Niveau: 2A

Filière : MEO

Probabilités

Intervenant (e) : M.HOUMAIRI

2024-2025
HESTIM - Hautes Etudes des Sciences et Techniques de l’Ingénierie et du Management
Etablissement d’Enseignement Supérieur Privé, Autorisé par le Ministère de l’Enseignement Supérieur et de la Formation
des Cadres sous le numéro 245/2006
Matière : Probabilités

Classe : 2A-MEO

Professeur : Adam HOUMAIRI

Année Universitaire : 2024/2025

 Tour de Table

Nom & Prénom Cursus Universitaire Vos Attentes

 Biographie

Formation :

• Doctorant en informatique (en cours)

• Agrégation de mathématiques (2019)
• Ingénierie en informatique: ENSIMAG Grenoble-
Photo
INP (2013)

Expériences professionnelles :

Professeur agrégé de • Professeur agrégé de mathématiques (depuis 2019)

mathématiques • Ingénieur développeur Back-end (2014 – 2018)U

Autres Activités :

• U
 Objectifs du cours

Objectif :Calcul de probabilités, variables aléatoires usuels.

Répartition du volume horaire (Indiquée dans la fiche signalétique) :

CM : 66%
TD : 33%
TP :
Projet :

Mode d’évaluation (Indiqué dans la fiche signalétique) : Examen final

Année Universitaire : 2024/2025

 Plan détaillé du cours

(Il doit respecter le programme indiqué dans la fiche signalétique)

Chapitre 01 : Ensembles et dénombrement

Partie 01 : Eléments de la théorie des ensembles
Partie 02 : Dénombrement

Chapitre 02 : Calcul de probabilités

Partie 01 : Probabilité
Partie 02 : Conditionnement et indépendance

Chapitre 03 : Variables aléatoires

Année Universitaire : 2024/2025
Notes de Cours de Probabilités
Auteur : Adam Houmairi

Date : 2024/2025
Probabilités Notes de cours 2024-2025

Table des matières

1 Ensembles et Dénombrement 2
1.1 Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Ensembles finis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Dénombrement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Espaces Probabilisés 7
2.1 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Univers des cas possibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2 Événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1 Définition et premières propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2 Conditionnement et indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.3 Illustration d’un arbre de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.4 Exemple d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3 Chapitre 3 : Variables Aléatoires 13

3.1 Définition Générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Espérance et Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.3 Lois Usuelles de Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.1 Loi Uniforme Discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.2 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.3 Loi Binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.4 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.5 Loi Normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1
Probabilités Notes de cours 2024-2025

1 Ensembles et Dénombrement
1.1 Ensembles
1.1.1 Vocabulaire

Définition 1.1. Un ensemble est une collection d’éléments distincts. On note généralement un ensemble
avec des accolades :
A = {a, b, c, d}

Les notations courantes sont :

— x ∈ A signifie que x appartient à A.
— y∈
/ A signifie que y n’appartient pas à A.
— ∅ représente l’ensemble vide (aucun élément).

Définition 1.2. L’union de deux ensembles A et B, notée A ∪ B, est l’ensemble des éléments qui
appartiennent à A ou à B (ou aux deux).

A B

*Illustration de l’union A ∪ B (zone colorée).*

Exemple 1.1.
A = {1, 2, 3, 4}, B = {3, 4, 5, 6}

A ∪ B = {1, 2, 3, 4, 5, 6}

Définition 1.3. L’intersection de deux ensembles A et B, notée A ∩ B, est l’ensemble des éléments
communs à A et B.

A B

*Illustration de l’intersection A ∩ B (zone colorée).*

Exemple 1.2.
A = {1, 2, 3, 4}, B = {3, 4, 5, 6}

A ∩ B = {3, 4}

2
Probabilités Notes de cours 2024-2025

Exercice 1.1. Soient X = {a, b, c, d} et Y = {b, c, e}. Déterminer X ∪ Y et X ∩ Y .

Correction.
X ∪ Y = {a, b, c, d, e}, X ∩ Y = {b, c}

1.1.2 Ensembles finis

Définition 1.4. Un ensemble est dit fini s’il contient un nombre fini d’éléments. Son cardinal, noté
Card(A), est le nombre d’éléments qu’il contient.

Exemple :
A = {2, 4, 6, 8, 10} ⇒ Card(A) = 5

Théorème 1.1. Si A et B sont deux ensembles finis, alors :

Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B)

Exemple 1.3. Soit A = {1, 2, 3, 4} et B = {3, 4, 5, 6, 7} :

Card(A) = 4, Card(B) = 5, Card(A ∩ B) = 2

Alors :
Card(A ∪ B) = 4 + 5 − 2 = 7

1.1.3 Sous-ensembles

Définition 1.5. Soit A un ensemble. Un ensemble B est un sous-ensemble de A, noté B ⊆ A, si tous

les éléments de B appartiennent à A.

Exemple :
A = {1, 2, 3, 4, 5}, B = {2, 4} ⇒ B⊆A

*Illustration d’un sous-ensemble B inclus dans un ensemble A.*

Définition 1.6. La différence ensembliste entre A et B, notée A \ B, est l’ensemble des éléments de
A qui n’appartiennent pas à B.

A B

A\B

3
Probabilités Notes de cours 2024-2025

*Illustration de A \ B.*

Exemple 1.4.
A = {1, 2, 3, 4}, B = {3, 4, 5}, A \ B = {1, 2}

Exercice 1.2. Soient A = {x, y, z, w} et B = {y, z}. Déterminer A \ B.

Correction.
A \ B = {x, w}

Théorème 1.2 (Lois de Morgan). Soient A, B et C trois ensembles quelconques, alors :

1. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
2. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
3. A ∪ B = A ∩ B
4. A ∩ B = A ∪ B

Exercice 1.3. Soient les ensembles suivants définis dans l’univers U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} :

A = {1, 2, 3, 4, 5}, B = {3, 4, 5, 6, 7}, C = {5, 6, 7, 8, 9}

1. Vérifier en calculant explicitement que :

A∪B = A∩B

2. Vérifier en calculant que :

A∩B = A∪B

3. Vérifier que :
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)

Correction. 1.
A ∪ B = {1, 2, 3, 4, 5, 6, 7}

Son complémentaire dans U :

A ∪ B = U \ (A ∪ B) = {8, 9, 10}

Calcul de A et B :
A = U \ A = {6, 7, 8, 9, 10}

B = U \ B = {1, 2, 8, 9, 10}

Intersection :
A ∩ B = {8, 9, 10}

Ce qui vérifie bien que :

A∪B =A∩B

2.
A ∩ B = {3, 4, 5}

Son complémentaire dans U :

A ∩ B = U \ (A ∩ B) = {1, 2, 6, 7, 8, 9, 10}

Calcul de l’union des complémentaires :

A ∪ B = {6, 7, 8, 9, 10} ∪ {1, 2, 8, 9, 10} = {1, 2, 6, 7, 8, 9, 10}

4
Probabilités Notes de cours 2024-2025

Ce qui vérifie bien :

A∩B =A∪B

3.
B ∩ C = {5, 6, 7}

A ∪ (B ∩ C) = A ∪ {5, 6, 7} = {1, 2, 3, 4, 5, 6, 7}

Calcul séparé :
A ∪ B = {1, 2, 3, 4, 5, 6, 7}, A ∪ C = {1, 2, 3, 4, 5, 6, 7, 8, 9}

(A ∪ B) ∩ (A ∪ C) = {1, 2, 3, 4, 5, 6, 7}

On retrouve bien :
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)

Ce qui vérifie la distributivité de l’union sur l’intersection.

1.2 Dénombrement
1.2.1 Permutations

Définition 1.7. Soit E un ensemble fini de cardinal n, on appelle permutation de E tout réarrangement
d’éléments de E.

Exemple 1.5.
E = {a, b, c, d}

(b, a, c, d) est une permutation de E.

(d, c, b, a) est une permutation de E.

Théorème 1.3. Le nombre de permutations de n objets est donné par :

P (n) = n!

1.2.2 Arrangements

Définition 1.8. Soit E un ensemble fini de cardinal n, on appelle arrangement de E toute sélection
ordonnée de p éléments parmi les éléments de E.

Exemple 1.6.
E = {a, b, c, d, e}

(b, a) est un arrangement de 2 éléments de E.

(a, b) est un autre arrangement de 2 éléments de E.
(a, c, e) est un arrangement de 3 éléments de E.

Théorème 1.4. Le nombre d’arrangements de p objets parmi n est donné par :

n!
Apn =
(n − p)!

5
Probabilités Notes de cours 2024-2025

1.2.3 Combinaisons

Définition 1.9. Soit E un ensemble fini de cardinal n, on appelle combinaison de E toute sélection
non ordonnée de p éléments parmi les éléments de E.

Exemple 1.7.
E = {a, b, c, d, e}

{b, a} = {a, b} est une combinaison de 2 éléments de E.

{a, c, e} est une combinaison de 3 éléments de E.

Théorème 1.5. Le nombre de combinaisons de p objets parmi n est donné par :

 
n n!
Cnp = =
p p!(n − p)!

Théorème 1.6 (Triangle de Pascal et coefficients binomiaux). Le triangle de Pascal est une construc-
tion qui permet de calculer les coefficients binomiaux nk . n représente la ligne, et k la position.

1 1

1 2 1

1 3 3 1

1 4 6 4 1

1 5 10 10 5 1

explication. Pour obtenir un nouveau nombre du triangle, on fait la somme des 2 nombres directement en
dessus :
3 3
3+3=6
6

4


Exemple 1.8. Le coefficient binomial est situé à la 4me ligne et 2me colonne :
2
 
4
=6
2

Exercice 1.4. Utiliser le triangle de Pascal pour calculer 53 .

Correction. D’après la 5me ligne du triangle :

 
5
= 10
3

6
Probabilités Notes de cours 2024-2025

2 Espaces Probabilisés
2.1 Vocabulaire
2.1.1 Univers des cas possibles

Définition 2.1. Une expérience aléatoire est une expérience dont le résultat est incertain avant sa
réalisation.

Exemple 2.1. Lancer un dé à 6 faces est une expérience aléatoire car on ne peut pas prédire le résultat
avant de l’avoir effectué.

Définition 2.2. L’univers des cas possibles, noté Ω, est l’ensemble de tous les résultats possibles d’une
expérience aléatoire.

Exemple 2.2. — Pour un lancer de pièce, Ω = {Face, Pile}.

— Pour un lancer de dé à 6 faces, Ω = {1, 2, 3, 4, 5, 6}.

Définition 2.3. Un événement élémentaire est un élément de Ω, c’est-à-dire un seul résultat possible
de l’expérience aléatoire.

Exemple 2.3. Si on lance un dé, l’événement élémentaire {4} correspond à l’issue où l’on obtient exac-
tement 4.

2.1.2 Événements

Définition 2.4. Un événement est une partie de Ω, c’est-à-dire un sous-ensemble des résultats possibles.

Exemple 2.4. — Pour un lancer de dé, l’événement « obtenir un nombre pair » est A = {2, 4, 6}.
— Pour un tirage de carte dans un jeu de 52 cartes, l’événement « tirer un cœur » est l’ensemble des
13 cartes de cœur.

Définition 2.5. L’événement certain, noté Ω, est l’ensemble contenant tous les résultats possibles.
L’événement impossible, noté ∅, ne contient aucun résultat.

Exemple 2.5. — Pour un lancer de dé, l’événement certain est Ω = {1, 2, 3, 4, 5, 6}.
— L’événement impossible pour un lancer de dé est « obtenir un 7 », soit ∅.

Définition 2.6. Soient A et B deux événements :

— L’événement contraire de A, noté A, est l’ensemble des éléments de Ω qui ne sont pas dans A.
— L’union A ∪ B est l’événement où au moins un des événements A ou B se réalise.
— L’intersection A ∩ B est l’événement où A et B se réalisent simultanément.
— La différence A \ B est l’ensemble des éléments de A qui ne sont pas dans B.

Exemple 2.6. Soit un lancer de dé :

— A = {1, 2, 3} (obtenir un nombre ≤ 3).
— B = {2, 4, 6} (obtenir un nombre pair).
— A ∪ B = {1, 2, 3, 4, 6}.
— A ∩ B = {2}.
— A \ B = {1, 3}.

7
 Probabilités Notes de cours 2024-2025

2.2 Probabilité
2.2.1 Définition et premières propriétés

Définition 2.7. Une probabilité est une fonction P qui associe à chaque événement A un nombre réel
P (A) tel que :
1. 0 ≤ P (A) ≤ 1 (la probabilité est comprise entre 0 et 1).
2. P (Ω) = 1 (l’événement certain a une probabilité de 1).
3. Si A ∩ B = ∅ (événements incompatibles), alors :

P (A ∪ B) = P (A) + P (B).

Théorème 2.1. Soit P une probabilité définie sur Ω, on a les propriétés suivantes :
1. Probabilité de l’événement impossible :

P (∅) = 0.

2. Formule de la probabilité de l’union de deux événements :

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

3. Complémentarité : Pour tout événement A,

P (A) = 1 − P (A).

4. Monotonie : Si A ⊆ B, alors :
P (A) ≤ P (B).
Exemple 2.7. Dans un lancer de dé équilibré :
— P (obtenir un 2) = 16 .
3
— P (obtenir un nombre pair) = P ({2, 4, 6}) = 6 = 12 .
1 5
— P (ne pas obtenir un 5) = 1 − P ({5}) = 1 − 6 = 6 (complémentarité).
— P(
Exercice 2.1. Dans une boîte, il y a 10 boules :
— 4 rouges,
— 3 bleues,
— 3 vertes.
On tire une boule au hasard. Soit :
— A l’événement "tirer une boule rouge".
— B l’événement "tirer une boule bleue".
1. Calculer P (A) et P (B). 2. Calculer P (A ∪ B). 3. Déterminer P (A), la probabilité de ne pas obtenir
une boule rouge.
Correction. 1. Il y a 10 boules au total, donc :
4 3
P (A) == 0.4, P (B) = = 0.3.
10 10
2. Comme A et B sont incompatibles (A ∩ B = ∅), on utilise l’additivité :

P (A ∪ B) = P (A) + P (B) = 0.4 + 0.3 = 0.7.

3. La probabilité de ne pas tirer une boule rouge est :

P (A) = 1 − P (A) = 1 − 0.4 = 0.6.

8
Probabilités Notes de cours 2024-2025

2.2.2 Conditionnement et indépendance

Définition 2.8. Soit B un évènement de probabilité non nulle. La probabilité conditionnelle d’un
événement A sachant que B est réalisé est donnée par :
P (A ∩ B)
P (A | B) = .
P (B)
Exemple 2.8. Dans une classe de 30 élèves, 18 sont des filles et 12 sont des garçons. Parmi les 18 filles,
10 portent des lunettes. On choisit un élève au hasard :
10
P (lunettes | fille) = .
18

Interprétation : La probabilité conditionnelle représente la probabilité de A sachant que B est vrai.

C’est-à-dire en prenant en compte l’information : l’évènement B est réalisé.

Définition 2.9. Deux événements A et B sont indépendants si :

P (A ∩ B) = P (A)P (B).

Exemple 2.9. On considère une urne qui contient 5 boules rouges et 5 noires.
On en tire deux boules successivement sans remise. Et on considère les évènements :
— A = "La 2ème boule tirée est rouge."
— B = "La 1ère boule tirée est noire."
Si on sait que B est réalisé, c’est-à-dire qu’on a tiré une boule noire de l’urne, alors il reste 5 boules rouges
et 4 noires dans l’urne, la probabilité d’obtenir une boule rouge dans ce cas au 2ème tirage est :
Le nombre de boules rouges 5
P (A | B) = =
Le nombre total de boules dans l’urne 9
Théorème 2.2. Si A et B sont deux évènements indépendants, alors :

P (A | B) = P (A)

Exemple 2.10. 1. On considère une urne qui contient 5 boules rouges et 5 boules noires. On en tire
deux boules successivement avec remise. On considère les événements :
— A : "La 2ème boule tirée est rouge."
— B : "La 1ère boule tirée est noire."
Les deux événements sont indépendants, car le premier tirage étant avec remise, il n’affecte pas la
composition de l’urne. On a alors :
1 1 1
P (A ∩ B) = P (A)P (B) = × = .
2 2 4
2. Maintenant, on tire deux boules successivement sans remise de la même urne. Les événements A et
B ne sont plus indépendants, car le premier tirage modifie la composition de l’urne. On a alors :
5 1 5
P (A ∩ B) = P (A | B)P (B) = × = .
9 2 18
Théorème 2.3 (Formule de Bayes). Soient A et B deux évènements de probabilités non nulles on a :
P (B | A)P (A)
P (A | B) = .
P (B)
Théorème 2.4 (Formule des prbabilités totales). Soit Ω un univers muni d’une probabilité P .
Soit B un évènement de probabilité non nulle, on a :

∀A ⊂ Ω, P (A) = P (A | B)P (B) + P (A | B)P (B)

9
Probabilités Notes de cours 2024-2025

2.2.3 Illustration d’un arbre de probabilité

Présentation générale : Un arbre de probabilité est une représentation graphique qui permet de mo-
déliser une expérience aléatoire se déroulant en plusieurs étapes. Chaque branche de l’arbre correspond à
une possibilité et est associée à une probabilité. Les chemins possibles partant du début jusqu’à une feuille
de l’arbre représentent tous les résultats possibles de l’expérience.

Exemple : On considère une urne qui contient 5 boules rouges et 5 noires, on en tire deux boules
successivement sans remise :

5 Rouge
9

Noire 4
5 9
10
Noire

5 Noire
5 9
10
Rouge
4
9 Rouge

Utilisation d’un arbre de probabilité : L’arbre est particulièrement utile pour :

— Décomposer un problème en plusieurs étapes successives.
— Calculer des probabilités conditionnelles et des probabilités totales.
— Visualiser les différentes issues possibles.

Méthode pour construire un arbre de probabilité :

1. Commencer par un nœud racine qui représente le point de départ de l’expérience.
2. Créer des branches pour chaque événement possible de la première étape, avec leurs probabilités
associées.
3. À chaque nœud obtenu, ajouter des branches pour les événements de la deuxième étape, et ainsi de
suite.
4. Calculer les probabilités des chemins complets en multipliant les probabilités le long du chemin.

2.2.4 Exemple d’application

Problème : Un magasin vend deux types de produits : des téléphones et des tablettes.
— 70% des ventes concernent les téléphones, 30% concernent les tablettes.
— 80% des téléphones vendus sont neufs, 20% sont reconditionnés.
— 60% des tablettes vendues sont neuves, 40% sont reconditionnées.
On souhaite utiliser un arbre de probabilité pour déterminer :
1. La probabilité qu’un produit acheté soit neuf.
2. La probabilité qu’un produit soit une tablette sachant qu’il est reconditionné.

10
Probabilités Notes de cours 2024-2025

Représentation de l’arbre de probabilité :

Neuf
0.8

Téléphone
0.2
0.7
Recond.

Neuf
0.3 0.6

Tablette

0.4
Recond.

Calcul des probabilités : 1. Probabilité qu’un produit soit neuf On utilise la formule des probabilités
totales :
P (Neuf) = P (Neuf | Téléphone)P (Téléphone) + P (Neuf | Tablette)P (Tablette)

P (Neuf) = (0.8 × 0.7) + (0.6 × 0.3) = 0.56 + 0.18 = 0.74

2. Probabilité qu’un produit soit une tablette sachant qu’il est reconditionné On applique la formule de
Bayes :
P (Recond. | Tablette)P (Tablette)
P (Tablette | Recond.) =
P (Recond.)
Calcul de P (Recond.) :

P (Recond.) = P (Recond. | Téléphone)P (Téléphone) + P (Recond. | Tablette)P (Tablette)

P (Recond.) = (0.2 × 0.7) + (0.4 × 0.3) = 0.14 + 0.12 = 0.26

Ainsi :
0.4 × 0.3 0.12
P (Tablette | Recond.) = = ≈ 0.46.
0.26 0.26

Conclusion :
— La probabilité qu’un produit acheté soit neuf est de 74%.
— Si un produit est reconditionné, il y a 46% de chances que ce soit une tablette.

Exercice 2.2. Un étudiant choisit entre deux matières électives : Mathématiques et Physique.
— Il choisit Mathématiques avec une probabilité de 0.6, et Physique avec 0.4.
— S’il choisit Mathématiques, il réussit l’examen avec une probabilité de 0.9.
— S’il choisit Physique, il réussit l’examen avec une probabilité de 0.7.

1. Dessiner l’arbre de probabilité correspondant.

2. Quelle est la probabilité qu’un étudiant réussisse l’examen ?
3. Quelle est la probabilité qu’il ait choisi Mathématiques sachant qu’il a réussi ?

Correction. 1. Arbre de probabilité :

11
Probabilités Notes de cours 2024-2025

Réussite
0.9

Maths
0.1
0.6 Échec

0.4 Réussite
0.7

Physique

0.3
Échec

2. Calcul de la probabilité de réussir l’examen : On applique la formule des probabilités totales :

P (Réussite) = P (Réussite | Maths)P (Maths) + P (Réussite | Physique)P (Physique)

P (Réussite) = (0.9 × 0.6) + (0.7 × 0.4) = 0.54 + 0.28 = 0.82.

3. Calcul de P (Maths | Réussite) : On applique la formule de Bayes :

P (Réussite | Maths)P (Maths)

P (Maths | Réussite) = .
P (Réussite)

En remplaçant les valeurs :

0.9 × 0.6 0.54
P (Maths | Réussite) = = ≈ 0.66.
0.82 0.82

Conclusion :
— La probabilité qu’un étudiant réussisse l’examen est de 82%.
— Si un étudiant a réussi l’examen, il y a 66% de chances qu’il ait choisi Mathématiques.

12
Probabilités Notes de cours 2024-2025

3 Chapitre 3 : Variables Aléatoires

3.1 Définition Générale
Définition 3.1. Une variable aléatoire est une fonction qui associe une valeur numérique à chaque issue
d’une expérience aléatoire. Elle permet de quantifier le résultat d’une expérience.

Exemple 3.1. — Lorsqu’on lance un dé, on peut définir la variable aléatoire X qui prend les valeurs
{1, 2, 3, 4, 5, 6}.
— Si on tire au hasard une carte d’un jeu de 52 cartes, on peut définir une variable aléatoire Y qui
représente la valeur de la carte (ex. Y = 1 pour un As, Y = 13 pour un Roi, etc.).

3.2 Espérance et Variance

Définition 3.2. L’espérance d’une variable aléatoire représente la valeur moyenne qu’elle prend en
moyenne après un grand nombre de répétitions de l’expérience.

Exemple 3.2. Lorsqu’on lance un dé équilibré, la moyenne des valeurs observées après un très grand
nombre de lancers est :
1+2+3+4+5+6
E(X) = = 3.5.
6
Cela signifie qu’en moyenne, un lancer de dé donne un résultat proche de 3.5.

Définition 3.3. La variance d’une variable aléatoire mesure la dispersion des valeurs prises autour de
l’espérance. Plus la variance est grande, plus les valeurs de la variable aléatoire sont éloignées de l’espérance.

Exemple 3.3. Si on compare deux dés :

— Un dé équilibré avec des valeurs 1, 2, 3, 4, 5, 6.
— Un dé truqué qui donne plus souvent 3 et 4.
Les deux dés ont la même espérance (3.5), mais le second a une variance plus faible car ses valeurs sont
moins dispersées.

13
Probabilités Notes de cours 2024-2025

3.3 Lois Usuelles de Probabilité

Nous présentons quelques lois de probabilité classiques et leurs applications.

3.3.1 Loi Uniforme Discrète

Définition 3.4. Une loi uniforme discrète est une loi où toutes les valeurs possibles ont la même proba-
bilité.

Exemple 3.4. — Lancer un dé équilibré suit une loi uniforme sur {1, 2, 3, 4, 5, 6} car chaque face a
une probabilité de 61 .
1
— Tirer une carte au hasard suit une loi uniforme car chaque carte a une probabilité de 52 .

3.3.2 Loi de Bernoulli

Définition 3.5. Une variable aléatoire suit une loi de Bernoulli si elle ne prend que deux valeurs 0 ou 1,
avec une probabilité p pour 1 et 1 − p pour 0.

Exemple 3.5. — Lancer une pièce : si X = 1 pour "Face" et X = 0 pour "Pile", alors P (X = 1) = 0.5
et P (X = 0) = 0.5.
— Réussir un examen avec 70% de chance de succès : si X = 1 signifie "Réussite", alors P (X = 1) = 0.7
et P (X = 0) = 0.3.

Théorème 3.1. Si X est une variable aléatoire qui suit la loi de Bernoulli de paramètre p, on a :

P (X = 1) = p et P (X = 0) = 1 − p

E(X) = p

3.3.3 Loi Binomiale

Définition 3.6. Une variable suit une loi binomiale si elle représente le nombre de succès dans une
répétition de n expériences indépendantes de Bernoulli, chacune réussissant avec une probabilité p.

Exemple 3.6. — Nombre de "Face" obtenues après 10 lancers d’une pièce.

— Nombre de clients satisfaits dans un échantillon de 50 clients si 80% des clients sont en général
satisfaits.

Théorème 3.2. Si X est une variable aléatoire qui suit la loi Binômiale de paramètres n et p, on a :
 
n k
∀k ∈ {0, 1, ..., n} P (X = k) = p (1 − p)n−k
k
E(X) = np

3.3.4 Loi de Poisson

Définition 3.7. Une variable suit une loi de Poisson lorsqu’elle compte le nombre d’occurrences d’un
événement rare dans un intervalle de temps ou d’espace donné.

Exemple 3.7. — Nombre d’appels reçus par un centre d’assistance en une heure.
— Nombre d’accidents de la route sur une autoroute en une journée.

Théorème 3.3. Si X est une variable aléatoire qui suit la loi de Poisson de paramètre λ, on a :
λk −λ
∀k ∈ N P (X = k) = e
k!
E(X) = λ

14
Probabilités Notes de cours 2024-2025

3.3.5 Loi Normale

Définition 3.8. Une variable suit une loi normale (ou loi de Gauss) si ses valeurs sont distribuées de
manière symétrique autour de leur moyenne, avec une concentration plus élevée près de cette moyenne.

Exemple 3.8. — La taille des individus dans une population suit une loi normale.
— Les notes des étudiants à un examen standardisé suivent souvent une distribution normale.

Densité de probabilité

Courbe de Gauss

Valeurs

Conclusion : Les lois de probabilité permettent de modéliser des phénomènes réels. Chaque loi a ses
applications spécifiques, et l’identification de la bonne loi est essentielle pour résoudre des problèmes
pratiques.

15