).
La réalisation d'un évènement ne modie pas la probabilité de réalisation de
l'autre.

Attention : ne pas confondre incompatibilité (B ∩ A = ∅) et indépendance.

Dénitions 3 On dit que {A1 , ..., A1 } est un système complet si :

*P(Ai ) > 0.
*Ai ∩ Aj = ∅, pour i 6= j .(incompatibles)
*∪ni=1 Ai = Ω
Théorème 2 (Théorème de Bayes) Soit {A1 , ..., A1 } un système complet.
Soit B un évènement, le théorème de probabilité complète ;
n n
P(B) = P (B ∩ Ai) = P (B|Ai) P (Ai)
X X

i=1 i=1

La formule de Bayes sera alors ;

P (Ai|B) = PnP (B|A i ) P (Ai )

P (B|A ) P (A )
i=1 i i

Exemple 1 :On tire au sort trois urnes dont les compositions sont indiquées
dans le tableau ci-après.
Sachant qu'on a obtenu une boule rouge, on se pose la question de savoir
quelle est la probabilité qu'elle provienne de l'urne U2.

Rouge Bleue Verte

U1 3 4 1
U2 1 2 3
U3 4 3 2
1.2. LA THÉORIE DES PROBABILITÉS 13

P (R) = P (R ∩ U i) = P (R|U i) P (U i)
P3 P3
i=1 i=1
1 3 1 4 71
= (
3 8
+ 6
+ 9
) = 216
La probabilité à postériori étant donc ;
P (U 2|R) = P(R|UP(R)
2)P(U 2)
1 1
∗
= 3 6
1 71
∗
= 71 < P (U 2) .
3 72
12

Exemple 2 : Trois machines A, B, C produisent respectivement 40%, 35%

et 25% du nombre total des comprimés fabriqués par un laboratoire pharma-
ceutique, chacune de ces machines produit respectivement 5%, 6%et 3% de
comprimés défectueux.
a) On prend un comprimé au hasard, quelle est la probabilité pour qu'il soit
défectueux ?
b) On prend un comprimé au hasard, on constate qu'il est défectueux, quelle
est la probabilité qu'il soit produit par la machine A ? Réponse :
P(A) = 0.4, P(B) = 0.35, P(C) = 0.25.
D :  comprimé défectueux .
P(D|A) = 0.05, P(D|B) = 0.06, P(D|C) = 0.03.
La réalisation de D peut être due à chacune des trois causes A, B, C, ces
trois causes sont incompatibles ;
P(D) = P(A)P(D|A) + P(B)P(D|B) + P(C)P(D|C)
= 0.4 ∗ 0.05 + 0.35 ∗ 0.06 + 0.25 ∗ 0.03 = 0.0485.
b) On sait que l'événement  comprimé défectueux  est réalisé, on cherche
la probabilité de la cause  machine A  ; calcul de P(A|D).
P(A|D) = P(D|A)P(A)
P(D)
0.4∗0.05
= 0.0485
= 0.41

1.2.6 Statistique et Probabilités

les ressemblances entre les statistiques et le calcul des probabilités.
Probabilités Statistiques
Espace fondamental Population
Epreuve Tirage d'un individu
Evenement elémentaire Individu, observation
Variable aléatoire Caractère
Epreuve répétée Echantillonnage
Nbre de répétition d'une épreuve Taille de l'échantillon, eectif total
Probabilité Fréquence observée
Loi de Probabilité Distribution observée ou loi empérique
Espérance mathématique Moyenne observée
Variance Variance observée
14 CHAPITRE 1. CALCUL DES PROBABILITÉS

1.2.7 l'approche Statistique de Probabilités

Une des approches de la dénition d'une probabilité est celle basée sur
les observations et les expériences antérieures appelée approche à postériori.
Exemple :
A priori la probabilité de la naissance d'un garçon est 12 . On constate que
sur 1000000 naissances. qu'il y a 515000 garçons et 518000 lles. D'où la
probabilité à postériori (après expérience) d'avoir un garçon est
515000
= 0.515
1000000
.