Académique Documents
Professionnel Documents
Culture Documents
2022-2023
Exemples 1. 1. L’ensemble PpΩq des parties de Ω est une tribu dite tribu discrète. i
2. A “ tH, Ωu est une tribu sur Ω dite grossière).
3. Soient A “ 2N, B “ t2k ` 1{k P Nu. L’ensemble A “ tH, A, B, Nu est une tribu sur N.
Ş
2. @pAi qiPN P AN , iPN Ai P A
3. @A, B P A, AzB P A
Définition 2. Soit T un ensemble de parties de Ω. La tribu engendrée par T est la plus petite tribu
contenant T .
Exemple 1. Soit Ω “ t1, 2, ..., nu, n P N˚ . On définit une probabilité P sur PpΩq en posant pour A P PpΩq,
P pAq “ cardA
cardΩ
.
Réponse. A “ tt1u, t2, 3uu, t1, 2, 3u, E, t∅u, t2, 3, 4, 5u, t1, 4, 5u, t4, 5uu
Exemple 2. (Modèle uniforme.) Soit Ω un ensemble fini non vide, muni de la tribu discrète PpΩq. On
définit la probabilité uniforme P sur pΩ, PpΩqq par @A P PpΩq, P pAq “ CardA
CardΩ
. La probabilité uniforme
est utilisée dans des modèles équiprobables. On intérprète alors CardA comme étant le nombre de cas
favorables, et CardΩ comme étant le nombre de cas possibles.
P pA Y Bq “ P pA Y pB ´ A X Bqq
8
ď 8
ď
An “ Bn .
n“0 n“0
Les Bn sont deux à deux disjointes, car sinon il existe D, n ă m tel que Bn X Bm ‰ H. On
Ť considère
x P Bn X Bm . Le fait que x P Bn entraîne x P An et le fait que x P Bm entraîne que x R 0ďiďm´1 Ai
donc pour tout i ď m ´ 1, x R Ai en particulier x R An c’est absurde.
On peut donc écrire : P p 8
Ť Ť8 ř ř
n“0 An q “ P p n“0 Bn q “ nPN P pBn q ď nPN P pAn q.
Réponse. Les lancers sont indépendant donc on obtient P pAn q “ 21n et par suite limnÑ8 P pAn q “ 0.
La suite d’événements pAn qn est décroissante, donc P p `8
Ş
k“1 Ak q “ limnÑ8 P pAn q “ 0.
Dans toute la suite de ce cours, on désigne par pΩ, A, P q un espace probabilisé.
Théorème 1. (Principe de Coalition) Soit A1 , ...Ap , B1 , ..., Bq , ..., C1 , ..., CR une famille d’événements mu-
tuellement indépendants. Si ga , gb , ..., gc sont des fonctions booléennes( càd des fonctions construites à
l’aide d’une succession d’intersections, de réunions et de complémentaires), alors toute famille de la forme
ga pA1 , ..., Ap q, gb pB1 , ..., Bq q, ..., gc pC1 , ..., Cr q, est une famille d’événements indépendants.
Remarque 1. Deux événements A, B P A sont indépendants si et seulement si P pA X Bq “ P pAqP pBq.
Exercice 3. Soit A et B deux événement indépendants dans pΩ, A, P q.
1. Montrer que A et B̄ sont indépendants.
2. En déduire que Ā et B̄ spnt indépendants.
3. Soit pAi qiPI une famille d’événements mutuellement indépendants. On note Bi l’un des événements
Ai , Āi . Montrer que pBi qiPI est une famille d’événements mutuellement indépendants.
Réponse. Il suffit d’appliquer le principe de coalition.
P pAXBq
Définition 5. Soit B P A tel que P pBq ‰ 0, l’expression PB pAq “ P pBq
est appelée pprobabilité condi-
tionnelle sachant B.
Proposition 3. Pour tout B P A tel que P pBq ‰ 0, l’application PB est une probabilité.
Remarque 2. Soit A, B des événements tels que P pBq ą 0. Les événements A et B sont indépendants si
et seulement si P pA|Bq “ P pAq.
Proposition 4. ( Loi des probabilités composées) Soit A1 , ..., An P A, n P N ´ t0u tel que
alors
P pA1 X ... X An q “ P pA1 qPA1 pA2 qPA1XA2 pA3 q...PA1 X...XAn´1 pAn q.
Exemple 3. Soit n un entier ą 1. On considère une urne contenant n ´ 1 boules blanche et une seule
rouge. On tire successivement et sans remise une boule de l’urne.
Pour 1 ď k ď n, on note Ek l’événement : " au k-ème tirage on tire la boule rouge". Calculer P pEk q.
Réponse Soit Ri l’événement : "la i-ème boule tirée est rouge". On a
Ek “ R1 X R2 X ... X Rk´1 X Rk
et donc
P pEk q “ P pR1 qPR1 pR2 q...PR1 XR2 X...XRk´1 pRk q
d’où
n´1n´2 n´k`1 1 1
P pEk q “ ... “ .
n n´1 n´k`2n´k`1 n
Définition 6. Un système complet d’événements est une famille pAi qiPI d’éléments de A vérifiant :
1. Pour tout i, j P I distincts, les événements Ai et Aj sont incompatibles,
Ť
2. Ω “ iPI Ai .
˜ ¸
ď
Remarque 3. Dans cette définition on peut remplacer la troisième propriété par l’égalité : P Ai “ 1.
iPI
Si une famille pAi qiPI d’éléments de A est un système complet d’événements alors I est nécessairement
fini ou dénombrable.
Dans toute la suite, lorsqu’on parle de système complet d’événements, on suppose que l’ensemble d’indices
est au plus dénombrable.
Proposition 5. (Probabilités totales) Soit pΩ, A, P q espace probabilisé, et pAi qiPI un système complet
d’événements, alors @A P A,
ÿ ÿ
P pAq “ P pAi X Aq “ P pA|Ai qP pAi q.
iPI iPI
Remarque
Exercice 4. On dispose de 100 objets de type A et 300 objets de type B. Ces objets forment un lot
indiscernable.
Parmi les objets de type A, il y’en a 6 défectueux, et parmi les objets le type B, il y’en a10 qui sont
défectueux.
1. On choisit de manière aléatoire un object parmi les 2 lots, qu’elle est la probabilité qu’il soit défec-
tueux ?
2. On choisit un objet défectueux, quelle est la probabilité qu’il soit de type A ?
Réponse. On note A l’événement choisir un objet de type A, B l’événement choisir un objet de type B,
et D l’événement choisir un objet défectueux.
100
1. On a d’après les données P pAq “ 400 “ 14 , P pBq “ 300
400
“ 34 , PA pDq “ 6
100
“ 3
50
et PB pDq “ 10
300
“ 1
30
,
donc d’après la loi des probabilités totales :
1 3 3 1 1
P pDq “ P pAqPA pDq ` P pBqPB pDq “ ` “ .
4 50 4 30 25
2. Dans cette question, on demande de calculer PD pAq.
On a
3 1
P pA X Dq PA pDqP pAq 50 4 3
PD pAq “ “ “ 1 “ .
P pDq P pDq 25
8
Dans une région, la probabilité qu’il pleuve un jour donné est de 60% en hiver, 40% au printemps, 10%
l’été et 30% l’automne. Un jour où il pleut, quelle est la probabilité que ce soit un jour d’été ?
On suppose que le nombre de jours de chacune des saisons est le même.
Réponse. On considàšre les événements suivants :
H : "on est en un jour d’hiver",
E : "on est en un jour d’été",
P : "on est en un jour de printemps",
A : "on est en un jour d’automne", et finalement L est l’événement, " on est en un jour où il pleut.On
cherche PL pEq.
On a P pHq “ P pEq “ P pAq “ P pP q “ 41 , et PH pLq “ 0, 6, PA pLq “ 0, 3, PE pLq “ 0, 1, PP pLq “ 0, 4
Par ailleurs, la famille pH, P, A, Eq est un système complet d’événements, donc d’après la loi des probabilités
totales :
1
P pLq “ PH pLqP pHq ` PA pLqP pAq ` PE pLqP pEq ` PP pLqP pP q “ r0, 6 ` 0, 4 ` 0, 1 ` 0, 3s “ 0, 35.
4
Ainsi
P pE X Lq PE pLqP pEq
PL pEq “ “ “ 0, 14.
P pLq P pLq
Exercice 5. Trois tireurs A, B, C s’entretuent jusqu’a ce qu’il reste au plus un tireur. On suppose :
A atteint sa cible avec une probabilité 23 ,
B atteint sa cible avec une probabilité 12 ,
C atteint sa cible avec une probabilité 13 .
A chaque étape, chacun des tireurs vise le plus fort de ses rivaux.
On considère les événements suivants :
An : A est le seul survivant à l’issue de la n-ème épreuve,
Bn : B est le seul survivant à l’issue de l’épreuve
Cn : C est le seul survivant à l’issue de la n-ème épreuve,
ABn : les seuls survivant à l’issue de de la n-ème épreuve sont A, B,
ACn : les seuls survivant à l’issue de de la n-ème épreuve sont A, C,
BCn : les seuls survivant à l’issue de de la n-ème épreuve sont B, C,
ABCn : les seuls survivant à l’issue de de la n-ème épreuve sont A, B et C.
Calculer la probabilité de chacun de ces événements.
Réponse.
1. Remarquons d’abord que, tant que les trois joueurs sont survivants, le joueur C n’est pas visé et
donc ABn est un événement quasi impossible et donc @n ě 1, P pABn q “ 0
2. Calculons P pABCn q. Remarquons que la présence des trois joueurs au n+1-ème tire suppose qu’ils
survivent à l’issu du n-ème, et donc : ABCn`1 Ă ABCn , par suite :
3. Calculons P pACn q. Remarquons que la présence des joueurs A et Bau n+1-ème tire suppose qu’ils
survivent à l’issu du n-ème, et donc par la loi des probabilités totales on obtient :
2 2
P pACn`1 q “ P pACn q ` P pABCn q.
9 9
Proposition 6. (Formule de Bayes) Soit pΩ, A, P q espace probabilisé, et pAi qiPI un système complet d’évé-
nements, alors @A P A, tel que P pAq ą 0, alors pour tout j P I on a
P pA|Aj qP pAj q
P pAj |Aq “ ř .
iPI P pA|Ai qP pAi q
P pB|Aq
P pA|Bq “
P pB|AqP pAq ` P pB|ĀqP pĀq
Exercice 6. On considère deux urnes U1 , U2 . Chaque urne Ui contient ni boules noires et bi boules blanches.
On choisit une urne et on en tire une boule.
1. Quelle est la probabilité de tirer une boule noire ?
2. On tire une boule noire, qu’elle est la probabilité qu’elle provienne de l’urne U1 ?
Réponse. Désignons par Ui l’événement : " choisir l’urne Ui ", et N l’événement : "choisir une boule noire".
1. Les événements U1 , U2 forment un système complet d’événements, donc par la formule des proba-
bilités totales,
ˆ ˙
1 n1 n2
P pN q “ P pN |U1 qP pU1 q ` P pN |U2 qP pU2 q “ ` .
2 n 1 ` b1 n 2 ` b2
2. On demande dans cette question de calculer P pU1 |N q. La réponse à cette question utilise la formule
de Bayes, en effet :
n1
P pN |U1 qP pU1 q n1 `b1
P pU1 |N q “ n1 n2 .
P pN |U1 qP pU1 q ` P pN |U2 qP pU2 q n1 `b1
` n2 `b2
0.3 Généralités sur les variables aléatoires réelles
Définition 7. Une variable aléatoire réelle sur un espace probabilisé pΩ, A, P q, est une application X :
Ω ÞÝÑ R tq @I intervalle de R, X ´1 pIq P A.
Exercice
pΩ, A, P q espace probabilsé, B P A
1B : Ω ÞÝÑ A
"
1, si ω P B
ω ÞÝÑ
0, si ω R B
Si 0 ď a ă 1
X ´1 ps ´ 8, asq “ tω P Ω{XpΩq P s ´ 8, as{Xpωq “ 1B pωqu
“ tω P B{1B pωq P s ´ 8, asu Y tω P B{1B pωq P s8, asu
“BPA
Si a ě 1
X ´1 ps ´ 8, asq “ Ω P A
Exercice
On considàšre un parc de 100 machines. On suppose que le taux de pannes d’une machine est p P s0, 1r.
X la variable aléatoire(sur un espace probabilisé Ω) égale au nombre de machines en panne.
Déterminer XpΩq.
Définition 8. Soit X une variable aléatoire réelle, la fonction de répartition de X est FX pxq “ P pX ď xq.
Dans toute la suite, sauf mention du contraire, X désigne une variable aléatoire réelle définie sur un espace
probabilisé pΩ, A, P q.
Notations : Soit a, b P R, A un événement de R :
— rX P As est l’événement tω P Ω{Xpωq P Au ;
— rX ď bs est l’événement tω P Ω{Xpωq ď bu ;
— ra ď Xs est l’événement tω P Ω{a ď Xpωqu ;
— ra ď X ď bs est l’événement tω P Ω{a ď Xpωq ď bu ;
— rX “ as est l’événement tω P Ω{Xpωq “ au ;
Nous définissons de même des événements analogues avec des inégalités strictes.
Remarques. Dans le cas où X est à valeurs dans N, on peut remarquer que pour tout n P N :
— rX “ ns “ rX ď ns ´ rX ď n ´ 1s ;
— rX “ ns “ rX ě ns ´ rX ě n ` 1s ;
— rX “ ns “ rX ă n ` 1s ´ rX ă ns ;
n
ď
— rX ď ns “ rX “ ks ;
k“0
`8
ď
— rX ě ns “ rX “ ks “ rX ă ns ;
k“n
Proposition 8. Si f est une fonction continue par morceaux sur R, alors f pXq est une variable aléatoire.
Si X1 , ..., Xn sont des variables aléatoires et f est une fonction définie sur Rn à valeurs réelles continue
par morceaux par rapport à chaque variable, alors
f pX1 , ..., Xn q
est une variable aléatoire.
En particulier : maxpX1 , ..., Xn q et minpX1 , ..., Xn q sont des variables aléatoires.
Remarque 4. Soit X une variable aléatoire réelle de fonction de répartition FX . Alors pour tout a, b P R
tels que a ď b, on a
1. P pX ą aq “ 1 ´ FX paq ;
2. P pa ă X ď bq “ FX pbq ´ FX paq.
Définition 10. Soit pX, Y q un couple de variables aléatoires réelles. La fonction de répartition de ce couple
est définie par :
FX,Y px, yq “ P prX ď xs X rY ď ysq.
Proposition 10. Soit X et Y des variables aléatoires réelles. X et Y sont indépendantes si et seulement
si
@x, y P R, FX,Y px, yq “ FX pxqFY pyq.