FACUTE DES SCIENCES FACULTY OF ECONOMICS

ECONOMIQUES ET DE GESTION AND MANAGEMENT

COURS DE PROBABILITES

ECONOMIE ET GESTION

LICENCE 1

Dr NGO TEDGA / Dr TIOMELA

1
 PARTIE I

CHAP1 : ANALYSE
COMBINATOIRE

CHAP 2 : CALCUL DES

PROBABILITES

Dr NGO TEDGA PAULINE

2
 CHAPITRE 1 ANALYSE COMBINATOIRE

I- DEFINITION DES CONCEPTS

L’Analyse Combinatoire est un ensemble d’outils mathématiques permettant de dénombrer

ou compter les éléments d’un ensemble. Un ensemble est un groupe de plusieurs éléments de
même nature ou encore ayant les mêmes caractéristiques. Les ensembles sont notés en
majuscules tandis que les éléments sont en minuscules. Ex : A= {a, b, c} le nombre
d’éléments d’un ensemble est appelé cardinal. Donc Card (A) = 3

Il existe deux catégories d’ensembles : les ensembles dénombrables (N, Z, Q) de cardinal

fini et les ensembles non dénombrables (R et tout intervalle de R sont non dénombrables) dont
on ne peut compter les éléments, c’est un ensemble infini.

La notion de disposition renvoie à une répartition, une configuration ou encore une

organisation d’éléments selon un certain ordre. C’est ainsi qu’on distingue : les dispositions
ordonnées, l'ordre d'obtention d'un élément est important. Ex. les éléments constituant la
plaque minéralogique d'un véhicule (Région, numéro de serie, l’ordre d’enregistrement =
EN503B7). Les dispositions non-ordonnées, l'ordre d'obtention d'un élément n'est pas
important, on n'en tient pas compte dans la caractérisation de la disposition. Ex. Les numéros
issus d'un tirage du loto de 04 boules (2, 33, 78, 9). Les dispositions sans répétition, C'est
une disposition où un élément peut apparaître 0 ou 1 fois. Ex : 695314278. Les dispositions
avec répétition, Un élément peut figurer plus d'une fois. Ex : CONSTITUTION

II- DISPOSITIONS SANS REPETITION

1- La Permutation

Étant donné un ensemble E de card n, on veut ranger les n-éléments de E à n-endroits

différents en tenant compte de : quel élément occupe quel endroit ? Un tel rangement
s’appelle une permutation des éléments de E. C’est encore une liste ordonnée des éléments de
E. Autrement dit combien y’a-t-il de rangements possibles lorsque le nombre d’endroits =
nombre d’éléments ? Il y en a n ! Donc P = n ! = 1×2×3×…..×n = n(n-1)(n-2)×…. ×2×1

3
Ex1 : Dans un restaurant, une serveuse veut faire asseoir 05 clients sur une table de 05
chaises. Combien y a-t-il de possibilités ? Rép : P = n ! 5 !=120 Ex2 : soit E  a, b, c /

card (E) = n éléments à ranger à 3- places distinctes Rép : 3 ! = 1×2×3 = 6 possibilités

Soient deux ensembles A et B ayant un même cardinal n. Le nombre d’applications possible

de A vers B est : une permutation n ! ou encore une application bijective. On parle de
bijection lorsque le nombre d’éléments de l’ensemble de départ est le même que celui de
l’ensemble d’arrivée.

2- La Combinaison

Soit un ensemble E / card (E) = n, on veut déterminer le nombre de sous ensemble de E de

card P. Autrement dit, On considère une population mère constituée de n éléments tous
discernables. On forme un échantillon de taille p. Si la disposition est non-ordonnée et sans
répétition, on dit que l'on a une combinaison. Le nombre de sous-ensemble possible de E est
n!
noté : Cnp 
p !(n  p)!

Ex1 : soit E= (a, b, c, d) donner le nombre de sous-ensemble de E de card 2. Ce nombre

2
est : C 4  6 Sous-ensembles

Ex2 : une classe compte 50 étudiants et on souhaite désigner 5 délégués, combien y’a-t-il de
possibilités ? 2) combien y a-t–il de possibilités si Mahamat et Olivia doivent forcément être
5 3 2
des délégués ? Rép : 1) C50 ; 2) C48  C2

Quelques propriétés des combinaisons :

0
P1 : n  N , Cn  1 Cnn  1
p n p
P2 : Cn  Cn n  p
p
P3 : Cn  0 si pn
p p 1 p
P4 : Cn  Cn 1  Cn1

4
 3- L’Arrangement

Étant donné E / card ( E ) = n, et P endroits avec p  n ; on voudrait extraire P-éléments dans

p
l’ensemble E pour les ranger aux P-endroits. Le nombre de résultats possibles sera : A n qui

vaut : A pn  C pn .P! (c’est une combinaison  une permutation) et après simplification

n!
A pn  . Un arrangement est une liste ordonnée de P éléments de E.
(n  p)

Ex1 : Dans une classe de 50 étudiants, On veut constituer un bureau de 4 postes (président,
vice-président, secrétaire, trésorier). 1) combien y a-t-il de bureaux possibles ? 2) on sait que
Paul sera président d’avance, combien y a-t-il de bureaux possibles dans ces conditions ?
4 3 1
Rép : 1) A50 2) A49  A1

Etant donné deux ensembles A et B de cardinaux respectifs n et P, avec P ≤ n. Une injection

est le nombre d’applications de A vers B. ici, chaque élément de l’ensemble de départ a une et
une seule image dans l’ensemble d’arrivée. Ce nombre d’applications injectives est un
arrangement. Notons que le nombre d’éléments de l’ensemble de départ est plus petit que
celui de l’ensemble d’arrivée.

Propriétés des Arrangements

0
P1 : n  N , An  1
n
P2 : An  n!
p p 1 p
P3 : An  pAn 1  An 1

Application : Dans un championnat de Football à 16 équipes combien y’a-t-il de matchs

2 16*15 ; 2.C162  A162  16*15  240
aller ? et combien aller-retour ? Sol : C16  2!
 120

III- DISPOSITIONS AVEC REPETITION

1- Les Partitions

Elles sont encore appelés permutations avec répétition de n éléments ou tout simplement des
anagrammes (transposition des lettres ou des chiffres pour en former plusieurs). Étant donné
E / card ( E) = n, on appelle partition de E toute famille F de sous-ensembles telle que :
5
F = E1 , E 2 ,...E p  c’est une P-partition. On appelle encore partition de n éléments, une

disposition ordonnée de l'ensemble de ces n éléments où le 1er figure n1 fois, le second n2

fois, etc.

Donc on recherche le nombre de P-partition de E, dont les classes ont pour cardinaux
p n!
respectifs n1, n2, ….np / n1+n2+….np = n. Ce nombre est noté Pn avec Pnp 
n1 !n2 !...n p !

Ex1: soit E= {1, 2, 3, 4,5}, combien y-a-t-il de partitions de E en 3 classes de manière à ce

qu’on ait 2 classes ayant deux éléments et une classe ayant un élément.

Solution : P5(2,2,1)  5!  30
2!2!1!
Ex2 : Combien y’a-t-il de nombre de 8 chiffres dans lesquels figurent exactement 3 fois1, 3
8!
fois4, et 2 fois6 Rép : P83 
3!3!2!

Soient deux ensembles A et B des cardinaux respectifs n et P avec P ≤ n. Le nombre

d’applications subjectives de A vers B, correspond aux nombres de partitions d’un ensemble
à P-classes. Ici, le nombre d’éléments de l’ensemble de départ est plus grand que celui de
l’ensemble d’arrivée. Ce nombre d’applications subjectives est donné par :

( , ) = ! ( , ) avec S (n, p) = P +P le nombre de partitions

Ex : S(1, 1) = 1 ; S(2,1) = 2 ; S( n, 1) = n

2- Le nombre d’applications

Soient deux ensembles A et B / card (A) = P, card (B) = n ; on veut dénombrer le nombre
d’applications possibles de A vers B, autrement dit tous les éléments de l’ensemble de départ
ont une image (commune si possible) dans l’ensemble d’arrivée. Ce nombre d’applications est

noté : np Autrement dit, Si nous avons à choisir P éléments parmi n, la disposition étant
ordonnée et avec répétition, on parle aussi d’arrangement (avec répétitions) de p éléments
parmi n.

6
Ex1 : combien de nombre de 4 chiffres peut-on former avec (0, 2, 4, 6, 8) dans l’absolu
Rép : n p  54 = 625 et si on ne peut avoir plus une fois le même chiffre ? Rép :
5*4*3*2 = A 54 = 120

Ex2 : les numéros de téléphone sont à six chiffres dans un pays. Combien y a-t-il de numéro
dans l’absolu ? Rép : 106

3- BINOME DE NEWTON

Soient a et b deux réels et n un entier. Alors on a la formule suivante :

TAF : Appliquer la formule du binôme de Newton pour n = 4 et n = 5

7
 CHAPITRE 2 CALCUL DES PROBABILITES

I.EXPERIENCE ALEATOIRE

1-Définition

On appelle expérience aléatoire toute expérience dont on ne peut prédire avec certitude le
résultat avant de l’avoir effectué, mais on connaît exactement tous les résultats possibles. Soit
 l’ensemble des résultats possibles. Toute partie de  ou sous ensemble est appelé
événement et noté (E). Un évènement est une assertion logique sur une expérience aléatoire.
Ex d’expérience aléatoire : le lancer du dé, le jet de la pièce de monnaie… pour le cas du dé,
= {1,2,3,4,5,6} soit(E) : « obtenir un nombre pair » en extension (E)= {2, 4, 6}

2-Opérations sur les évènements

On dira que l’événement (E) s’est réalisé si le résultat de l’expérience est un élément de E.
On dira que (E) est certain si E se réalise toujours. On dira que (E) est impossible s’il ne se
réalise jamais. L’évènement A et B qui correspond mathématiquement à A B est
l’événement qui se réalise si A et B se réalise. L’évènement A ou B = A B se réalise si au
moins un évènement se réalise. Deux évènements incompatibles ne peuvent pas se réaliser en
même temps : A  B   . Deux événements sont indépendants si la réalisation de l’un
n’apporte aucune information sur l’autre. L’événement A implique B : A  B si chaque fois
que A est réalisé, B l’est aussi.

II.PROBABILITES : DEFINITION ET PROPRIETES

Lorsqu’on a une expérience aléatoire, on cherche à définir ou à mesurer les chances de

réalisation des différents événements, cette mesure s’appelle la Probabilité. Trois méthodes
permettent de déterminer une probabilité.

1-Méthode Fréquentiste

On suppose ici qu’on peut répéter l’expérience un grand nombre de fois (n) dans les mêmes
conditions. Si n (E) est le nombre de réalisation (E) au cours de n-répétitions, alors la
n(E)
probabilité de E est : P(E) = Pour le cas du dé, = {1,2,3,4,5,6} soit(E) : « obtenir
n
un nombre pair » en extension (E)= {2, 4, 6} P(E) = 3/6= 1/2

8
 2-l’Hypothèse d’Équiprobabilité

On suppose ici que tous les résultats ont les mêmes chances d’être obtenus. Pour simplifier,
on suppose card () =n on obtiendra donc :

card (E) card (E) nbre de cas favorables

P(E)=  
card () n nbre de cas possibles

Pour le cas du dé, = {1,2,3,4,5,6} soit(E) : « obtenir un nombre pair » en extension (E)=
{2, 4, 6} P(E) = 3/6= 1/2

3-Méthode Subjective

Dans ce cas, on détermine la probabilité d’un événement par des considérations qui ne sont
pas ni mathématique ni logique. Par exemple en tenant compte de l’histoire, du passé…

4-Axiomatique des Probabilités

Etant donné un espace probabilisé ou probabilisable (, p()) d’une expérience aléatoire,

on appelle probabilité toute application p : p ( )   0,1

Soit p une probabilité définit dans l’expérience (, p()) , on a les propriétés suivantes :


1°) si E={x1, x2,...,xn}, p ( E )   p( xi ) p()  1
i 1

2°) si A  B    p( A  B)  p( A)  p(B)

3°) si A1, A2,..., An sont des événements tels que Ai  A j   si i  j , alors

n n
p ( Ai )   p ( Ai )
i j i j

4°) si A  B  p( A)  p(B)

5°) si p ( A)  1  p ( A)

5°) si p( A  B)  p( A)  p( A  B)

A, B   p ( A  B )  p ( A)  p ( B )  p ( A  B )

9
III.PROBABILITES CONDITIONNELLES

De façon générale, considérons un espace probabilisé (, p(), p) , soient A et B, deux

événements tels que p( A)  0 , on sait que A s’est réalisé et on voudrait évaluer la probabilité
de B connaissant de cette information. Cette probabilité est appelé la probabilité de B sachant
A et est noté p(B / A) . C’est encore la probabilité de B conditionnellement au fait que A

s’est réalisé. Elle est définie comme suit : p ( B / A)  p ( A  B ) Ce qui permet d’obtenir
p ( A)

le théorème des probabilités composées à savoir : p( A  B)  p( A). p(B / A)

NB : Si deux événements sont indépendants, si la réalisation de l’un n’apporte aucune info sur
l’autre alors, p( A  B)  p( A). p(B) car dans ce cas, p( A / B)  p( A) et
p(B / A)  p(B)

Application : Si on jette un dé, et que l'on considère les deux événements suivants : A la
probabilité d'avoir un nombre pair et B la probabilité d'avoir un nombre supérieur ou égal à 4.

IV.THEOREME DE BAYES

Soit (, p(), p) un espace probabilisé, soient E1, E2,….Ep une famille complète

d’événements ou une partition de  . On suppose connu les P(Ei) et P(A/Ei) où, A est un
p ( E j ). p( A / E j )
événement quelconque ; alors p ( E j / A)  p c’est le théorème de Bayes.
 p( E ) p( A / E )
i 1
i i

p
Pour une famille d’événements complets, les propriétés suivantes sont vérifiées : E
i 1
i


10
et Ei  E j  0 si i  j . Comme A est inclut dans  , On peut aussi avoir ce résultat qui
p p
est le théorème des probabilités totales : P(A)   p(A  E i )   P(E i ).p(A/E i )
i 1 i 1

P(A  E i )
car p(A/E i ) 
P(E i )

Application : Supposons qu'une population d'adultes soit composée de 30% de fumeurs (A1)
et de 70% de non-fumeurs (A2). Notons B l'événement : "mourir d'un cancer du poumon".
Supposons en outre que la probabilité de mourir d'un cancer du poumon est égale à Pr(B|A1) =
20% si l'on est fumeur et de Pr(B|A2) = 1% si l'on est non-fumeur. Le théorème de Bayes
permet de calculer les probabilités a priori, c'est-à-dire la probabilité d'avoir été fumeur si on
est mort d'un cancer du poumon. En effet, cette probabilité est notée Pr(A1|B) et peut être
calculée par :

Comme interprétation, on dira qu’il y’a 90% de chance de mourir d’un cancer du poumon si
on est fumeur. Ou encore 90% des fumeurs risquent mourir d’un cancer du poumon. Un
pourcentage qui est très élevé et qui appelle à la prise de mesures adéquates dans la société.

La probabilité de ne pas avoir été non-fumeur si on est mort d'un cancer du poumon
vaut quant à elle :

Comme interprétation, il y’a 10% de chance seulement de mourir d’un cancer du poumon si
on est non-fumeur.

11