BURHAN.

Calcul des probabilités : Résumé de cours de Mathématiques 2BAC Sciences Mathématiques

Calcul des probabilités : résumé de maths 2BAC SM, avec les points essentiels, les formules et les méthodes à retenir pour réviser avant un contrôle. Pour les élèves de 2BAC SM A et SM B, option française (BIOF).

L'essentiel en une page

Ce chapitre calcule des probabilités sur un univers fini. Tout part d'un modèle : l'univers, puis le poids de chaque issue. À l'examen, chaque calcul commence par une phrase qui nomme ce modèle.

Événement contraire
p(A‾)=1−p(A)p(\overline{A}) = 1 - p(A)
Réunion de deux événements
p(A∪B)=p(A)+p(B)−p(A∩B)p(A \cup B) = p(A) + p(B) - p(A \cap B)
Équiprobabilité
p(A)=card(A)card(Ω)p(A) = \dfrac{\mathrm{card}(A)}{\mathrm{card}(\Omega)}
k objets parmi n : avec remise, sans remise, simultanément
nk,Ank,Cnkn^{k}, \quad A_{n}^{k}, \quad C_{n}^{k}
Probabilité de B sachant A, si p(A) est non nul
pA(B)=p(A∩B)p(A)p_{A}(B) = \dfrac{p(A \cap B)}{p(A)}
Probabilités totales avec A et son contraire, si 0 < p(A) < 1
p(B)=p(A) pA(B)+p(A‾) pA‾(B)p(B) = p(A) \, p_{A}(B) + p(\overline{A}) \, p_{\overline{A}}(B)
Indépendance de A et B
p(A∩B)=p(A)×p(B)p(A \cap B) = p(A) \times p(B)
Loi binomiale de paramètres n et p
p(X=k)=Cnk pk(1−p)n−kp(X = k) = C_{n}^{k} \, p^{k} (1 - p)^{n - k}
Espérance et variance
E(X)=∑i=1mxipi,V(X)=E(X2)−(E(X))2E(X) = \sum_{i=1}^{m} x_i p_i, \quad V(X) = E(X^{2}) - \big(E(X)\big)^{2}
Paramètres de la loi binomiale
E(X)=np,V(X)=np(1−p)E(X) = np, \quad V(X) = np(1 - p)
Fonction de répartition
F(x)=p(X≤x)F(x) = p(X \leq x)

À retenirLe fil d'un exercice de probabilités

  1. Le modèle : équiprobabilité et modèle de tirage, ou épreuves indépendantes.
  2. Les événements : contraire, réunion, intersection, conditionnement.
  3. La variable aléatoire : sa loi en tableau, de somme 11.
  4. Les paramètres : E(X)E(X), V(X)V(X), σ(X)\sigma(X), puis la fonction de répartition.

Chaque étape se termine par une phrase de conclusion.

Univers, événements, probabilité

En clair : une issue est un résultat possible. Un événement est un ensemble d'issues. Une probabilité donne à chaque issue un poids positif, et la somme des poids vaut 11. La probabilité d'un événement additionne les poids de ses issues.

DéfinitionExpérience aléatoire, univers et événements

Une expérience aléatoire est une expérience dont on connaît toutes les issues possibles, sans pouvoir prévoir celle qui se réalisera. L'ensemble de ses issues est l'univers, noté Ω\Omega ; dans ce chapitre, Ω\Omega est un ensemble fini non vide.

  1. Un événement est une partie de Ω\Omega. L'événement AA est réalisé si l'issue obtenue appartient à AA.
  2. Un événement élémentaire est un événement qui contient une seule issue : {ω}\{\omega\}, avec ω∈Ω\omega \in \Omega.
  3. Ω\Omega est l'événement certain ; ∅\emptyset est l'événement impossible.

DéfinitionOpérations sur les événements

Soient AA et BB deux événements d'un univers Ω\Omega.

  1. L'événement « AA et BB » est l'intersection A∩BA \cap B ; l'événement « AA ou BB » est la réunion A∪BA \cup B.
  2. L'événement contraire de AA est A‾=Ω∖A\overline{A} = \Omega \setminus A : il est réalisé exactement quand AA ne l'est pas.
  3. AA et BB sont incompatibles si A∩B=∅A \cap B = \emptyset : ils ne peuvent pas être réalisés en même temps.
  4. On dit que AA implique BB si A⊂BA \subset B.

DéfinitionProbabilité sur un univers fini

Soit Ω={ω1,ω2,…,ωn}\Omega = \{\omega_1, \omega_2, \dots, \omega_n\} un univers fini. Définir une probabilité pp sur Ω\Omega, c'est associer à chaque issue ωi\omega_i un réel p({ωi})p(\{\omega_i\}), de sorte que : ∀i∈{1,…,n},p({ωi})≥0etp({ω1})+p({ω2})+⋯+p({ωn})=1.\forall i \in \{1, \dots, n\}, \quad p(\{\omega_i\}) \geq 0 \qquad \text{et} \qquad p(\{\omega_1\}) + p(\{\omega_2\}) + \dots + p(\{\omega_n\}) = 1. La probabilité d'un événement AA non vide, notée p(A)p(A), est la somme des probabilités des issues qui appartiennent à AA ; on pose p(∅)=0p(\emptyset) = 0. Le couple (Ω,p)(\Omega, p) est un espace probabilisé fini.

PropriétéRègles de calcul des probabilités

Soient (Ω,p)(\Omega, p) un espace probabilisé fini, AA et BB deux événements.

  1. 0≤p(A)≤10 \leq p(A) \leq 1 et p(Ω)=1p(\Omega) = 1.
  2. Si AA et BB sont incompatibles, alors p(A∪B)=p(A)+p(B)p(A \cup B) = p(A) + p(B).
  3. p(A‾)=1−p(A)p(\overline{A}) = 1 - p(A).
  4. Si A⊂BA \subset B, alors p(A)≤p(B)p(A) \leq p(B).

PropriétéProbabilité de la réunion de deux événements

Soient (Ω,p)(\Omega, p) un espace probabilisé fini, AA et BB deux événements. Alors : p(A∪B)=p(A)+p(B)−p(A∩B).p(A \cup B) = p(A) + p(B) - p(A \cap B).

ExempleRomans et théâtre

Dans une classe d'Agadir, on choisit un élève au hasard. Soient LL « il lit des romans » et TT « il fait du théâtre ». On sait que p(L)=12p(L) = \dfrac{1}{2}, p(T)=13p(T) = \dfrac{1}{3} et p(L∪T)=34p(L \cup T) = \dfrac{3}{4}.

La formule de la réunion donne p(L∩T)=12+13−34=112p(L \cap T) = \dfrac{1}{2} + \dfrac{1}{3} - \dfrac{3}{4} = \dfrac{1}{12}. Par la règle du contraire, l'élève ne fait ni l'un ni l'autre avec la probabilité 1−34=141 - \dfrac{3}{4} = \dfrac{1}{4}.

MéthodePasser par le contraire

  1. Repère les mots « au moins un », « au plus », « pas tous ».
  2. Écris l'événement contraire en une phrase : « au moins un » a pour contraire « aucun ».
  3. Calcule la probabilité du contraire.
  4. Conclus par p(A)=1−p(A‾)p(A) = 1 - p(\overline{A}), en citant la règle du contraire.

Équiprobabilité et modèles de tirage

DéfinitionHypothèse d'équiprobabilité

Soit Ω\Omega un univers fini de cardinal nn. On dit qu'il y a équiprobabilité, ou que pp est la probabilité uniforme sur Ω\Omega, si toutes les issues ont la même probabilité : ∀ω∈Ω,p({ω})=1n.\forall \omega \in \Omega, \quad p(\{\omega\}) = \frac{1}{n}. Des expressions comme « au hasard », « dé équilibré » ou « boules indiscernables au toucher » traduisent cette hypothèse.

PropriétéProbabilité d'un événement en situation d'équiprobabilité

Soit Ω\Omega un univers fini muni de la probabilité uniforme. Pour tout événement AA : p(A)=card(A)card(Ω).p(A) = \frac{\mathrm{card}(A)}{\mathrm{card}(\Omega)}.

Rappel de 1BAC. Parmi nn objets, Ank=n(n−1)⋯(n−k+1)A_{n}^{k} = n(n-1)\cdots(n-k+1) compte les listes ordonnées de kk objets distincts. Cnk=Ankk!C_{n}^{k} = \dfrac{A_{n}^{k}}{k!} compte les parties à kk éléments. Ainsi A92=72A_{9}^{2} = 72, C92=36C_{9}^{2} = 36 et C93=84C_{9}^{3} = 84.

PropriétéCardinal de l'univers dans les trois modèles de tirage

On tire kk objets parmi nn objets discernables, où nn et kk sont des entiers naturels non nuls, avec k≤nk \leq n pour un tirage sans remise ou simultané. L'univers Ω\Omega des issues vérifie :

  1. pour kk tirages successifs avec remise, une issue est une liste ordonnée de kk objets, répétitions permises : card(Ω)=nk\mathrm{card}(\Omega) = n^{k} ;
  2. pour kk tirages successifs sans remise, une issue est une liste ordonnée de kk objets distincts : card(Ω)=Ank=n(n−1)⋯(n−k+1)\mathrm{card}(\Omega) = A_{n}^{k} = n(n-1)\cdots(n-k+1) ;
  3. pour un tirage simultané de kk objets, une issue est une partie à kk éléments : card(Ω)=Cnk=n!k! (n−k)!\mathrm{card}(\Omega) = C_{n}^{k} = \dfrac{n!}{k!\,(n-k)!}.

MéthodeMéthode d'examen : le modèle de tirage

  1. Cite le mot qui donne l'équiprobabilité : « au hasard », « indiscernables au toucher ».
  2. Choisis le modèle : l'ordre compte-t-il ? Y a-t-il remise ?
  3. Compte card(Ω)\mathrm{card}(\Omega) et card(A)\mathrm{card}(A) dans ce seul modèle.
  4. Conclus par le quotient des cardinaux, puis simplifie.

Rédaction attendue. Un sac contient 99 jetons indiscernables au toucher : 55 verts et 44 jaunes. On en tire 33 simultanément. « Les jetons sont indiscernables au toucher : les C93=84C_{9}^{3} = 84 tirages sont équiprobables. L'événement « exactement deux verts » compte C52×C41=40C_{5}^{2} \times C_{4}^{1} = 40 tirages. Sa probabilité vaut donc 4084=1021\dfrac{40}{84} = \dfrac{10}{21}. »

ExempleUn sac, trois modèles

Dans le même sac, on tire cette fois 22 jetons. Soit MM l'événement « les deux jetons ont la même couleur ».

Modèle card(Ω)\mathrm{card}(\Omega) card(M)\mathrm{card}(M) p(M)p(M)
simultané C92=36C_{9}^{2} = 36 C52+C42=16C_{5}^{2} + C_{4}^{2} = 16 49\dfrac{4}{9}
successifs sans remise A92=72A_{9}^{2} = 72 A52+A42=32A_{5}^{2} + A_{4}^{2} = 32 49\dfrac{4}{9}
successifs avec remise 92=819^{2} = 81 52+42=415^{2} + 4^{2} = 41 4181\dfrac{41}{81}

Les deux premières lignes donnent la même valeur. La troisième diffère : remettre le jeton change l'expérience.

Conditionnement, arbre et probabilités totales

DéfinitionProbabilité conditionnelle

Soient (Ω,p)(\Omega, p) un espace probabilisé fini et AA un événement tel que p(A)≠0p(A) \neq 0. Pour tout événement BB, la probabilité de BB sachant AA est le réel : pA(B)=p(A∩B)p(A).p_{A}(B) = \frac{p(A \cap B)}{p(A)}.

PropriétéLa probabilité sachant un événement est une probabilité

Soient (Ω,p)(\Omega, p) un espace probabilisé fini et AA un événement tel que p(A)≠0p(A) \neq 0. L'application B↦pA(B)B \mapsto p_{A}(B) est une probabilité sur Ω\Omega. En particulier, pA(A)=1p_{A}(A) = 1 et, pour tout événement BB, pA(B‾)=1−pA(B)p_{A}(\overline{B}) = 1 - p_{A}(B).

PropriétéFormule des probabilités composées

Soient AA, BB et CC trois événements d'un espace probabilisé fini (Ω,p)(\Omega, p).

  1. Si p(A)≠0p(A) \neq 0, alors p(A∩B)=p(A)×pA(B)p(A \cap B) = p(A) \times p_{A}(B).
  2. Si p(A∩B)≠0p(A \cap B) \neq 0, alors p(A∩B∩C)=p(A)×pA(B)×pA∩B(C)p(A \cap B \cap C) = p(A) \times p_{A}(B) \times p_{A \cap B}(C).

DéfinitionSystème complet d'événements

Soient Ω\Omega un univers fini, mm un entier tel que m≥2m \geq 2, et A1,A2,…,AmA_1, A_2, \dots, A_m des événements. On dit qu'ils forment un système complet d'événements de Ω\Omega si :

  1. ils sont deux à deux incompatibles : Ai∩Aj=∅A_i \cap A_j = \emptyset pour i≠ji \neq j ;
  2. leur réunion est l'univers : A1∪A2∪⋯∪Am=ΩA_1 \cup A_2 \cup \dots \cup A_m = \Omega.

Par exemple, pour tout événement AA, les événements AA et A‾\overline{A} forment un système complet.

ThéorèmeFormule des probabilités totales

Soient (Ω,p)(\Omega, p) un espace probabilisé fini et A1,…,AmA_1, \dots, A_m un système complet d'événements tels que p(Ai)≠0p(A_i) \neq 0 pour tout ii. Pour tout événement BB : p(B)=p(A1) pA1(B)+p(A2) pA2(B)+⋯+p(Am) pAm(B).p(B) = p(A_1) \, p_{A_1}(B) + p(A_2) \, p_{A_2}(B) + \dots + p(A_m) \, p_{A_m}(B). En particulier, si 0<p(A)<10 < p(A) < 1 : p(B)=p(A) pA(B)+p(A‾) pA‾(B)p(B) = p(A) \, p_{A}(B) + p(\overline{A}) \, p_{\overline{A}}(B).

MéthodeMéthode d'examen : arbre, probabilités totales, inversion

  1. Nomme le système complet du premier niveau, par exemple VV et V‾\overline{V}, de probabilités non nulles.
  2. Écris l'arbre en liste : au premier niveau p(V)p(V), au second des probabilités sachant, comme pV(A)p_{V}(A).
  3. Contrôle chaque nœud : ses branches ont pour somme 11.
  4. Calcule p(A)p(A) par la formule des probabilités totales, en nommant le système complet.
  5. Inverse : pA(V)=p(V∩A)p(A)p_{A}(V) = \dfrac{p(V \cap A)}{p(A)}, avec p(A)≠0p(A) \neq 0, puis conclus en nommant l'événement connu.

Arbre horizontal à deux niveaux. De la racine partent V, noté p de V, et V barre. De chaque nœud repartent les branches A et A barre, qui portent des probabilités sachant V ou sachant V barre. Au bout des quatre chemins est écrit le produit des deux probabilités du chemin ; deux de ces chemins se terminent par A.

Le schéma de la méthode : au premier niveau, le système complet formé de V et de son contraire ; au second, des probabilités sachant. Les chemins qui se terminent par A donnent p(A) par la formule des probabilités totales.

ExempleDeux vergers

Une coopérative d'Agadir reçoit ses oranges de deux vergers. On choisit une orange au hasard. Soient VV « elle vient du premier verger » et AA « elle est abîmée ».

  • VV : 34\dfrac{3}{4}
    • AA : 120\dfrac{1}{20} ; A‾\overline{A} : 1920\dfrac{19}{20}
  • V‾\overline{V} : 14\dfrac{1}{4}
    • AA : 110\dfrac{1}{10} ; A‾\overline{A} : 910\dfrac{9}{10}

VV et V‾\overline{V} forment un système complet, de probabilités non nulles. Donc p(A)=34×120+14×110=380+280=116p(A) = \dfrac{3}{4} \times \dfrac{1}{20} + \dfrac{1}{4} \times \dfrac{1}{10} = \dfrac{3}{80} + \dfrac{2}{80} = \dfrac{1}{16}. Sachant l'orange abîmée, pA(V)=380×16=35p_{A}(V) = \dfrac{3}{80} \times 16 = \dfrac{3}{5}.

Indépendance de deux événements

DéfinitionÉvénements indépendants

Soient (Ω,p)(\Omega, p) un espace probabilisé fini, AA et BB deux événements. On dit que AA et BB sont indépendants si : p(A∩B)=p(A)×p(B).p(A \cap B) = p(A) \times p(B).

PropriétéIndépendance et probabilité conditionnelle

Soient AA et BB deux événements d'un espace probabilisé fini, avec p(A)≠0p(A) \neq 0. Alors : A et B sont indeˊpendants⇔pA(B)=p(B).A \text{ et } B \text{ sont indépendants} \Leftrightarrow p_{A}(B) = p(B).

PropriétéIndépendance et événements contraires

Soient AA et BB deux événements indépendants d'un espace probabilisé fini. Alors AA et B‾\overline{B} sont indépendants, A‾\overline{A} et BB sont indépendants, et A‾\overline{A} et B‾\overline{B} sont indépendants.

MéthodeMéthode d'examen : prouver l'indépendance

  1. Calcule séparément p(A)p(A), p(B)p(B) et p(A∩B)p(A \cap B), dans un modèle nommé.
  2. Compare p(A∩B)p(A \cap B) au produit p(A)×p(B)p(A) \times p(B).
  3. Conclus : égalité, donc indépendants ; sinon, non indépendants.

Rédaction attendue. On choisit au hasard un entier entre 11 et 2020. Soient DD « il est pair » et CC « il est multiple de 55 ». « Les 2020 entiers sont équiprobables. On a p(D)=1020=12p(D) = \dfrac{10}{20} = \dfrac{1}{2} et p(C)=420=15p(C) = \dfrac{4}{20} = \dfrac{1}{5}. Or D∩C={10,20}D \cap C = \{10, 20\}, donc p(D∩C)=110=p(D)×p(C)p(D \cap C) = \dfrac{1}{10} = p(D) \times p(C). Les événements DD et CC sont indépendants. »

ExempleUn cas sans indépendance

Avec le même entier, soit II « il est inférieur ou égal à 55 ». On a p(I)=520=14p(I) = \dfrac{5}{20} = \dfrac{1}{4} et D∩I={2,4}D \cap I = \{2, 4\}. Donc p(D∩I)=220=110p(D \cap I) = \dfrac{2}{20} = \dfrac{1}{10}, alors que p(D)×p(I)=18p(D) \times p(I) = \dfrac{1}{8}. Les événements DD et II ne sont pas indépendants.

ExemplePasser aux contraires

Soient AA et BB deux événements indépendants, avec p(A)=13p(A) = \dfrac{1}{3} et p(B)=34p(B) = \dfrac{3}{4}. Leurs contraires sont aussi indépendants : p(A‾∩B‾)=23×14=16p(\overline{A} \cap \overline{B}) = \dfrac{2}{3} \times \dfrac{1}{4} = \dfrac{1}{6}. L'un au moins des deux est donc réalisé avec la probabilité 1−16=561 - \dfrac{1}{6} = \dfrac{5}{6}.

Épreuves répétées et loi binomiale

DéfinitionÉpreuves indépendantes

Une expérience aléatoire est formée de nn épreuves successives (n≥1n \geq 1), la kk-ième ayant un univers fini Ωk\Omega_k muni d'une probabilité pkp_k. On dit que ces épreuves sont indépendantes si l'on modélise l'expérience par l'univers des listes (ω1,ω2,…,ωn)(\omega_1, \omega_2, \dots, \omega_n), avec ωk∈Ωk\omega_k \in \Omega_k, muni de la probabilité : p({(ω1,ω2,…,ωn)})=p1({ω1})×p2({ω2})×⋯×pn({ωn}).p\big(\{(\omega_1, \omega_2, \dots, \omega_n)\}\big) = p_1(\{\omega_1\}) \times p_2(\{\omega_2\}) \times \dots \times p_n(\{\omega_n\}). On choisit ce modèle quand l'issue d'une épreuve n'influe pas sur les autres : lancers successifs d'un dé, tirages successifs avec remise. Pour n=1n = 1, ce modèle est celui de l'unique épreuve.

DéfinitionÉpreuve de Bernoulli et schéma de Bernoulli

Soit pp un réel tel que 0<p<10 < p < 1.

  1. Une épreuve de Bernoulli de paramètre pp est une expérience aléatoire qui n'a que deux issues : le succès, de probabilité pp, et l'échec, de probabilité 1−p1 - p.
  2. Soit nn un entier naturel non nul. Un schéma de Bernoulli de paramètres nn et pp est la répétition de nn épreuves de Bernoulli de paramètre pp, indépendantes.

ThéorèmeProbabilité d'obtenir exactement k succès

Dans un schéma de Bernoulli de paramètres nn et pp, pour tout entier kk tel que 0≤k≤n0 \leq k \leq n, la probabilité d'obtenir exactement kk succès est : Cnk pk(1−p)n−k.C_{n}^{k} \, p^{k} (1 - p)^{n - k}.

DéfinitionLoi binomiale

Soient nn un entier naturel non nul et pp un réel tel que 0<p<10 < p < 1. On dit qu'une variable aléatoire XX suit la loi binomiale de paramètres nn et pp, notée B(n,p)\mathcal{B}(n, p), si X(Ω)={0,1,…,n}X(\Omega) = \{0, 1, \dots, n\} et : ∀k∈{0,1,…,n},p(X=k)=Cnk pk(1−p)n−k.\forall k \in \{0, 1, \dots, n\}, \quad p(X = k) = C_{n}^{k} \, p^{k} (1 - p)^{n - k}.

PropriétéNombre de succès dans un schéma de Bernoulli

Dans un schéma de Bernoulli de paramètres nn et pp, la variable aléatoire XX égale au nombre de succès suit la loi binomiale B(n,p)\mathcal{B}(n, p). De plus : ∑k=0nCnk pk(1−p)n−k=1.\sum_{k=0}^{n} C_{n}^{k} \, p^{k} (1 - p)^{n - k} = 1.

PropriétéEspérance d'une loi binomiale

Si XX suit la loi binomiale B(n,p)\mathcal{B}(n, p), alors E(X)=npE(X) = np.

PropriétéVariance d'une loi binomiale

Si XX suit la loi binomiale B(n,p)\mathcal{B}(n, p), alors V(X)=np(1−p)V(X) = np(1 - p) et σ(X)=np(1−p)\sigma(X) = \sqrt{np(1 - p)}.

MéthodeMéthode d'examen : justifier une loi binomiale

  1. L'épreuve : décris une épreuve et nomme le succès.
  2. Le paramètre : donne pp, la probabilité du succès, avec sa justification.
  3. La répétition : donne le nombre nn d'épreuves, identiques et indépendantes, comme des lancers ou des tirages avec remise.
  4. La conclusion : « XX, nombre de succès, suit la loi B(n,p)\mathcal{B}(n, p) ».
  5. Les calculs : p(X=k)=Cnk pk(1−p)n−kp(X = k) = C_{n}^{k} \, p^{k} (1 - p)^{n - k}, E(X)=npE(X) = np et V(X)=np(1−p)V(X) = np(1 - p).

ExempleDes boîtes mal fermées

Une machine ferme des boîtes. Chaque boîte est mal fermée avec la probabilité 110\dfrac{1}{10}, indépendamment des autres. On contrôle 44 boîtes ; XX compte les boîtes mal fermées.

L'épreuve « contrôler une boîte » a pour succès « elle est mal fermée », de paramètre p=110p = \dfrac{1}{10}. Elle est répétée 44 fois, de façon indépendante. Donc XX suit la loi B(4,110)\mathcal{B}\left(4, \dfrac{1}{10}\right). Ainsi p(X=1)=4×110×(910)3=7292500p(X = 1) = 4 \times \dfrac{1}{10} \times \left(\dfrac{9}{10}\right)^{3} = \dfrac{729}{2500}, E(X)=25E(X) = \dfrac{2}{5} et V(X)=925V(X) = \dfrac{9}{25}.

ExempleAu moins un succès

Avec la même machine, « au moins une boîte mal fermée » est le contraire de (X=0)(X = 0). Donc : p(X≥1)=1−(910)4=1−656110000=343910000.p(X \geq 1) = 1 - \left(\dfrac{9}{10}\right)^{4} = 1 - \dfrac{6561}{10000} = \dfrac{3439}{10000}. Un seul calcul remplace la somme de quatre probabilités.

Variable aléatoire, loi et paramètres

DéfinitionVariable aléatoire

Soit (Ω,p)(\Omega, p) un espace probabilisé fini. Une variable aléatoire réelle est une application XX de Ω\Omega dans R\mathbb{R}. L'ensemble de ses valeurs est noté X(Ω)={x1,x2,…,xm}X(\Omega) = \{x_1, x_2, \dots, x_m\}, avec x1<x2<⋯<xmx_1 < x_2 < \dots < x_m. Pour tous réels aa et bb :

  1. (X=a)(X = a) désigne l'événement {ω∈Ω∣X(ω)=a}\{\omega \in \Omega \mid X(\omega) = a\} ;
  2. (X≤a)(X \leq a) désigne l'événement {ω∈Ω∣X(ω)≤a}\{\omega \in \Omega \mid X(\omega) \leq a\} ; on définit de même (X<a)(X < a), (X≥a)(X \geq a), (X>a)(X > a) et (a<X≤b)(a < X \leq b).

DéfinitionLoi de probabilité d'une variable aléatoire

Soit XX une variable aléatoire sur un espace probabilisé fini (Ω,p)(\Omega, p), de valeurs x1<x2<⋯<xmx_1 < x_2 < \dots < x_m. Déterminer la loi de probabilité de XX, c'est donner, pour tout i∈{1,…,m}i \in \{1, \dots, m\}, le réel pi=p(X=xi)p_i = p(X = x_i). On la présente dans un tableau :

xix_i x1x_1 x2x_2 …\dots xmx_m
p(X=xi)p(X = x_i) p1p_1 p2p_2 …\dots pmp_m

PropriétéSomme des probabilités d'une loi

Soit XX une variable aléatoire sur un espace probabilisé fini, de valeurs x1<x2<⋯<xmx_1 < x_2 < \dots < x_m, avec pi=p(X=xi)p_i = p(X = x_i). Alors : p1+p2+⋯+pm=1.p_1 + p_2 + \dots + p_m = 1. Plus généralement, pour toute partie non vide JJ de {1,…,m}\{1, \dots, m\}, la probabilité que XX prenne une valeur xix_i avec i∈Ji \in J est la somme des pip_i pour i∈Ji \in J.

DéfinitionEspérance mathématique

Soit XX une variable aléatoire de valeurs x1<⋯<xmx_1 < \dots < x_m, avec pi=p(X=xi)p_i = p(X = x_i). L'espérance mathématique de XX est le réel : E(X)=x1p1+x2p2+⋯+xmpm=∑i=1mxipi.E(X) = x_1 p_1 + x_2 p_2 + \dots + x_m p_m = \sum_{i=1}^{m} x_i p_i.

DéfinitionVariance et écart-type

Soit XX une variable aléatoire de valeurs x1<⋯<xmx_1 < \dots < x_m, avec pi=p(X=xi)p_i = p(X = x_i). La variance de XX est le réel positif V(X)=∑i=1m(xi−E(X))2pi,V(X) = \sum_{i=1}^{m} \big(x_i - E(X)\big)^{2} p_i, et l'écart-type de XX est le réel σ(X)=V(X)\sigma(X) = \sqrt{V(X)}.

PropriétéCalcul pratique de la variance

Soit XX une variable aléatoire de valeurs x1<⋯<xmx_1 < \dots < x_m, avec pi=p(X=xi)p_i = p(X = x_i). On note E(X2)=∑i=1mxi2piE(X^{2}) = \sum_{i=1}^{m} x_i^{2} p_i. Alors : V(X)=E(X2)−(E(X))2.V(X) = E(X^{2}) - \big(E(X)\big)^{2}.

PropriétéEspérance et variance de aX + b

Soient XX une variable aléatoire sur un espace probabilisé fini (Ω,p)(\Omega, p), aa et bb deux réels, et Y=aX+bY = aX + b la variable aléatoire ω↦aX(ω)+b\omega \mapsto a X(\omega) + b. Alors : E(aX+b)=aE(X)+b,V(aX+b)=a2V(X),σ(aX+b)=∣a∣ σ(X).E(aX + b) = a E(X) + b, \qquad V(aX + b) = a^{2} V(X), \qquad \sigma(aX + b) = \lvert a \rvert \, \sigma(X).

MéthodeMéthode d'examen : loi et paramètres

  1. Liste les valeurs de XX dans l'ordre croissant.
  2. Pour chaque valeur, décris l'événement (X=xi)(X = x_i) par une phrase, puis calcule sa probabilité.
  3. Présente la loi en tableau et vérifie que la somme vaut 11.
  4. Calcule E(X)E(X), puis E(X2)E(X^{2}), puis V(X)=E(X2)−(E(X))2V(X) = E(X^{2}) - \big(E(X)\big)^{2} ; contrôle que V(X)≥0V(X) \geq 0.
  5. Termine par σ(X)=V(X)\sigma(X) = \sqrt{V(X)}, en valeur exacte.

ExempleLe gain de deux lancers

On lance deux fois une pièce équilibrée. Chaque Pile rapporte 33 dirhams, chaque Face en coûte 22. Les 44 couples sont équiprobables, et le gain GG vaut −4-4, 11 ou 66.

xix_i −4-4 11 66
p(G=xi)p(G = x_i) 14\dfrac{1}{4} 12\dfrac{1}{2} 14\dfrac{1}{4}

On trouve E(G)=−1+12+32=1E(G) = -1 + \dfrac{1}{2} + \dfrac{3}{2} = 1 et E(G2)=4+12+9=272E(G^{2}) = 4 + \dfrac{1}{2} + 9 = \dfrac{27}{2}. Donc V(G)=272−1=252V(G) = \dfrac{27}{2} - 1 = \dfrac{25}{2} et σ(G)=522\sigma(G) = \dfrac{5\sqrt{2}}{2}.

ExempleDoubler le gain, puis retirer une mise

Soit Y=2G−3Y = 2G - 3. D'après les formules pour aX+baX + b, E(Y)=2×1−3=−1E(Y) = 2 \times 1 - 3 = -1 et V(Y)=4×252=50V(Y) = 4 \times \dfrac{25}{2} = 50. L'écart-type double : σ(Y)=52\sigma(Y) = 5\sqrt{2}.

Fonction de répartition

DéfinitionFonction de répartition

Soit XX une variable aléatoire sur un espace probabilisé fini. La fonction de répartition de XX est la fonction FF définie sur R\mathbb{R} par : ∀x∈R,F(x)=p(X≤x).\forall x \in \mathbb{R}, \quad F(x) = p(X \leq x).

PropriétéExpression et propriétés de la fonction de répartition

Soient XX une variable aléatoire de valeurs x1<x2<⋯<xmx_1 < x_2 < \dots < x_m, avec pi=p(X=xi)p_i = p(X = x_i), et FF sa fonction de répartition.

  1. Si x<x1x < x_1, alors F(x)=0F(x) = 0 ; si x≥xmx \geq x_m, alors F(x)=1F(x) = 1.
  2. Pour 1≤i≤m−11 \leq i \leq m - 1 et xi≤x<xi+1x_i \leq x < x_{i+1} : F(x)=p1+p2+⋯+piF(x) = p_1 + p_2 + \dots + p_i.
  3. FF est croissante sur R\mathbb{R}, à valeurs dans [0,1][0, 1], et constante sur chacun des intervalles ]−∞,x1[]-\infty, x_1[, [xi,xi+1[[x_i, x_{i+1}[ et [xm,+∞[[x_m, +\infty[ : c'est une fonction en escalier.

Un escalier montant de cinq marches horizontales, de la hauteur 0 à la hauteur 1. Les sauts ont lieu aux abscisses −1, 0, 2 et 5. Sur chaque marche, le point plein est à gauche : la valeur au saut est celle de la marche du dessus.

  • y=F(x)y = F(x)
  • Point du graphe
  • Point exclu du graphe
Exemple de fonction de répartition pour une variable de valeurs −1, 0, 2 et 5 : F part de 0, monte par sauts aux valeurs de X, et vaut 1 à partir de la plus grande.Borne exclue en x = −1 : point creux à l'ordonnée estimée ≈ 0.Borne exclue en x = 0 : point creux à l'ordonnée estimée ≈ 0,166667.Borne exclue en x = 2 : point creux à l'ordonnée estimée ≈ 0,5.Borne exclue en x = 5 : point creux à l'ordonnée estimée ≈ 0,75.

PropriétéProbabilités calculées avec la fonction de répartition

Soient XX une variable aléatoire de valeurs x1<x2<⋯<xmx_1 < x_2 < \dots < x_m et FF sa fonction de répartition.

  1. Pour tous réels aa et bb tels que a<ba < b : p(a<X≤b)=F(b)−F(a)p(a < X \leq b) = F(b) - F(a) et p(X>a)=1−F(a)p(X > a) = 1 - F(a).
  2. p(X=x1)=F(x1)p(X = x_1) = F(x_1) et, pour 2≤i≤m2 \leq i \leq m, p(X=xi)=F(xi)−F(xi−1)p(X = x_i) = F(x_i) - F(x_{i-1}).

MéthodeMéthode d'examen : la fonction de répartition

  1. Range les valeurs x1<x2<⋯<xmx_1 < x_2 < \dots < x_m et rappelle la loi.
  2. Découpe R\mathbb{R} en intervalles fermés à gauche : ]−∞,x1[]-\infty, x_1[, [x1,x2[[x_1, x_2[, et ainsi de suite jusqu'à [xm,+∞[[x_m, +\infty[.
  3. Cumule : sur [xi,xi+1[[x_i, x_{i+1}[, on a F(x)=p1+⋯+piF(x) = p_1 + \dots + p_i.
  4. Contrôle : FF vaut 00 au début et 11 à la fin ; son saut en xix_i vaut pip_i.

ExempleLa répartition du gain

Pour le gain GG des deux lancers :

xx ]−∞,−4[]-\infty, -4[ [−4,1[[-4, 1[ [1,6[[1, 6[ [6,+∞[[6, +\infty[
F(x)F(x) 00 14\dfrac{1}{4} 34\dfrac{3}{4} 11

Alors p(G>1)=1−F(1)=14p(G > 1) = 1 - F(1) = \dfrac{1}{4} et p(−4<G≤6)=F(6)−F(−4)=34p(-4 < G \leq 6) = F(6) - F(-4) = \dfrac{3}{4}.

Pièges classiques

AttentionIncompatibles, donc indépendants ?

On lance un dé équilibré à six faces. Les événements AA « 11 ou 22 » et BB « 55 ou 66 » sont incompatibles : p(A∩B)=0p(A \cap B) = 0. Or p(A)×p(B)=13×13=19p(A) \times p(B) = \dfrac{1}{3} \times \dfrac{1}{3} = \dfrac{1}{9}. Ils ne sont donc pas indépendants. Ne déduis jamais l'une de ces propriétés de l'autre : seul le calcul tranche.

AttentionÉchanger les deux événements

Pour les vergers, pV(A)=120p_{V}(A) = \dfrac{1}{20}, mais pA(V)=35p_{A}(V) = \dfrac{3}{5}. Ces deux nombres répondent à deux questions différentes. L'événement qui conditionne s'écrit en indice et se place au dénominateur.

AttentionDeux modèles dans un même calcul

On tire simultanément 22 jetons du sac de 99 jetons. Pour « deux jetons verts », compter Ω\Omega par C92=36C_{9}^{2} = 36 et l'événement par A52=20A_{5}^{2} = 20 donne 59\dfrac{5}{9} : c'est faux. Dans le seul modèle simultané, l'événement compte C52=10C_{5}^{2} = 10 tirages, et sa probabilité vaut 1036=518\dfrac{10}{36} = \dfrac{5}{18}.

AttentionUne loi binomiale sans remise

Tirer deux jetons du même sac sans remise ne forme pas un schéma de Bernoulli. La probabilité de deux jetons verts vaut 59×48=518\dfrac{5}{9} \times \dfrac{4}{8} = \dfrac{5}{18}, et non (59)2=2581\left(\dfrac{5}{9}\right)^{2} = \dfrac{25}{81}. La loi binomiale exige des épreuves indépendantes.

AttentionInégalité stricte et fonction de répartition

Pour le gain GG, on a p(G<1)=p(G=−4)=14p(G < 1) = p(G = -4) = \dfrac{1}{4}, alors que F(1)=p(G≤1)=34F(1) = p(G \leq 1) = \dfrac{3}{4}. Une inégalité stricte exclut la valeur elle-même : ici p(G<1)=F(−4)p(G < 1) = F(-4).

AttentionLa variance d'une transformation affine

Avec V(G)=252V(G) = \dfrac{25}{2}, la variable 2G−32G - 3 a pour variance 22×252=502^{2} \times \dfrac{25}{2} = 50. Ce n'est pas 2×252−3=222 \times \dfrac{25}{2} - 3 = 22. La constante −3-3 décale les valeurs sans changer leur dispersion.

Avant l'examen

  • L'équiprobabilité est justifiée par un mot de l'énoncé.
  • L'univers et l'événement sont comptés dans le même modèle de tirage.
  • Chaque probabilité sachant précise l'événement qui conditionne, de probabilité non nulle.
  • La formule des probabilités totales nomme son système complet.
  • L'indépendance est prouvée par un calcul, jamais par l'incompatibilité.
  • La loi binomiale nomme l'épreuve, le succès, pp, nn et l'indépendance.
  • Chaque loi a une somme égale à 11.
  • La fonction de répartition se lit sur des intervalles fermés à gauche.

À l'examen. La répétition d'épreuves de type binomial figure dans 2 des 16 sujets consultés (2017-2022 et 2024-2025), uniquement en rattrapage. La loi n'y est pas nommée : c'est à toi de reconnaître un schéma de Bernoulli, puis de le justifier.