Table des matières

1 Introduction 2

2 Espaces de probabilité 4
2.1 Le langage des probabilités . . . . . . . . . . . . . . . . . . . . 4
2.2 Probabilité sur un espace …ni - analyse combinatoire . . . . . . 6
2.3 Probabilité sur un espace dénombrable . . . . . . . . . . . . . 15
2.4 Probabilité sur un espace non dénombrable . . . . . . . . . . . 19
2.5 Conditionnement et indépendance . . . . . . . . . . . . . . . . 21
2.6 Quelques exercices. . . . . . . . . . . . . . . . . . . . . . . . . 26

1
Chapitre 1

Introduction

Il peut paraître irréaliste et prétentieux de vouloir, de par sa nature même,

quanti…er le hasard. C’est pourtant ce qui a conduit à la notion de Proba-
bilité. Nous allons dans ce cours introduire ce concept mathématique, dont
la puissance permettra de modéliser d’innombrables situations où le hasard
intervient.
Dans la vie quotidienne, chacun est familier avec le mot et même le
concept de probabilité :
– probabilité qu’il pleuve la semaine suivante,
– probabilité d’avoir une …lle,
– probabilité d’avoir une …lle aux yeux bleus,
– probabilité de gagner au loto ou celle d’être dans la bonne …le au su-
permarché,
– Les assurances …xent le contrat d’assurance-vie d’un individu de 20 ans,
grâce à une estimation de sa probabilité de survie à 80 ans.
Dans de nombreux domaines, les probabilités interviennent :
– Les entreprises cherchent à calculer le besoin probable de leurs produits
dans le futur,
– Les médecins cherchent à connaître les probabilités de succès de di¤é-
rents protocoles de soin, (probabilité qu’un patient atteint d’une mala-
die subisse un test qui s’avère négatif),
– Les compagnies pharmaceutiques doivent estimer les probabilités d’ap-
paritions d’e¤ets secondaires pour leurs médicaments. Un exemple ré-
cent et spectaculaire est celui de l’utilisation des probabilités en écono-
mie, et en particulier en …nance.
Pour pouvoir modéliser les innombrables situations, de natures très di¤é-

2
rentes, où le hasard intervient, un cadre très général d’étude est nécessaire.
Ce cadre abstrait a été dé…ni rigoureusement par Andrei Kolmogorov en 1933
(donc très récemment), sous le nom de modèle probabiliste. Sa dé…nition a
nécessité préalablement le développement de théories d’analyse importantes
telles le calcul intégral et la théorie de la mesure.
C’est ce grand écart entre l’apparente simplicité de certains problèmes
probabilistes concrets, et l’abstraction que nécessite leur résolution, qui peut
rendre le monde de l’aléatoire di¢ cile ou inquiétant, mais c’est aussi ce qui
en fait un domaine mathématique fascinant et palpitant.
Le but de ce cours est d’introduire les notions de base de la théorie des
probabilités, et surtout de permettre d’acquérir le raisonnement probabiliste.
Cette théorie des probabilités ne peut se construire axiomatiquement qu’en
utilisant la théorie de la mesure et de l’intégration, ce qui en constitue une des
di¢ cultés principales. Nous n’en donnerons dans ce cours que les éléments
nécessaires à sa bonne compréhension, sans exiger de prérequis dans ce do-
maine. (Mais nous remarquerons que la théorie des probabilités constitue un
très bel exemple d’application de la théorie de l’intégration).
L’objet de la théorie des probabilités est l’analyse mathématique de phé-
nomènes dans lesquels le hasard intervient. Ces phénomènes sont appelés des
phénomènes aléatoires. Un phénomène est dit aléatoire si, reproduit maintes
fois dans des conditions identiques, il se déroule chaque fois di¤éremment
de telle sorte que le résultat de l’expérience change d’une fois sur l’autre de
manière imprévisible.
Nous pouvons donner des exemples variés de tels phénomènes :
– Jeu de Pile ou Face, Jeu de lancé de dés, (Dans ces deux exemples, la
di¤érence entre les résultats, si l’on réitère l’expérience, peut être liée
à l’impulsion initiale communiquée au dé, à la rugosité de la table, aux
vibrations du plancher... Le hasard est l’illustration de la méconnais-
sance des conditions initiales, car la pièce ou le dé ont des trajectoires
parfaitement dé…nies par la mécanique classique.)
– Durée de vie d’une ampoule électrique, Temps de passage d’un bus,
Nombre de voitures passant une borne de péage (Ces exemples pré-
sentent comme point commun des variations liées à la présence de fac-
teurs extérieurs, in‡uant sur le résultat de l’expérience, et que l’on ne
sait pas contrôler)
Historique : Lire sur Internet...

3
Chapitre 2

Espaces de probabilité

Objectifs
– Construire un espace probabilisable et un espace probabilisé associé à
une expérience aléatoire
– Evaluer la probabilité d’événement en recourant à l’analyse combina-
toire et aux propriétés d’une probabilité
– Calculer les probabilités conditionnelles en recourant à la dé…nition et
au théorème de Bayes
– Décider si deux événements sont indépendants ou pas
– Décider si des événements sont mutuellement indépendants ou pas.

2.1 Le langage des probabilités

Expérience aléatoire
Une expérience déterministe est une expérience dont le résultat ne change
pas. Un ensemble donné de conditions détermine donc un résultat unique.
On dit encore que les mêmes causes produisent les mêmes e¤ets. Les sciences
physiques et la biologie nous o¤rent beaucoup d’expériences de ce type.
Nous appelons expérience aléatoire une expérience E qui, reproduite dans
des conditions identiques, peut conduire à plusieurs résultats possibles, et
dont on ne peut prévoir le résultat par avance. L’espace de tous les résultats
possibles, appelé espace d’états (associé à l’expérience), sera noté : Un ré-
sultat possible de l’expérience est classiquement noté w: Les jeux de hasard,
tels Pile ou Face, jeux de cartes, loterie, fournissent des exemples d’expé-
riences aléatoires pour lesquels est …ni, mais peut être un espace beaucoup

4
plus compliqué.
– Lancé d’un dé : = f1; 2; 3; 4; 5; 6g
– Lancé d’une pièce à Pile ou Face : = fP; F g
– Lancé de deux pièces à Pile ou Face : = fP P; P F; F P; F F g
– Durée de vie d’une ampoule électrique = [0; +1[
– Envoi d’une ‡échette sur une cible circulaire de 30 cm de diamètre.
L’expérience consiste à décrire l’impact p de la ‡èche dans un repère
orthonormé de centre 0 : = f(x; y) : x2 + y 2 15g
– Roméo attend Juliette qui lui a promis d’arriver entre minuit et une
heure. Quel va être son temps d’attente ? = [0; 1]
– L’observation d’un prix d’actif …nancier sur un intervalle de temps
[t1 ; t2 ] conduit à prendre pour l’ensemble C([t1 ; t2 ]; R+ ) des fonctions
continues sur [t1 ; t2 ], à valeurs réelles positives.
– L’étude de la vitesse d’une molécule dans un gaz raré…é sur un inter-
valle de temps [t1 ; t2 ] conduit à prendre pour l’ensemble des fonctions
continues à droite et avec limites à gauche sur [t1 ; t2 ], à valeurs dans
R3 .
L’espace des résultats possibles peut donc varier énormément dans sa
structure, d’une expérience à l’autre. Cela permet de réaliser la richesse de
la théorie qu’il faut mettre en place, pour créer un modèle qui englobe tous
ces cas.
On appelle événement aléatoire toute partie de .
Pour l’exemple de Roméo et Juliette, l’ensemble "Juliette se fait attendre
plus de 3/4 d’heure" est l’événement aléatoire ]3=4; 1].
Si l’on s’intéresse au prix d’un actif …nancier sur le temps [t1 ; t2 ], l’en-
semble
A = fle prix est inférieur au seuil g = fw 2 C([t1 ; t2 ]; R+ ) : supt2[t1 ;t2 ] jw(t)j
g est un événement aléatoire.
Rappel sur les ensembles
Rappelons les opérations élémentaires sur les parties d’un ensemble.
Ensemble vide - Réunion - Intersection - Ensembles disjoints - Complé-
mentaires - Di¤érence - Di¤érence symétrique - Intersection d’une famille de
parties - Intersection d’une famille de parties - Partition d’un ensemble -
Correspondance entre opérations ensemblistes et événements aléatoires :
Si A et B sont deux événements,
Non : la réalisation de l’événement contraire à A est représentée par
c
A ou A : le résultat de l’expérience n’appartient pas à A.

5
 Et : l’événement “A et B sont réalisés” est représenté par A \ B : le
résultat de l’expérience se trouve à la fois dans A et dans B.
Ou : l’événement “A ou B sont réalisés”est représenté par l’événement
A [ B : le résultat de l’expérience se trouve dans A ou dans B.
Implication : le fait que la réalisation de l’événement A entraîne la
réalisation de B se traduit par A B.
Incompatibilité : si A \ B = ;, A et B sont dits incompatibles. Un
résultat de l’expérience ne peut être à la fois dans A et dans B.
Toujours vrai : l’événement est l’événement certain (tous les résul-
tats de l’expérience prennent leurs valeurs dans )
Impossible : ; est l’événement impossible.
Certain : est l’événement certain.
Nous notons par z l’ensemble de tous les événements. Il modélise l’in-
formation qui peut être obtenue à partir des résultats de l’expérience. Nous
pourrons prendre z = P ( ) ensemble de toutes les parties de , mais pas
toujours et nous verrons pourquoi dans plus loin dans la suite de ce cours.

Remarque 1 : Pour que la modélisation soit cohérente avec l’intuition, z

doit être stable par les opérations ensemblistes ci-dessus : si A; B 2 z, alors
A \ B; A [ B; Ac 2 z mais aussi 2 z et ; 2 z.

2.2 Probabilité sur un espace …ni - analyse

combinatoire
Le but : Nous cherchons à dé…nir, pour un ensemble possible de réalisa-
tions de l’expérience A 2 z, la vraisemblance accordée a priori à A (avant
le résultat de l’expérience). Nous voulons donc associer à chaque événement
A un nombre P (A) compris entre 0 et 1, qui représente la chance que cet
événement soit réalisé à la suite de l’expérience.
Approche intuitive : Pensons à un jeu de Pile ou Face. Si nous jouons 3
fois, une suite de 3 résultats n’o¤re presqu’aucune information. En revanche,
si nous jouons 10000 fois et si nous obtenons 5003 Pile et 4997 Face, il est
tentant de dire que la probabilité que la pièce tombe sur Pile est la même
que celle qu’elle tombe sur Face, à savoir 1=2. Cette idée intuitive est à la
base du raisonnement probabiliste.
Considérons un événement A lié à une expérience aléatoire donnée E.
Nous répétons n fois l’expérience E, dans des conditions similaires. Notons

6
nA le nombre de fois où A est réalisé, et dé…nissons fn (A) = nnA la fréquence
de réalisation de A sur ces n coups. Nous avons les propriétés suivantes :
fn (A) 2 [0; 1], fn ( ) = 1 et si A et B sont deux événements disjoints,
alors, fn (A) + fn (B) = fn (A [ B):L’approche intuitive et naturelle consiste
à dé…nir P (A) comme étant la limite quand n tend vers l’in…ni des fréquences
de réalisation fn (A)
Ainsi, intuitivement, P (A) = limite de fn (A) lorsque n tend vers +1
Des propriétés évidentes des fréquences, nous en déduisons immédiate-
ment le résultat suivant :

Proposition 2 Une probabilité P est dé…nie sur les ensembles aléatoires liés
à l’expérience et véri…e les propriétés essentielles suivantes :
(i) 0 P (A) 1
(ii) P ( ) = 1
(iii) P (A [ B) = P (A) + P (B) si A \ B = ;

Preuve : (En exercice).

Dé…nition 3 Un modèle probabiliste ou espace probabilisé (…ni) est un tri-

plet ( ; z; P ) où est l’espace …ni des résultats possibles, z l’ensemble des
événements et P : z ! [0; 1] véri…ant les conditions (i), (ii) et (iii) de la
proposition ci-dessus.

Remarque 4 Nous verrons plus loin que lorsque n’est pas …ni, P doit
satisfaire d’autres propriétés supplémentaires.

Proposition 5 Soit ( ; z; P ) un modèle probabiliste …ni. Alors on a :

1) P (;) = 0
2) P (A) + P (Ac ) = 1
[n X n
3) P ( Ai ) = P (Ai ) si les (Ai ) sont deux à deux disjoints.
i=1 i=1
4) P (A [ B) + P (A \ B) = P (A) + P (B)
5) P (A) P (B) si A B

Preuve (En exercice).

Dans ce paragraphe, nous supposons que l’espace de probabilité ; est un
ensemble …ni. Dans ce cas, nous choisirons toujours z = P ( ) ensemble des
parties de .

7
 Une probabilité sur …ni est une application P : P ( ) ! [0; 1] véri…ant
les conditions (i), (ii) et (iii) de la proposition 2
Toute probabilité sur …ni véri…e aussi la proposition ci-dessus.
Comme l’ensemble des singletons fwg pour w 2 , est une partition …nie
de , nous avons la proposition fondamentale suivante.

Proposition 6 Soit = fw1 ; :::; wn g

1) Une probabilité P sur est entièrement caractérisée par ses valeurs
sur les singletons, c’est-à-dire par la famille fpwi = P (fwi g) : wi 2 g
2) Etant donnée une famille (pi )1 i n de n nombres réels, il lui correspond
une unique probabilité P telle pour tout wi 2 , pi = P (fwi g) si et seulement
Xn
si 0 pi 1 et pi = 1
i=1 X X
Nous avons alors 8A 2 P ( ); P (A) = P (fwg) = pw
w2A w2A

Preuve :
Exemples Loi de Bernoulli de paramètre p 2 [0; 1]
L’espace n’a que deux éléments = fw1 ; w2 g, pw1 = p et pw2 = 1 p
Cette probabilité modélise en particulier la chance pour une pièce de
tomber sur Pile (ou Face) dans un jeu de Pile ou Face. Dans ce cas, =
fP; F gpeut être assimilé plus simplement à f0; 1g. Si la pièce est équilibrée,
p sera égal à 1=2. Mais cette probabilité peut aussi modéliser la probabilité
de réalisation d’un des résultats, pour toute expérience aléatoire avec deux
résultats possibles.
Probabilité uniforme
Un exemple important de probabilité sur un espace d’états …ni est celui
de la probabilité uniforme, pour laquelle chaque singleton de a la même
chance de réalisation. Ainsi, on a la dé…nition suivante.

Dé…nition 7 Nous dirons que la probabilité P sur l’espace …ni est uni-
forme si pw = P (fwg) ne dépend pas de w. Nous avons donc pour tout
1
w 2 z, pw = Card( )
où Card( ) désigne le cardinal (nombre d’éléments) de
.

8
 Si P est une probabilité uniforme sur l’espace …ni alors, pour tout
Card(A)
A 2 P ( ), P (A) = Card( )
de sorte que le calcul des probabilités se ramène, dans ce cas, à des dé-
nombrements : nous sommes dans le cadre du calcul combinatoire.
Remarquons que sur un espace …ni donné , il existe une et une seule pro-
babilité uniforme. Cette probabilité décrit mathématiquement l’expression
intuitive de “au hasard”(tirage au hasard d’une carte, lancé au hasard d’un
dé, choix au hasard d’un échantillon dans une population).
Exemple :
Analyse combinatoire
L’analyse combinatoire est la science du dénombrement ou du comptage
des dispositions que l’on peut former à l’aide des éléments d’un ensemble
…ni . Une disposition peut être ordonnée, non ordonnée ou semi-ordonnée
d’une part, avec ou sans répétition d’autre part. Les éléments de l’ensemble
peuvent être discernables deux à deux, tous indiscernables ou bien certains
sont discernables et d’autres pas. Les dispositions les plus
classiques sont :
– les arrangements avec et sans répétitions ;
– les permutation avec et sans répétition et
– les combinaisons avec et sans répétitions.
Dans la suite, est un ensemble de n éléments 2 à 2 discernables.
Les arrangements avec répétitions

Dé…nition 8 On appelle arrangement avec répétition de p éléments choi-

sis parmi les n éléments de ; toute disposition ordonnée, avec répétition
éventuellement, de p d’entre les n éléments. On note A0p
n le nombre de tels
arrangements.

Remarque 9 Notons que 2 arrangements avec répétition de p éléments choi-

sis parmi les n discernables seront distincts, soit par la nature des objets, soit
par leur ordre. En plus, du fait des répétitions, on peut avoir p n.

Calcul de A0pn
Pour construire un arragement avec répétition de n objets distincts p à
p ; il faut :
– Choisir le premier de ces objets : on a n choix possibles. Comme les
répétitions sont admises, l’élément choisi en premier peut encore être choisi
une nouvelle fois à un autre rang.

9
 –Après le choix du premier objet, il faut choisir le second : on a encore
n choix possibles. On a donc n façons de choisir le premier et le deuxième
objet.
–Il faut faire p choix et chaque fois on a n possibilités, d’où A0p
n = n
p

Exemple 10 Soient E et F 2 ensembles de cardinaux respectifs n et p. Dé-

terminez le nombre d’applications de E vers F.

Une application de E vers F est obtenue en associant à chaque élément

de E, une image dans F . Or pour chacun des p éléments de E, on a n choix
possibles de son image dans F ; donc np choix possibles pour l’ensemble des
images des éléments de E, c’est-à-dire np applications possibles de E vers F .
Les arrangements (sans) répétitions

De…nition 11 On appelle arrangement sans répétition (ou tout simplement

arrangement) de p éléments choisis parmi les n que contient toute disposition
ordonnée sans répétition de p de ces éléments.

On note Apn ou (n)p (notation anglo-saxonne) le nombre d’arrangements

de n éléments p à p.

Remarque 12 1) Tout arrangement de n objets p à p est un arrangement

avec répétition de p de ces objets. Cependant, il existe des arrangements avec
répétition qui ne sont pas sur la liste des arrangements sans répétition. Par
conséquence, on a Apn < A0p p 0p
n si p > 1 et si p = 1, alors An = An = n
2) On ne peut arranger sans répétition p objets pris parmi n que si p n.

Calcul de Apn .
Pour construire un arrangement de p objets choisis parmi n, il faut :
– Choisir le premier de ces objets : on a n choix possibles. Comme les
répétitions ne sont pas admises, l’objet choisi ne peut plus être choisi une
nouvelle fois à un rang.
–Après le choix du premier objet, choisir le deuxième : on a n 1 choix
possibles ;
donc n(n 1) manières de choisir le premier et le second objets.
–Après le choix du deuxième objet, choisir le troisième : on a n 2 choix
possibles ; donc n(n 1)(n 2) manières de choisir le premier, le deuxième
et le troisième objets.

10
 Il faut faire p choix et chaque fois, le nombre de possibilités diminue d’une
unité, d’où Apn = n(n 1)(n 2):::(n (p 1))
1 si n = 0
On note n! (factoriel n) avec n! = et on a
n (n 1) ::: 2 1
alors Apn = (nn!p)!

Exemple 13 Nombre d’applications injectives d’un ensemble à p éléments

vers un ensemble à n éléments. On constate que pour que l’application soit
injective, il faut que l’on ait p n :

Permutations (sans) répétition

Dé…nition 14 On appelle permutation sans répétition (ou tout simplement

permutation) des éléments de , toute disposition ordonnée et sans répétition
de l’ensemble des n éléments.
On note Pn le nombre de permutations de n éléments discernables. On
a : Pn = Ann = n!

Permutations avec répétition

Soit une collection de n éléments formés de groupes discernables d’élé-
ments indiscernables.
a; a; :::; a ( éléments), b; b; :::; b ( éléments), ...et s; s; :::s ( éléments)
tels que + + ::: = n

Dé…nition 15 On appelle permutation avec répétition de ces n éléments,

toute disposition ordonnée de l’ensemble des n éléments. On note Pn0 ( ; ; :::; )
le nombre de telles permutations.

Nous allons expliquer le calcul de Pn0 ( ; ; :::; ) sur un exemple simple

en calculant par exemple P50 (3; 2)
On considère les objets a a a b b
Si tous les éléments étaient discernables, on aurait a1 ; a2 ; a3 ; b1 ; b2 par
exemple et le nombre de permutations de ces éléments serait 5!. Il est évident
que la di¤érence entre le calcul de P50 (3; 2) et le calcul de 5! vient du fait que
dans le dernier cas, les éléments sont tous discernables, alors que dans le pre-
mier cas, nous avons deux groupes discernables (a) et (b), l’un avec 3 objets
indiscernables et l’autre 2 objets indiscernables. Le passage de a; a; a; b; b à
a1 ; a2 ; a3 ; b1 ; b2 se fait en indiçant les objets (a), puis les objets (b).

11
 Considérons l’une des P50 (3; 2) permutations avec répétition, par exemple
ababa : A l’aide de cette permutation, on peut construire un certain nombre
des 5! permutations des 5 éléments discernables a1 ; a2 ; a3 ; b1 ; b2 : Pour cela il
faut successivement :
– a¤ecter les indices aux éléments (a) ; il y a 3! a¤ectations d’indices
possibles, chaque a¤ectation correspondant à une permutation des éléments
a1 ; a2 ; a3 :
– à chacune des 3! a¤ectations d’indices possibles aux éléments (a), on
peut associer 2! a¤ectations d’indices possibles aux éléments (b) :
Donc au total 3!2! a¤ectations d’indices possibles. Cette façon de construire
les permutations des éléments a1 ; a2 ; a3 ; b1 ; b2 nous donne, sans répétition,
toutes ces permutations et rien que ces permutations ; Donc 5! = 3!2!P50 (3; 2)
5!
on en déduit que P50 (3; 2) = 3!2!
Le raisonnement précédent se généralise aisément ; il conduit à la formule
n! = ! !::: !Pn0 ( ; ; :::; ) c’est-à-dire que Pn0 ( ; ; :::; ) = ! n!!::: !
Combinaisons (sans répétition)

Dé…nition 16 On appelle combinaison sans répétition (ou plus simplement

combinaison) de p éléments choisis parmi les n éléments de , toute dis-
position non ordonnée et sans répétition de p éléments choisis parmi les n
éléments.
On note Cnp ou (np ) (notation anglo-saxonne) le nombre de telles combi-
naisons.

Dé…nition 17 Les p éléments de la combinaison doivent être distincts et

sont choisis parmi les n éléments de l’ensemble donc p n

Calcul de Cpn
À partir d’une combinaison donnée, on peut engendrer des arrangements
sans répétition par permutation des éléments qui …gurent dans la combinai-
son. Ainsi, une combinaison sans répétition permet d’engendrer p! arrange-
ments sans répétition. On véri…e aisément que chacun des Apn arrangements
sans répétition est engendré une seule fois par une et une seule des Cnp com-
binaisons. Donc, Apn = p!Cnp et par suite,
Cnp = (np ) = p!(nn! p)!
Quelques Propriétés des nombres Cnp
– Cnp = Cnn p ou encore choisir p éléments parmi n est équivalent à choisir
les n p éléments qui ne …gurent pas dans la combinaison, parmi n.

12
 – Cnp = Cnp 1 + Cnp 11 : Soit wi un élément …xé de . Le nombre de com-
binaisons de p éléments choisis parmi n est la somme du nombre de
combinaisons contenant wi (Cnp 11 )et du nombre de combinaisons ne
contenant pas wi (Cnp 1 ). Cette relation de récurrence permet de calcu-
ler de proche en proche les valeurs de Cnp à condition de poser Cn0 = 1
(c’est-à-dire 0! = 1). On obtient alors le triangle de Pascal.
nnp 0 1 2 3 4
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
– Formule du binôme de Newton. Pour tout a; b et tout entier n, (a+b)n =
X n
Cnp ap bn p
p=0
X
n
- Pour a = b = 1, on obtient : Cnp = Cn0 + Cn1 + Cn2 + ::: + Cnn = 2n
p=0
- Pour a = b = 1, on obtient : Cn0 Cn1 + Cn2 + ::: + ( 1)n CnnX =0
- Par addition et soustraction des 2 dernières formules, on obtient Cn2p =
p
X
Cn2p+1 n 1
=2
p

Exemple 18 Soit E un ensemble de n éléments. Déterminer le nombre de

sous-ensemble de E. Parmi ce nombre, combien de sous-ensemble ont exac-
tement p éléments ?

Un sous-ensemble de E est caractérisé par les éléments de E qui y …gurent.

Etant donné un élément de E, soit il appartient au sous-ensemble, soit il
n’appartient pas. Un sous-ensemble de E est donc une application de E vers
F = f2; 2g= : Le nombre de sous ensembles est donc 2n .
Parmi ces 2n parties, il y a Cnp qui ont exactement p éléments. On véri…e
Xn
alors facilement que Cnp = 2n :
p=0

Combinaisons avec répétitions.

13
Dé…nition 19 On appelle combinaison avec répétition de p éléments choisis
parmi les n de , toute disposition non ordonnée, avec répétition éventuelle-
ment de p éléments parmi les n éléments. On note Cn0p ou Knp le nombre de
telles combinaisons.

Du fait des répétitions éventuelles, on peut avoir p n. De plus, toute

combinaison de p éléments est une combinaison avec répétition de p éléments ;
donc Cnp Cn0p
Calcul de Knp
Considérons n cases discernables numérotées a; b; :::; s, séparées par n
1 cloisons intermédiaires et prenons p boules indiscernables. Nous pouvons
dénombrer les façons de ranger les boules dans ces cases ; une case peut
recevoir 0; 1; :::; jusqu’à p boules. La relation entre les rangements des boules
dans les cases et les combinaisons avec répétition est expliquée dans l’exemple
suivant : n = 3; p = 6.
Soit a a a b b c une de ces combinaisons. On lui associe le rangement
ooo oo o
suivant :
case a case b case c
c’est-à-dire 3 boules dans la case a ; 2 boules dans la case b et une boule
dans la case c :
Réciproquement, au rangement o (case a) oooo (case b) o (case c)
on associe la combinaison a b b b b c:
Ainsi, nous avons autant de combinaisons avec répétition de 6 objets
parmi les 3 discernables que de rangements de 6 boules indiscernables dans
3 cases discernables. Or un rangement de boules est obtenu par permutation
de 8 objets divisés en 2 groupes discernables : les 6 boules et les 2 cloisons
8!
intermédiaires. Donc C306 = K36 = P30 1+6 (3 1; 6) = 2!6!
Le raisonnement précédent se généralise aisément et conduit à
Cn0p = Knp = Pn0 1+p (n 1; p) = (n+p 1)!
(n 1)!p!
p
= Cn+p 1

Exemple 20 On tire au hasard quatre cartes d’un jeu de cinquante-deux

cartes. Quelle est la probabilité pour que, parmi ces quatre cartes, il y ait
exactement deux rois ?

Solution : L’hypothèse au hasard amène à modéliser cette expérience

comme un tirage uniforme dans un certain ensemble qu’il faut préciser.
Ici, on prend pour la classe des parties à 4 éléments de l’ensemble de 52
4
cartes. Le cardinal de est C52 et P est la probabilité uniforme sur : Les

14
résultats favorables sont les tirages qui contiennent exactement 2 rois, à savoir
2 rois et 2 cartes parmi les 48 cartes autres que des rois. Ainsi, la probabilité
C2C2
cherchée vaut C4 4 48 :
52

2.3 Probabilité sur un espace dénombrable

Pourquoi la dé…nition précédente ne su¢ t-elle pas ?
Lorsque l’espace d’états n’est pas …ni, la dé…nition précédente de pro-
babilité n’est pas su¢ sante. Nous allons nous en rendre compte sur l’exemple
suivant. Jouons à Pile ou Face. Si nous jouons n fois, l’espace naturel est
l’ensemble fP; F gn (ensemble des mots de n lettres avec un alphabet à deux
lettres P et F ). C’est un ensemble …ni de cardinal 2n . Si nous supposons
que la pièce n’est pas truquée, la probabilité de chaque tirage est uniforme
et nous nous retrouvons dans le cadre de la combinatoire. Ainsi, pour tout
A P ( ); Pn (A) = CardA 2n
Supposons maintenant que le jeu se poursuive indé…niment. L’espace
d’états devient = fP; F gN , c’est à dire l’ensemble des mots de longueur
in…nie, avec le même alphabet P et F . C’est un ensemble in…ni. Essayons
d’évaluer la probabilité P (A) de l’événement A = “on ne tire jamais Pile”.
Pour cela, considérons An : “on ne tire jamais Pile lors des n premiers
tirages”.
Alors, on a P (An ) = Pn (An ) = 2 n .
Remarquons que A est la limite naturelle des ensembles (An ), au sens où
les An sont décroissants (i.e. An+1 An ) et où A = \n An . Il est alors naturel
d’écrire que P (A) = limn!1 P (An ) = 0:
Pour que ceci soit vrai, les propriétés (i), (ii) et (iii) de la dé…ni-
tion d’une probabilité sont insu¢ santes. Il faut ajouter un axiome
supplémentaire permettant le passage à la limite comme ci-dessus.
A cet e¤et, nous devons d’abord caractériser les propriétés que doit sa-
tisfaire la classe z des événements. En e¤et, si sur un ensemble …ni, il est
naturel de prendre A = P ( ), il n’en est plus de même lorsque est in…ni,
ceci pour des raisons mathématiques et des raisons de modélisation qui seront
explicitées plus loin. La classe z doit toutefois satisfaire un certain nombre
d’axiomes, et pour les dé…nir, rappelons ce qu’est un ensemble dénombrable.
Les ensembles dénombrables

15
Dé…nition 21 Un ensemble E est dénombrable s’il est en bijection avec N,
c’est-à-dire si ses points peuvent être énumérés en une suite (xn )n2N .
C’est le cas de l’ensemble N lui-même, de Z, de Q, de l’ensemble des
entiers pairs ou de toute suite strictement croissante d’entiers.
Ce n’est pas le cas de f0; 1gN , ni de R, ni des intervalles de la forme
[a; b] lorsque a < b:

Quelques propriétés
– Tout ensemble dénombrable est in…ni. (Mais la réciproque est fausse,
comme nous l’avons vu ci-dessus.)
– Toute partie d’un ensemble dénombrable est elle-même …nie ou dénom-
brable.
– La réunion d’une famille …nie ou dénombrable d’ensembles eux-mêmes
…nis ou dénombrables est un ensemble …ni ou dénombrable.
– Si A n’est ni …ni, ni dénombrable, il en est de même de AnB, pour tout
B A qui est …ni ou dénombrable.
Note : Lorsque l’univers est …ni, on convient une fois de plus comme en-
semble des événements l’ensemble des parties de . Mais nous verrons
plus loin que l’ensemble des événements peut aussi être plus restreint.
Dé…nition générale d’une probabilité
Nous sommes maintenant en mesure de donner la dé…nition générale d’une
probabilité.

Dé…nition 22 Une probabilité sur l’espace ( ; P ( )) est une application de

P ( ) dans [0; 1], notée P , telle que :
(i) : On a P ( ) = 1
(ii) : Pour toute suite (dénombrable)
P (An )n d’éléments de z deux-à-deux
disjoints, on a : P ([An ) = n P (An )

Remarque 23 La probabilité P (dite aussi mesure de probabilité), est une

mesure abstraite de masse 1 sur l’espace "mesurable" ( ; z). Le cadre dans
lequel nous travaillons est mathématiquement développé par la théorie de la
mesure, mais nous n’invoquerons aucun résultat général de cette théorie qui
sera étudiée dans un cours approprié ultérieurement.

La propriété (ii), dit “axiome de -additivité”, entraîne en particulier

que la série de terme général P (An ) est convergente (et de somme P ([An )).

16
Il est plus fort que la propriété d’additivité qui est utilisée pour dé…nir la
probabilité d’une réunion …nie d’événements deux à deux disjoints.
Pour le voir, nous commençons par appliquer P (ii) avec An = ; ; pour
tout n 2 N. On obtient, en posant a = P (;); n a = a, ce qui entraîne
a = 0. Ensuite, si A; B 2 z sont disjoints, nous appliquons (ii) avec A0 = A,
A1 = B,Pet An = ; pour tout n 2, ce qui donne P (A [ B) = P (A) +
P (B) + n 2 P (;) = P (A) + P (B):
Notons que toute probabilité véri…e les propriétés de la proposition 5
Le résultat suivant est très utile dans la pratique, et répond au problème
de modélisation que nous nous étions posé en début de Section précédente.
Pour ce résultat, nous utilisons les notations suivantes.
Si (An ) est une suite décroissante de parties de z, i.e. An+1 An pour
tout n et si A = \An , nous écrivons An # A. (La suite (An ) décroit vers A).
De même, si (An ) est une suite croissante de parties de z, i.e. An+1 An
pour tout n et si A = [An , nous écrivons An " A. (La suite (An ) croit vers
A).

Proposition 24 Supposons que P : z ! [0; 1] véri…e P ( ) = 1 et P (A [

B) = P (A) + P (B) pour tout A; B disjoints. Alors il y a équivalence entre :
(i) P est -additif
(ii) Pour toute suite (An )n croissante, P ([n An ) = lim " P (An )
(iii) Pour toute suite (An )n décroissante, P (\n An ) = lim # P (An )

Ce résultat entraîne en particulier que si (An )n est une suite croissante

ou décroissante d’événements, la suite (P (An ))n admet une limite quand n
tend vers l’in…ni.
Preuve : (2.3.8)
La propriété de -additivité donne la probabilité de la réunion [n An en
fonction des probabilités P (An ), lorsque les événements An sont deux-à-deux
disjoints. Si ce n’est pas le cas, nous avons tout de même la majoration
suivante, très utile dans la pratique :

Proposition 25 Soit P une probabilité, soit (An )n2I une famille …nie ou
dénombrable d’événements.
X Alors, on a :
P ([n An ) P (An )
n2I

Preuve (2.3.9)

17
Dé…nition 26 On appelle le triplet ( ; z; P ) un espace de probabilité ou
(probabilisé). C’est un espace mesuré au sens de la théorie de la mesure.
La modélisation probabiliste consiste donc à décrire une expé-
rience aléatoire par la donnée d’un espace de probabilité.
Remarquons que l’on peut construire de nombreuses probabilités dis-
tinctes sur le même espace ( ; z). Nous verrons beaucoup d’exemples ulté-
rieurement, mais nous pouvons nous en convaincre rapidement dans le cadre
du jeu de Pile ou Face, suivant que la pièce est truquée ou non truquée.
Nous pouvons dé…nir sur f0; 1g di¤érentes lois de Bernoulli, en fonction du
paramètre p 2 [0; 1] choisi.
La dé…nition suivante est fondamentale en théorie des probabilités. Elle
introduit une notion de “vrai ou faux” qui dépend de la probabilité choisie
sur l’espace d’états.
Dé…nition 27 Soit ( ; z; P ) un espace de probabilité.
1) Un événement de probabilité nulle est dit négligeable.
2) Une propriété est vraie P -presque-sûrement (en abrégé P -p.s.), si l’en-
semble des w 2 pour lesquels elle est vraie est de probabilité égale à 1. Dans
ce cas, l’ensemble des w 2 pour lesquels la propriété est fausse est négli-
geable.
Supposons que soit dénombrable. Nous pouvons alors numéroter ses
éléments par = fw0 ; w1 ; :::; wn ; :::g, n 2 N. La proposition suivante géné-
ralise au cas dénombrable la caractérisation d’une probabilité. Ici, la tribu
considérée est l’ensemble P ( )
Proposition 28 Une probabilité sur un ensemble dénombrable est entière-
ment caractérisée par ses valeurs sur les singletons.
X Etant donnée une suite
(pn )n de nombres réels tels que 0 pn 1 et pn = 1, il lui correspond
n X
une unique probabilité P telle que pour tout A , P (A) = P (fwn g =
wn 2A
X
pn
wn 2A

Preuve ; (2.3.12)
n
1) Soit > 0 et pn = e n! : Il est facile de véri…er que 0 pn 1 et
X X n
pn = e n!
=e e =1
n n

18
 La suite (pn )n dé…nit une probabilité sur N, appelée loi de Poisson de
paramètre . Cette loi fut introduite par Siméon Denis Poisson, dans son
ouvrage "Recherches sur la probabilité des jugements en matière criminelle
et en matière civile" (1837).

2.4 Probabilité sur un espace non dénombrable

Nous avons plus haut qu’une question fondamentale va ainsi être de dé-
crire et caractériser les mesures de probabilité dé…nies pour des espaces de
probabilité de plus en plus gros : N, R, Rn , C([t1 ; t2 ]; R). Le premier cas
correspond au cas dénombrable déjà traité. Le dernier cas qui traite de tra-
jectoires aléatoires, ne pourra pas être abordé dans ce cours de base. Par
contre nous aborderons les cas de R maintenant et plus loin celui de Rn
On considère donc une expérience aléatoire dont l’univers des possibles
est = R: La dé…nition générale de probabilité donnée plus haut reste
valable, seulement comme on le démontrera plus tard il n’est plus commode
de prendre comme ensemble des événements l’ensemble des parties de
c’est-à-dire P ( ).
Tribu

Dé…nition 29 La classe z est une tribu de parties de si elle véri…e les

propriétés suivantes :
(A1) : ; 2 z et 2 z
(A2) : z est stable par passage au complémentaire : A 2 z ) Ac 2 z:
(A3) : z est stable par réunion et intersection dénombrables, i.e. si (An )n 2
N est une suite d’éléments de z, alors [n2N An et \n2N An sont dans z.

Remarque 30 1) Notons que z est alors stable par réunion et intersection

…nie : Si A; B 2 z alors A \ B; A [ B 2 z (il su¢ t de prendre A0 = A et
An = B pour tout n 1)
2) Notons également que (A3) n’entraîne pas que z soit stable par réunion
ou intersection in…nie non dénombrable.

Remarque fondamentale : Dans la modélisation de notre phénomène

aléatoire, la tribu représente un ensemble de parties de (parties composées
de certains résultats de l’expérience) dont on va pouvoir mesurer la chance
de réalisation. C’est pour un élément z de cette tribu que nous allons être

19
capable de dé…nir sa probabilité de réalisation P (A), tandis que P (A) n’aura
pas de sens dès lors que A n’appartient pas à la tribu z.
Comme ces ensembles A sont des sous-ensembles de résultats possibles de
l’expérience, la tribu modélise l’information que nous donne cette expérience.

Exemple 31 1) z = f;; g est la tribu grossière, ou triviale : c’est la plus

petite tribu de .
2) L’ensemble P ( ) des parties de est une tribu sur : C’est celle que
nous choisirons systématiquement si est n ensemble …ni ou dénombrable.
Cependant, pour des raisons fondamentales que nous indiquerons sommai-
rement ultérieurement, cette tribu sera trop grande dès que est in…ni non
dénombrable pour que l’on puisse dé…nir la probabilité de tous ses éléments
de manière non triviale.

Proposition 32 L’intersection d’une famille quelconque de tribus est une

tribu.

Preuve : En exercice.

Dé…nition 33 Si C P ( ), on appelle tribu engendrée par C la plus petite

tribu contenant C. Elle existe toujours, car d’une part P ( ) est une tribu
contenant C, et d’autre part l’intersection d’une famille quelconque de tribus
est une tribu. Ainsi, la tribu engendrée par C est l’intersection de toutes les
tribus contenant C.

Exemple 34 La tribu engendrée par l’ensemble A est f;; A; Ac ; g

On considère les classes suivantes :

C1 = f] 1; a[: a 2 Rg ou même C1 = f] 1; a] : a 2 Qg
C2 = f] 1; a] : a 2 Qg
C3 = f]a; +1[: a 2 Qg
C4 = f[a; +1[: a 2 Qg

Dé…nition 35 Dans le cas où = R, on appelle tribu borélienne la tribu

engendrée par la classe C1 .

Proposition 36 La tribu borélienne de R est aussi la tribu engendrée par

C2 (resp ; C3 ; C4 )

Preuve : (2.3.6)

20
2.5 Conditionnement et indépendance
Probabilités conditionnelles
La notion de conditionnement est l’une des plus fructueuses de la théo-
rie des probabilités, et la di¤érencie fondamentalement de la théorie de la
mesure. L’idée de base permettant la compréhension de cette notion est la
suivante : une information supplémentaire concernant l’expérience modi…e la
vraisemblance que l’on accorde à l’événement étudié.
Par exemple cherchons, pour un lancé de deux dés, la probabilité de l’évé-
nement “la somme est supérieure ou égale à 10”. Elle vaut 1/6 sans informa-
tion supplémentaire, 1/2 si l’on sait que le résultat d’un des dés est 6, 0 si l’on
sait a priori que le résultat d’un des dés est 2. Pour obtenir ces résultats, nous
avons dans chaque cas calculé le rapport du nombre de résultats favorables
sur le nombre de cas possibles. Nous remarquons qu’il est indispensable de
bien dé…nir l’espace de probabilité lié à l’expérience munie de l’information
a priori. Remarquons également que l’information a priori a changé la valeur
de la probabilité de l’événement aléatoire.
L’approche intuitive pour formaliser cette notion consiste à revenir à la
notion de fréquence empirique. La fréquence de réalisation de l’événement A
sachant que l’événement B est réalisé, sur n expériences, est égale au nombre
de réalisations de A parmi celles pour lesquelles B est réalisé. Elle vaut donc
nA\B
nB
= fnf(A\B)
n (B)
et en faisant tendre n vers l’in…ni, nous aboutissons à la
dé…nition suivante.

Dé…nition 37 Soient A et B deux événements, avec P (B) > 0. La probabi-

lité conditionnelle de A sachant B est le nombre P (AjB) = P P(A\B)
(B)

Cela dé…nit bien une probabilité comme l’énonce la proposition suivante.

Proposition 38 1) Soit ( ; z; P ) un espace de probabilité et B un événe-

ment de z de probabilité strictement positive. Alors l’application de z dans
[0; 1] qui à A associe P (AjB) dé…nit une nouvelle probabilité sur z, appelée
probabilité conditionnelle sachant B.
2) Si P (A) > 0 et P (B) > 0, alors P (AjB)P (B) = P (A \ B) =
P (BjA)P (A):

Preuve : (2.5.2)
On en déduit la formule des probabilités composées suivante.

21
Proposition 39 Soient A1 ; A2 ; :::; An n événements tels que
P (A1 \ A2 \ ::: \ An 1 ) > 0: Alors,
P (A1 \ ::: \ An ) = P (A1 )P (A2 jA1 )P (A3 jA1 \ A2 ):::P (An jA1 \ ::: \ An 1 )

Preuve (En exercice)

Proposition 40 Formule des probabilités totales. Soit (Bi )i2N une par-
tition …nie ou dénombrable d’événements de , telle que P (Bi ) P
> 0 pour
chaqueP i. Pour tout A 2 z, on a alors P (A) = P ([(A \ Bi )) = i P (A \
Bi ) = i P (Bi )P (AjBi )

Corollaire 41 (Théorème de Bayes). Sous les mêmes hypothèses que dans

la proposition 40; si P (A) > 0, on a :
P (Bi jA) = PP P(B(B
i )P (AjBi )
k )P (AjBk )
k

Interprétation du théorème de Bayes. Les Bi sont parfois appelés

les causes de l’évènement A ; la réalisation de A étant dûe à une et une seule
de ces causes. A est alors considéré comme une conséquence. La formule
de Bayes permet alors de calculer la probabilité pour que telle cause soit
responsable de la réalisation de A.
1) Un individu est tiré au hasard dans une population où l’on trouve une
proportion 10 4 de séropositifs. On lui fait passer un test de détection de
la séropositivité. Par ailleurs, des expérimentations antérieures ont permis
de savoir que les probabilités d’avoir un résultat positif lors de l’application
du test si l’individu est séropositif, ou s’il ne l’est pas, sont respectivement
égales à 0; 99 (c’est la sensibilité du test) et à 0; 001 (0; 999 = 1 0; 001 est
la spéci…cité du test). Sachant que le test donne un résultat positif, quelle
est la probabilité pour que l’individu soit e¤ectivement séropositif ?
Solution : Considérons les événements A “l’individu est séropositif”, et
B “le test de détection donne un résultat positif”. Les données fournissent
P (A) = 10 4 d’où P (Ac ) = 0; 9999, P (BjA) = 0; 99 et P (BjAc ) = 0; 001.
Nous trouvons alors
10 4
P (AjB) = P P(A\B)
(B)
P (A)P (BjA)
= P (A)P (BjA)+P (Ac )P (BjAc )
= 0:99 100:99
4 +0:001 0:9999 =

0:090 09
2) On classe les gérants de portefeuilles en deux catégories, les bien infor-
més et les autres. Lorsqu’un gérant bien informé achète une valeur boursière
pour son client, on peut montrer par une étude préalable que la probabilité
que le cours que cette valeur monte est de 0; 8. Si le gérant est mal informé,

22
la probabilité que le cours descende est de 0; 6. On sait par ailleurs que si
l’on choisit au hasard un gérant de portefeuille, il y a une chance sur 10 que
celui-ci soit un gérant bien informé. Un client choisit au hasard un gérant
dans l’annuaire, et lui demande d’acheter une valeur. Sachant que le cours de
cette valeur est monté, cherchons la probabilité pour que le gérant soit mal
informé.
Solution : Notons M l’événement “la valeur monte”et I l’événement “le
gérant est bien informé”. Par la formule des probabilités totales, la probabilité
que la valeur monte vaut

P (M ) = P (M jI)P (I) + P (M jI c )P (I c )
= 0:8 0:1 + 0:4 0:9
= 0:44
c c c
La formule de Bayes donne alors P (I c jM ) = PP(I(MjM) ) = P (MPjI(M)P) (I ) =
0:4 0:9
0:44
= 0:818
3) Dans une usine, le montage de 30% des appareils est eectué par un
spécialiste hautement qualité et celui de 70% par un spécialiste de quali…-
cation moyenne. La …abilité de fonctionnement de l’appareil est de 0.9 au
cas où le montage a été e¤ectué par un spécialiste hautement quali…é, et de
0.8 si le montage a été e¤ectué par un spécialiste de quali…cation moyenne.
Un appareil choisi au hasard s’est avéré d’un fonctionnement …able. Calculer
la probabilité que son montage ait été e¤ectué par un spécialiste hautement
quali…é.
4) Sur 1000 PME, 50 font faillite dans une année. Sur 1000 grandes entre-
prises, 3 font faillite dans une année. Une entreprise fait faillite, déterminer
la probabilité que ce soit une PME. Il y a 90% de PME dans l’ensemble des
entreprises.
Indépendance
La notion d’indépendance est absolument fondamentale en probabilités
et nous verrons par la suite toutes ses implications dans la modélisation de
l’aléatoire.

Dé…nition 42 Soient ( ; z; P ) un espace probabilisé, A et B 2 éléments de

z : A et B sont indépendants en probabilité (relativement à P ou encore
P -indépendants) si P (A \ B) = P (A) P (B) : Dans le cas contraire, A et
B sont dits dépendants.

23
Exemple 43 Soient = fa; b; c; dg, z = P ( ) et P = équiprobabilité sur
. On dé…nit les événements A = fa; bg, B = fa; cg et C = fa; dg:On
a : P (A) = P (B) = 21 , P (A \ B) = P (A):P (B) = 14 donc A et B sont
P -indépendants
Posons P 0 (E) = P (EjC): (P 0 est une probabilité car P (C) = 1=2 > 0).
On a P 0 (A) = P 0 (B) = 12 , P 0 (A \ B) = 12 donc A et B ne sont pas P 0 -
indépendants.
Remarque 44 1) On a ainsi sur l’espace probabilisable ( ; z) deux évène-
ments qui sont tantôt indépendants, tantôt dépendants, selon la probabilité
de ( ; z).
2) L’indépendance dépend de la probabilité P . Deux évènements de z
peuvent être indépendants pour une probabilité de ( ; z) et ne plus l’être
pour une autre probabilité de ( ; z)
Proposition 45 Soit ( ; z) un espace probabilisable. Pour toute probabilité
de ( ; z), 8A 2 z, les évènements ; et A (resp. A et ) sont indépendants.
Preuve : (En exercice)
Proposition 46 Soit ( ; z; P ) un espace probabilisé. Pour tout évènement
A de z ; A est indépendant de A ssi P (A) = 0 ou P (A) = 1.
Preuve : (En exercice)
Proposition 47 Soit ( ; z; P ) un espace probabilisé. A et B deux évène-
ments de z: Si A et B sont indépendants, alors :
(i) Si A et B c sont indépendants
(ii) : Si Ac et B sont indépendants
(iii) : Si Ac et B c sont indépendants
Preuve : (Th 4.3 Fot)
Interprétation de l’indépendance
En général, pour 2 évènements A et B, on a P (BjA) 6= P (B) ; ceci a
une signi…cation intuitive évidente : la réalisation ou la non réalisation de
A in‡ue sur les chances de réalisation de B. Autrement dit, "B dépend de
A d’une certaine manière". Dans le cas où A et B sont indépendants, on a
P (A \ B) = P (A)P (B) d’où l’on tire P (B) = P (BjA) si P (A) 6= 0: Par
symétrie, si P (B) 6= 0, on a aussi P (A) = P (AjB). Ainsi donc A et B sont
indépendants ssi la réalisation (ou la non réalisation) de l’un, n’a aucune
inzuence sur la réalisation (ou la non réalisation) de l’autre.

24
Dé…nition 48 Soit ( ; z; P ) un espace probabilisé. Deux familles d’événe-
ments z1 et z2 sont dites indépendantes si : 8A 2 z1 ; 8B 2 z2 , A et B
sont indépendants.

Notons qu’on peut choisir z1 et z2 comme deux sous tribus de z ; et

donc parler de l’indépendance de deux sous tribus de z. On montre alors le
résultat suivant :

Proposition 49 Soient ( ; z; P ) un espace probabilisé, A et B deux évène-

ments. A et B sont indépendants ssi les tribus f;; A; Ac ; g et f;; B; B c ; g
qu’ils engendrent respectivement, sont indépendantes.

Indépendance mutuelle

Dé…nition 50 Soient ( ; z; P ) un espace probabilisé, z1 , z2 , ...,zn n sous

tribus de z. On dit que les sous tribus z1 ; z2 ; :::; zn sont mutuellement
\
n Y
n
indépendantes si : 8Ai 2 zi , P ( Ai ) = P (Ai )
i=1 i=1

Remarque 51 Si n = 2, l’indépendance mutuelle des sous tribus z1 et z2

de z est identique à leur indépendance dé…nie ci-dessus.

Proposition 52 Si n sous tribus z1 ; z2 ; :::; zn sont mutuellement indépen-

dantes, p quelconques d’entre elles (p < n) sont mutuellement indépendantes.

Preuve ; (Th 4.5 Fot)

Dé…nition 53 Soient ( ; z; P ) un espace probabilisé, un espace probabilisé,

A1 ; A2 ; :::; An n évènements de z : On dit que ces n évènements sont mu-
tuellement indépendants si les sous tribus f;; Ai ; Aci ; g i = 1; 2; :::; n qu’ils
engendrent respectivement, sont mutuellement indépendantes.

Remarque 54 Si n = 2 l’indépendance mutuelle de 2 évènements est iden-

tique à leur indépendance dé…nie plus haut. Mais pour n > 2 ; l’indépendance
mutuelle ne se confond plus avec l’indépendance 2 à 2.

Proposition 55 Si n évènements A1 ; A2 ; :::; An sont mutuellement indépen-

dants, p quelconques d’entre eux (p < n) sont mutuellement indépendants.

25
Corollaire 56 Si n évènements A1 ; A2 ; :::; An sont mutuellement indépen-
dants, alors ils sont indépendants deux à deux. La réciproque est fausse. En
d’autres termes, l’indépendance deux à deux de n évènements n’entraine pas
l’indépendance mutuelle de ces évènements.
Les évènements A, B et C de l’exemple 43 sont indépendants 2 à 2, mais
ne sont pas mutuellement indépendants.

2.6 Quelques exercices.

Exercice 1 :
I) Combien peut-on écrire de mots de 8 lettres en utilisant notre alphabet
sachant que :
a) une même lettre peut …gurer plus d’une fois dans le mot
b) une même lettre ne peut …gurer plus d’une fois dans le mot
2) Une compétition de football regroupe 16 équipes.
a) Combien y a t-il de matches aller ?
b) Combien y aura t-il de rencontres dans le championnat ?
II) Un ascenseur dessert 15 étages et s’arrête obligatoirement à tous les
étages. Au rez de chaussée, 10 personnes entrent dans l’ascenseur. Personne
d’autre ne montera.
a) Combien y a-t-il de possibilités de descentes en tout ?
b) Combien y a-t-il de cas où les 10 personnes descendent à des étages
di¤érentes ?
c) Combien y a -t-il de possibilités d’avoir 2 personnes et 2 seulement
qui s’arrêtent au même étage, les 8 autres s’arrêtant chacun à des étages
di¤érents ?
N.B : On répondra à ces questions sous les deux hypothèses suivantes :
(H1 ) : On tient compte de la personne qui descend à un niveau (les per-
sonnes sont discernables)
(H2 ) : On ne tient pas compte de la personne qui descend à un niveau
(les personnes sont indiscernables)
6
III) Comparer 2 et (1 + 0:000001)10 :
IV) a) Déterminer le nombre de diagonales d’un polygone de n côtés
b) Déterminer le nombre d’applications surjectives de f1; 2; 3; 4; 5g vers
f1; 2; 3; 4g
c) Soit E un ensemble de cardinal n. Combien y a-t-il de couples (A; B)
tels que :

26
 (i) : A \ B = ; ? (ii) A [ B = E:
V) (Proba1( Exo 1 page 38))
Une machine fabrique des objets qui sont classés en défectueux, codés 0,
et non défectueux, codés 1. On prélève
toutes les heures les trois derniers objets produits par cette machine. On
demande de préciser l’ensemble fondamental
associé à cette expérience et d’écrire les événements suivants :
A = « le premier objet est défectueux » , B = « le dernier objet est non
défectueux » ;
C = « les premier et dernier objets sont défectueux » ; D =« aucun objet
n’est défectueux » ;
E = « deux objets sont défectueux » , F = « au plus un objet est défec-
tueux » .
Exercice 2 :
Une urne, dont on ne peut pas distinguer le contenu, contient 4 boules
vertes et 6 boules rouges indiscernables au
toucher.
1/ On tire successivement 2 boules dans l’urne, sans remise.
a) Déterminer la probabilité d’obtenir une seule boule verte.
b) Déterminer la probabilité d’obtenir exactement deux boules de la même
couleur.
c) Déterminer la probabilité d’obtenir une boule de chaque couleur.
2) On tire successivement 2 boules dans l’urne, avec remise.
Répondre aux mêmes questions que dans 1.
c) On tire simultanément 2 boules dans l’urne.
Répondre aux mêmes questions que dans 1.
Exercice 3 :
I)
On constate sur un dé à six faces que le 1 est obtenu 2 fois plus sou-
vent que le 2 qui lui-même est obtenu 2 fois plus souvent que 3,4,5 et 6.
Quelle probabilité faudrait-il associer à = f1; 2; 3; 4; 5; 6g pour modéliser
l’expérience ?
II) On suppose que 3 entreprises X, Y et Z fabriquant trois types de
microprocesseurs utilisés dans les ordinateurs se partagent le marché à raison
de 25 % pour X, 35 % pour Y, 40 % pour Z. Les pourcentages de commandes
non conformes sont : 5 % pour les microprocesseurs de X, 4% pour ceux de

27
Y et 2 % pour ceux de Z. Dans un lot constitué de microprocesseurs dans les
proportions indiquées pour X, Y et Z, on prélève un microprocesseur.
a) Quelle est la probabilité qu’il soit non conforme ?
b) Sachant que le microprocesseur présente un défaut de fabrication (ie
non conforme), quelle est la probabilité qu’il soit du type X?
Exercice 4 :
I- On lance un dé à six faces parfaitement équilibré plusieurs fois de suite.
Combien de lancés faut-il pour avoir
80% de chance d’obtenir un 6 ?
II- On e¤ectue une partie de pile ou face en trois coups. Quelle est la
probabilité d’obtenir pile aux premier et
troisième lancers ?
III- On fait remplir un questionnaire à 20 questions binaires. Quelle est
la probabilité qu’un candidat répondant au
hasard obtienne au moins 16 bonnes réponses ?
IV- On prélève au hasard un échantillon de k pièces dans une production
totale de N pièces comprenant en tout n
pièces défectueuses. Quelle est la probabilité de :
Aj ={ il y a exactement j pièces défectueuses dans l’échantillon } ?
Exercice 5 :
I- Soit = fa; b; cg un univers. On considère les ensembles A1 = f;; fag; fb; cg; g
et A2 = f;; fbg; fa; cg; g.
Montrer que ce sont des tribus sur . Les ensembles A1 \ A2 et A1 [ A2
sont-ils des tribus sur ?
II- On e¤ectue deux tirages successifs dans une urne qui contient une
boule blanche et deux boules noires identiques.
La première boule tirée n’est pas remise dans l’urne, mais est remplacée
par une boule de l’autre couleur (blanche
si on a tiré une noire et vice-versa).
(a) Construire l’ensemble associé à cette expérience aléatoire, en tenant
compte de l’ordre des tirages.
(b) Montrer que l’ensemble des parties de dé…ni par : A = f;; (N N ); f(BN ); (N B)g; g
est une tribu. La notation (BN ) représente par exemple l’événement élémen-
taire « tirer une boule blanche, puis une noire » .
(c) Déterminer la probabilité de chacun des événements élémentaires
constituant .

28
Exercice 6 :
1. Lorsqu’on lance un dé équilibré à six faces, les événements suivants
sont-ils indépendants ?
- obtenir un résultat pair.
- obtenir 3 ou 6.
2. Soient A et B deux événements d’un espace probabilisé ( ; z; P ).
On supppose que P (A) = 31 , P (B) = 14 et P (A [ B) = 49 .
Calculer PB (A), PB (A) et PB (A \ B)
3. La famille Potter comporte 2 enfants ; les événements A : « il y a deux
enfants de sexes di¤érents chez les
Potter » et B : « la famille Potter a au plus une …lle » sont-ils indépen-
dants ?
Même question si la famille Potter comporte 3 enfants.
Généraliser.
Exercice 7 :
I- On tire successivement et sans remise 3 boules dans une urne, dont
on ne peut pas distinguer le contenu, contenant 6 boules rouges et 4 boules
bleues indiscernables au toucher.
(a) Déterminer la probabilité de tirer au moins une boule bleue.
(b) Sachant qu’au moins une boule bleue a été tirée, quelle est la proba-
bilité que la première boule tirée soit bleue ?
II- Un laboratoire a mis au point un test rapide de dépistage du VIH
(responsable du SIDA) mais qui n’est pas totalement …able. Il est positif
avec une probabilité de 0,99 si le patient est e¤ectivement atteint et avec une
probabilité de 0,01 si le patient n’est pas atteint.
On tire au hasard un individu dans une population où 4% sont porteurs
du VIH. Calculer la probabilité qu’il ne soit pas atteint sachant que le test a
été positif.
Exercice 8 :
I- Dans la salle des profs 60% sont des femmes ; une femme sur trois porte
des lunettes et un homme sur deux porte
des lunettes : quelle est la probabilité pour qu’un porteur de lunettes pris
au hasard soit une femme ?
II- On considère un test sanguin détectant un virus lorsqu’il est présent
dans l’organisme testé avec une probabilité de

29
 0.95. Lorsque le virus n’est pas présent, le test donne néanmoins un ré-
sultat positif pour 1% des personnes. Sachant que 0.5% de la population est
porteuse du virus, quelle est la probabilité qu’une personne soit e¤ectivement
infectée, sachant que le résultat du test a été positif ? Quelle conclusion en
tirer ?
Exercice 9 :
I- Une urne contient une boule blanche et une boule noire. On e¤ectue
des tirages avec remise dans cette urne jusqu’à obtenir une boule blanche,
ajoutant une boule noire après chaque tirage d’une boule noire.
Calculer la probabilité d’e¤ectuer n tirages, n 2 N.
II- On lance un dé équilibré jusqu’à l’obtention d’un 6. Quelle est la
probabilité que tous les nombres obtenus soient
pairs ?
Inication : On pourra pour tout n 2 N noter An l’évènement « les n 1
premiers lancer donne 2 ou 4 et le n-ième lancers donne 6 »
III) On lance trois dés parfaitement équilibrés. Montrer que la probabilité
que la somme des points amenés dépasse dix est égale à la probabilité que
cette somme ne dépasse pas dix. (Cela permet de construire un jeu parfaite-
ment équitable...)
Exercice 10 :
Le 20 Mai à Edea, il fait beau 7 fois sur 10. Le comité des fêtes dispose de
2 sources de prévision météorologique indépendantes : la météo qui se trompe
2 fois sur 100 et un charlatan qui se trompe 1 fois sur 20.
La météo annonce de la pluie, alors que la charlatan annonce du beau
temps. Déterminer le temps le plus probable.

30