Centre des classes préparatoires

Lydex
Année Scolaire 2019/2020
Cours de Mathématiques
Filière TSI

Cours de Mathématiques pour TSI

Adham ELBEKKALI

Eljadida, le 2 juillet 2020

 TABLE DES MATIÈRES

1. Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Expériences aléatoires et univers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Notion d’événement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Espace probabilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1 Définition et propriétés d’une probabilité . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Construction de probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3. Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Formule de probabilités composées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4. Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1 Indépendance de deux événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2 Indépendance mutuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2/15
 PROBABILITÉS

1. Définitions
1.1 Expériences aléatoires et univers
Définition 1 (Expérience aléatoire).
Une expérience aléatoire ou épreuve est une expérience dont le résultat dépend du hasard.

Exemple 1 .
Un lancer d’un dé, ou d’une pièce de monnaie, est une expérience aléatoire.

Définition 2 (Univers).

• L’ensemble des résultats d’une expérience aléatoire est appelé univers ou encore univers des possibles. On le
note en général Ω.
• Les éléments de Ω sont appelés éventualités ou issues ou encore possibles.

Exemple 2 .

• Lancer d’un dé : l’univers est Ω = J1, 6K.

• Lancer de deux dés, un rouge et un bleu : l’univers est Ω = J1, 6K2 .
• Une urne contient 5 boules blanches et 2 boules rouges. On tire successivement 3 boules sans remise. L’univers est
Ω = {(B, B, B), (B, B, R), (B, R, B), (R, B, B), (B, R, R), (R, B, R), (R, R, B)}
• Le premier jour de panne d’une machine (depuis son jour de construction) est le résultat d’un phénomène aléatoire
dont l’ensemble des possibles est N∗ .

1.2 Notion d’événement

Intuitivement, un événement A est défini par une phrase qui peut être vraie ou fausse selon le résultat de l’expé-
rience aléatoire.
Exemple 3 .
On lance un dé à 6 faces : Ω = J1, 6K.
A = « obtenir un 6 » donne la partie de Ω : A = {6}.
B = « obtenir un nombre pair » donne la partie de Ω : B = {2, 4, 6}.

3/15
1. Définitions A.ELBEKKALI

On voit sur cet exemple qu’un événement A est nécessairement une partie de Ω, i.e. que A ∈ P(Ω).
Si on note T l’ensemble de tous les événements qu’on peut associer à l’expérience aléatoire, alors T ⊂ P(Ω).
L’ensemble T est une tribu, au sens suivant.
Définition 3 (Tribu).
Soit Ω un univers. On appelle tribu de Ω toute partie T de P(Ω) vérifiant
(i) Ω ∈ T ;
(ii) ∀A ∈ T , A ∈ T ;
[
(iii) (∀n ∈ N, An ∈ T ) =⇒ An ∈ T .
n∈N

Remarque 1 .
• On a Ω est toujours un événement appelé événement certain.
• ∅ est aussi un événement appelé événement impossible.

Exemple 4 .
Voici trois exemples classiques de tribus :
• La tribu triviale : T = {∅, Ω} ; 
• La tribu engendrée par un événement A de Ω : T = ∅, A, A, Ω ;
• La tribu pleine : T = P(Ω).

Remarque 2 .
Dans le cas où l’univers Ω est fini ou dénombrable, on prend en général la tribu P(Ω).

Définition 4 .
Soit A un événement. On dit que A est réalisé si le résultat de l’expérience appartient à A.

Exemple 5 .
On lance deux dés, un rouge et un bleu. On obtient 5 avec le dé rouge et 3 avec le dé bleu, le résultat est donc (5,
3). L’événement « la somme vaut 8 » est bien réalisé.

Définition 5 (Événement élémentaire).

On appelle événement élémentaire tout événement A de la forme A = {ω} avec ω ∈ Ω.

Définition 6 .
Soient A, B deux événements.
• A est l’événement contraire de A,
• A ∪ B est l’événement « A ou B »,
• A ∩ B est l’événement « A et B ».

Exemple 6 .
Dans un lancer de deux dés, où l’univers est Ω = J1, 6K2 , on considère les événements A : « somme des points est 7 »
et B : « le plus petit nombre est 3 ». Alors :
• l’événement A ∪ B est {(1, 6), (6, 1), (2, 5), (5, 2), (3, 4), (4, 3), (3, 3), (3, 5), (5, 3), (3, 6), (6, 3)} ;
• l’événement A ∩ B est {(3, 4), (4, 3)}.

4/15
1. Définitions A.ELBEKKALI

Définition 7 .
Deux événements A et B sont dits incompatibles lorsqu’ils sont disjoints, i.e. lorsque A ∩ B = ∅.

Remarque 3 .
Intuitivement, A et B sont incompatibles signifie que ils ne peuvent pas se produire simultanément.

Exemple 7 .

I Lorsqu’on lance un dé à 6 faces : les événements A = « obtenir un chiffre pair » et B = « obtenir un chiffre impair »
sont incompatibles.
I A et A sont toujours incompatibles.

Définition 8 (Système complet d’événement).

Une famille (A1 , A2 , . . . , An ) d’événements est appelée un système complet d’événements lorsque les conditions
suivantes sont vérifiées :
I ∀(i, j) ∈ J1, nK, Ai ∩ Aj = ∅ (les Ai sont deux à deux incompatibles) ;
I A1 ∪ A2 ∪ · · · ∪ An = Ω (les Ai sont complémentaires).

Exemple 8 .

I Soit A un événement. La famille (A, A) est un système complet d’événements de Ω.

I Soit Ω = {ω1 , . . . , ωn }. Alors la famille ({ω1 } , . . . , {ωn }) constituée des événements élémentaires est un système
complet d’événements de Ω.

Remarque 4 .
Intuitivement, un système complet d’événements correspond à une disjonction des cas, suivant le résultat de l’expé-
rience aléatoire.

Exemple 9 .
• On lance deux dés à 6 faces.
On définit les événements A = « obtenir deux chiffres pairs », B = « obtenir deux chiffres impairs » et C =
« obtenir un chiffre pair et un chiffre impair ».
Alors (A, B, C) est un système complet d’événements.
• Pour une succession de n tirages à pile ou face, les événements Ek : « la première apparition de face est au
k ème tirage » pour k = 1, . . . , n et l’événement F : « on ne tire jamais face » forment un système complet
d’événements.

5/15
2. Espace probabilisé A.ELBEKKALI

2. Espace probabilisé
2.1 Définition et propriétés d’une probabilité
Définition 9 (Probabilité).
Soit Ω un univers muni d’une tribu T . On appelle probabilité sur (Ω, T ) toute application P : T −→ [0, 1] vérifiant :
(i) P (Ω) = 1 ;
(ii) pour tous événements A et B incompatibles, on a P (A ∪ B) = P (A) + P (B) ;
+∞
!
[
(iii) pour toute suite (An )n∈N croissante d’événements, i.e. ∀n ∈ N, An ⊂ An+1 , on a P An = lim P (An ).
n→+∞
n=0
Le triplet (Ω, T , P ) s’appelle alors un espace probabilisé.

Proposition 1 (Propriétés d’une probabilité).

Soient (Ω, T , P ) un espace de probabilité et A, B deux événements. On a les propriétés suivantes :
(i) P (∅) = 0 ;
(ii) P (A) = 1 − P (A) ;
(iii) si A ⊂ B, alors P (A) 6 P (B) (on dit que P est croissante) et P (B \ A) = P (B) − P (A). ;
(iv) P (A ∪ B) = P (A) + P (B) − P (A ∩ B) ( formule de Poincaré) ;
(v) si A1 , . . . , An sont des événements deux à deux incompatibles, on a

P (A1 ∪ . . . ∪ An ) = P (A1 ) + · · · + P (An ).

En particulier, si (A1 , . . . , An ) est un système complet d’événements, on a

n
X
P (Ak ) = P (A1 ) + · · · + P (An ) = 1.
k=1

Preuve
(i) On a 1 = P (Ω) = P (Ω ∪ ∅) = P (Ω) + P (∅) = 1 + p(∅), d’où P (∅) = 0.
(ii) Puisque A et A sont incompatibles, alors P (A) + P (A) = P (A ∪ A) = P (Ω) = 1. Ainsi P (A) = 1 − P (A).
(iii) Supposons que A ⊂ B. Les événements A et B \ A sont incompatibles et A ∪ [B \ A] = B, alors

P (A) + P (B \ A) = P (A ∪ [B \ A]) = P (B),

puis P (B \ A) = P (B) − P (A).

Comme P (B) − P (A) = P (B \ A) > 0, alors P (A) 6 P (B).
(iv) Les événements A et B \ A sont incompatibles et A ∪ (B \ A) = A ∪ B, alors

P (A ∪ B) = P (A ∪ (B \ A))
= P (A) + P (B \ A) par définition d’une probabilité
= P (A) + P (B) − P (A ∩ B) d’après (iii).

(v) Par récurrence sur n.

6/15
2. Espace probabilisé A.ELBEKKALI

2.2 Construction de probabilités

Soit Ω = {ω1 , ω2 , . . . , ωn } un univers muni la tribu T = P(Ω).

Théorème 1 .
• Si P est une probabilité sur (Ω, P(Ω)), alors, en notant pi = P ({ωi }), on a :
(i) ∀i ∈ J1, nK, pi > 0 ;
Xn
(ii) pi = 1.
i=1
• Réciproquement, si (p1 , . . . , pn ) est une famille de réels vérifiant les conditions (i) et (ii), alors il existe une unique
probabilité sur (Ω, P(Ω)) telle que ∀i ∈ J1, nK, pi = P ({ωi }). De plus :
n
X
∀A ∈ P(Ω), P (A) = pi .
ωi ∈A

Exemple 10 .
On lance un dé à 6 faces : Ω = J1, 6K et T = P(Ω). On définit une probabilité P sur (Ω, T ) par :
1 1
p1 = p2 = p3 = et p4 = p5 = p6 =
12 4
ce qui modélise un dé truqué.
7
On a alors P ( « Chiffre pair ») = p2 + p4 + p6 = .
12

Définition 10 (Probabilité uniforme).

L’unique probabilité définie sur (Ω, P(Ω)) par :
1 1
p1 = p2 = · · · = pn = =
n Card(Ω)

est appelée probabilité uniforme sur (Ω, P(Ω)). Pour tout événement A, on a :

Card(A)
P (A) = .
Card(Ω)

Remarque 5 .
On utilise la probabilité uniforme chaque fois que toutes les issues d’une expérience aléatoire ont la même chance de
se produire. C’est le cas lorsque les choix se font au hasard, lorsque le dé n’est pas truqué ou encore lorsque la pièce
est équilibrée.

Exemple 11 .
On lance deux dés non pipés. Déterminons la probabilité d’obtenir au moins un dé pair ?
On a Ω = J1, 6K2 . Les dés étant non pipés, on utilise donc la probabilité uniforme.
Alors
Card A 3×6+3×6 3
P (A) = = = .
Card Ω 62 4

7/15
3. Probabilités conditionnelles A.ELBEKKALI

3. Probabilités conditionnelles
Dans tout ce paragraphe, on se place sur un espace probabilisé (Ω, T , P ).

3.1 Définition
Définition 11 (Probabilité conditionnelle).
Soit B un événement de probabilité non nulle. Pour tout événement A, on appelle probabilité conditionnelle de
A sachant B le nombre, noté P (A | B) (ou PB (A)), défini par

P (A ∩ B)
P (A | B) = .
P (B)

Exemple 12 .
On lance un dé équilibré : Ω = J1, 6K.
On considère les événements A = « on obtient 6 » et B = « le tirage est pair ».
On a
1/6 1 0
P (A | B) = = et P (A | B) = = 0.
1/2 3 1/3

Proposition 2 .
Soit B un événement de probabilité non nulle. Alors l’application

PB : T −→ [0, 1]
A 7−→ P (A | B)

est une probabilité sur (Ω, T ) appelée probabilité conditionnelle sachant B.

3.2 Formule de probabilités composées

Proposition 3 (Formule de conditionnement).
Soient A et B deux événements tels que P (A) 6= 0. On a la formule de conditionnement suivante :

P (A ∩ B) = P (A)P (B | A) = P (A)PA (B).

Preuve
Il découle immédiatement de la définition de P (B | A).

Remarque 6 .

• La formule de conditionnement permet de déterminer la probabilité que A et B se réalisent simultanément en

envisageant d’abord la réalisation de A puis celle de B sachant que A s’est déjà réalisé.
• On utilise donc cette formule lorsqu’il existe un lien de cause à effet entre l’événement A (la cause) et l’événement
B (la conséquence).

8/15
3. Probabilités conditionnelles A.ELBEKKALI

Exemple 13 .
On considère une urne contenant 5 boules blanches et 4 boules rouges indiscernables au toucher.
On tire 2 boules successivement et sans remise.
Quelle est la probabilité pour que la première boule tirée soit blanche et que la deuxième boule tirée soit rouge ?
Notons B1 l’événement « la première boule tirée est blanche » et R2 l’événement « la deuxième boule tirée est rouge ».
Il s’agit donc de calculer P (B1 ∩ R2 ).
Puisque l’événement R2 dépend du résultat du premier tirage, donc, pour calculer P (B1 ∩ R2 ), on utilise la formule
de conditionnement en conditionnant par B1 :

P (B1 ∩ R2 ) = P (B1 )P (R2 /B1 )

5
I Clairement, on a P (B1 ) = .
9
I Maintenant, si B1 est réalisé, avant le deuxième tirage, l’urne est constituée de 4 boules blanches et 4 boules
4
rouges. On a donc, P (R2 | B1 ) = .
8
5 1 5
Finalement : P (B1 ∩ R2 ) = P (B1 )P (R2 | B1 ) = × = .
9 2 18

Théorème 2 (Formule des probabilités composées).

Soient n > et A1 . . . , An des événements tels que P (A1 ∩ · · · ∩ An−1 ) 6= 0. On a la formule des probabilités
composées :

P (A1 ∩ . . . ∩ An ) = P (A1 ) × P (A2 | A1 ) × P (A3 | A1 ∩ A2 ) × · · · × P (An | A1 ∩ . . . ∩ An−1 ).

Preuve
On raisonne par récurrence sur n.
Pour n = 2 : d’après la formule de conditionnement, on a P (A1 ∩ A2 ) = P (A1 ) × P (A2 | A1 ).
Soit n > 2 un entier. Supposons que la formule est vraie pour n et montrons qu’elle vraie pour n + 1.
En appliquant la formule de conditionnement avec A = An+1 et B = A1 ∩ . . . ∩ An , on trouve, ,

P (A1 ∩ . . . ∩ An+1 ) = P (A1 ∩ . . . ∩ An ) × P (An+1 | A1 ∩ . . . ∩ An )

En appliquant l’hypothèse de récurrence à P (A1 ∩ . . . ∩ An ), on obtient

P (A1 ∩ . . . ∩ An+1 ) = P (A1 ) × P (A2 | A1 ) × P (A3 | A1 ∩ A2 ) × · · · × P (An | A1 ∩ . . . ∩ An−1 ) × P (An+1 | A1 ∩ . . . ∩ An ).

Exemple 14 .
Une urne contient initialement 7 boules noires et 3 boules blanches. On tire successivement 3 boules : si on tire une
boule noire, on la retire de l’urne ; si on tire une boule blanche, on la retire de l’urne et on ajoute une boule noire
à la place. On considère raisonnablement que chaque boule de l’urne a la même probabilité d’être tirée. Quelle est
la probabilité de tirer 3 boules blanches à la suite ? On note Bi l’événement « La ième boule tirée est blanche ». La
probabilité recherchée est P (B1 ∩ B2 ∩ B3 ).
3
I Clairement, on a P (B1 ) = .
10
I Maintenant, si B1 est réalisé, avant le 2ème tirage, l’urne est constituée de 8 boules noires et 2 boules blanches.
2
On a donc, P (B2 | B1 ) = .
10
I Si B1 et B2 sont réalisés, avant le 3éme tirage, l’urne est constituée de 9 boules noires et 1 blanche. On en
1
déduit P (B3 | B1 ∩ B2 ) = .
10

9/15
3. Probabilités conditionnelles A.ELBEKKALI

3 2 1 3
Finalement : P (B1 ∩ B2 ∩ B3 ) = P (B1 )P (B2 | B1 )P (B3 | B2 ∩ B1 ) = × × = .
10 10 10 500

Remarque 7 (Important).
La formule de probabilités composées est très utile lorsque A1 , . . . , An représentent des événements chronologiques,
dépendants les uns des autres.

3.3 Formule des probabilités totales

Théorème 3 (Formule des probabilités totales).
Soient (A1 , . . . , An ) un système complet d’événements et B un événement. Si tous les événements A1 , . . . , An sont
de probabilités non nulles, on a la formule des probabilités totales :
n
X
P (B) = P (Ak )P (B | Ak ).
k=1

Preuve
On a,
n n
!
[ [
B =B∩Ω=B∩ Ak = (B ∩ Ak ).
k=1 k=1

Les événements B ∩ Ai étant deux à deux incompatibles, donc

n
X
P (B) = P (B ∩ Ak ).
k=1

Enfin, par la formule de conditionnement,

n
X
P (B) = P (Ak )P (B | Ak ).
k=1

Exemple 15 .
La famille (A, A) étant un système complet d’événement, donc

P (B) = P (A)P (B | A) + P (A)P (B | A).

Remarque 8 (Important).
La formule des probabilités totales est très utile lorsqu’on effectue une expérience aléatoire en plusieurs étapes. Elle
permet de raisonner par disjonction des cas, suivant le résultat de la première étape.

Exemple 16 .
Dans une classe de 32 étudiants — 10 filles et 22 garçons — le professeur de mathématiques se propose de désigner
brutalement deux délégués provisoires. Il prend une liste de ses étudiants, ferme les yeux et pointe au hasard un
premier nom avec la pointe de son stylo, puis de même un deuxième. Avec quelle probabilité le deuxième nom tiré
est-il celui d’un garçon ?
On voit que cette expérience aléatoire s’effectue en deux étapes :

10/15
3. Probabilités conditionnelles A.ELBEKKALI

I première étape : le premier nom pointé par le professeur ;

I deuxième étape : le deuxième nom pointé par le professeur.
Dans la première étape, on peut distinguer deux cas : le professeur pointe le nom d’un garçon ou bien celui d’une
fille.
Notons donc G1 (resp. G2 ) l’événement « Le premier (resp. deuxième) nom tiré est celui d’un garçon ». Il s’agit de
calculer P (G2 ). On a :
22 10 21 22
P (G1 ) = , P (G1 ) = , P (G2 | G1 ) = et P (G2 | G1 ) = .
32 32 31 31
Comme G1 et G1 forment un système complet d’événements, d’après la formule des probabilités totales :
22 21 10 22
P (G2 ) = P (G1 )P (G2 | G1 ) + P (G1 )P (G2 | G1 ) = × + × .
32 31 32 31

3.4 Formule de Bayes

Théorème 4 (Formule de Bayes).
Soient A et B sont deux événements de probabilités non nulles. Alors :

P (A)P (B | A)
P (A/B) = .
P (B)

Preuve
C’est immédiat puisque : P (A | B)P (B) = P (A ∩ B) = P (B | A)P (A).
Remarque 9 .

• Dans la formule de Bayes, le dénominateur P (B) se calcule en utilisant la formule des proba totales.
• On observe que la formule de Bayes permet d’avoir une « inversion » de conditionnement : le calcul de P (A | B)
passe par celui des P (B | A).

Exemple 17 .
On considère une urne composée de 4 boules blanches et 3 boules rouges.
On effectue 2 tirages successifs d’une boule sans remise.
Quelle est la probabilité que la première boulé tirée soit rouge sachant que la deuxième boule tirée est blanche ?
Pour k = 1 et 2, on pose Bk = « le k-ième tirage donne une boule blanche », et on définit de même l’événement Rk .
Il s’agit donc de calculer P (R1 | B2 ).
On voit que l’expérience s’effectue en deux étapes et que le calcul de la probabilité P (B2 | R1 ) est facile par rapport
à P (R1 | B2 ). Donc, d’après la formule de Bayes, on a :

P (R1 )P (B2 /R1 )

P (R1 /B2 ) =
P (B2 )
On a,
3 4 2
P (R1 ) = et P (B2 | R1 ) = =
7 6 3
et d’après la formules des probas totales,
4 3 3 4 12
P (B2 ) = P (B1 )P (B2 | B1 ) + P (R1 )P (B2 | R1 ) = × + × =
7 6 7 6 21

11/15
4. Indépendance A.ELBEKKALI

1
Finalement : P (R1 | B2 ) =
2

Exemple 18 .
On considère une urne A contenant deux boules rouges et trois boules vertes et une urne B contenant trois boules
rouges et deux boules vertes. On tire au hasard une boule dans l’urne A que l’on place dans l’urne B. On tire ensuite
une boule dans l’urne B. Quelle est la probabilité que la boulé tirée dans l’urne A soit verte sachant que la boule tirée
dans l’urne B est rouge ?
On notera AV , AR, BV , BR les événements « la boule tirée dans l’urne A est verte », etc. Il s’agit donc de
calculer P (AV | BR). On voit que l’expérience s’effectue en deux étapes et que le calcul de la probabilité P (BR | AV )
est facile par rapport à P (AV | BR). Donc, d’après la formule de Bayes,

P (AV )P (BR | AV )
P (AV | BR) = .
P (BR)

On a aussi
3 3
P (AV ) = et P (BR | AV ) = .
5 6
et d’après la formules des probas totales,
3 3 2 4
P (BV ) = P (AV )P (BR | AV ) + P (AR)P (BR | AR) = × + × .
5 6 5 6
9
Finalement P (AV | BR) = .
17

4. Indépendance
Dans tout ce paragraphe, on se place sur un espace probabilisé (Ω, T , P ).

4.1 Indépendance de deux événements

Définition 12 (Événements indépendants).
On dit que deux événements A et B sont indépendants si P (A ∩ B) = P (A)P (B).

Remarque 10 .
Si P (B) 6= 0, on a alors
P (A | B) = P (A).
L’indépendance des événements A et B entraı̂ne que la connaissance de la réalisation de B n’apporte rien pour savoir
si A est aussi réalisé.

Exemple 19 .
Une urne contient 3 boules blanches et 4 boules noires. On tire successivement deux boules avec remise. On s’intéresse
aux événements suivants :
I B1 : « la première boule tirée est blanche » ;
I B2 : « la seconde boule tirée est blanche ».
Les événements B1 et B2 sont indépendants.
On effectue la même expérience mais sans remise. Les événements B1 et B2 ne sont pas indépendants.

12/15
4. Indépendance A.ELBEKKALI

Remarque 11 .
En pratique, nous verrons que l’indépendance ne se démontre pas, mais fait des hypothèses de modélisation. Elle
permet de simplifier les calculs.

4.2 Indépendance mutuelle

Définition 13 .
Soient A1 , A2 , . . . , An des événements. On dit que
I A1 , A2 , . . . , An sont deux à deux indépendants lorsque :

∀(i, j) ∈ J1, nK2 , i 6= j =⇒ Ai et Aj sont indépendants;

I A1 , . . . , An sont mutuellement indépendants lorsque, pour toute sous famille (Ai1 , . . . , Aik ), on a

P (Ai1 ∩ · · · ∩ Aik ) = P (Ai1 ) × · · · × P (Aik ).

Exemple 20 .
Les événements A, B, C sont mutuellement indépendants lorsque P (A ∩ B) = P (A)P (B), P (B ∩ C) = P (B)P (C),
P (C ∩ A) = P (C)P (A) et P (A ∩ B ∩ C) = P (A)P (B)P (C).

Remarque 12 .
Si les événements A1 , . . . , An sont mutuellement indépendants, alors ils sont deux à deux indépendants. Cependant,
la réciproque est fausse.

Exemple 21 .
On lance deux dés discernables et on s’intéresse aux résultats affichés par ces deux dés. On note
I A1 l’événement « le résultat du dé n◦ 1 est pair » ;
I A2 l’événement« le résultat du dé n◦ 2 est pair » ;
I A3 l’événement« la somme des résultats des deux dés est impaire » ;
On a
1
I P (A1 ) = P (A2 ) = P (A3 ) =
2
1
I P (A1 ∩ A2 ) = P (A1 ∩ A3 ) = P (A2 ∩ A3 ) =
4
ce qui prouve que les événements A1 , A2 et A3 sont deux à deux indépendants.
Cependant P (A1 ∩ A2 ∩ A3 ) = 0 6= P (A1 )P (A2 )P (A3 ), ce qui prouve que les événements A1 , A2 et A3 ne sont pas
mutuellement indépendants.

Remarque 13 .
En pratique, l’hypothèse d’indépendance mutuelle fera partie des hypothèses de modélisation. Elle ne sera pas
démontrée.

Exemple 22 .
On effectue n tirages mutuellement indépendants d’une pièce. À chaque tirage, la probabilité de faire pile vaut
p ∈ ]0, 1[.
Calculons la probabilité d’avoir le premier face au dernier tirage.
Notons A l’événement « le premier face apparaı̂t au dernier tirage » et Ai l’événement « pile sort au i-ème tirage »
de sorte que
A = A1 ∩ A2 ∩ · · · ∩ An−1 ∩ An .

13/15
4. Indépendance A.ELBEKKALI

Comme A1 , A2 , . . . , An−1 , An sont mutuellement indépendants, on a

P (A) = P (A1 ) · · · P (An−1 )P (An ) = pn−1 (1 − p).

14/15
 INDEX

événements élémentaires, 4
événements indépendants, 12

expérience aléatoire, 3

formule de conditionnement, 8
formule des probabilités composées, 9
formule des probabilités totales, 10

probabilité, 6
probabilité conditionnelle, 8
probabilité uniforme, 7

système complet d’événement, 5

tribu, 4

univers , 3

15/15