CPGE Ibn Ghazi, 2ème année ECG

2022-2023

Chapitre 6 : Première partie

Espaces probabilisés
Dans ce chapitre, Ω désigne un ensemble non vide.

0.1 Vocabulaire des probabilités

Définition 1. Une tribu sur Ω est un ensemble A de parties de Ω tel que
1. Ω P A
2. @A P A, Ω ´ A P A
Ť
3. @I Ă N @pAi qiPI P AI , iPI Ai P A

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.

Proposition 1. Soit A une tribu sur Ω, alors :

1. H P A

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 .

Définition 3. Soit A une tribu sur Ω.

Une probabilité sur Ω est une application P : A ÞÝÑ r0, 1s telle que :
1. P pΩq “ 1
Ť ř
2. @pAi qiPIĂN famille d’éléments deux à deux disjoints de A, P p iPI Ai q “ iPI P pAi q.

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
.

Exercice 1. Soit E “ t1, 2, 3, 4, 5u

Déterminer la tribu engendrée par T “ tt1u, t2, 3uu.

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.

Proposition 2. pΩ, A, P q un espace probabilisé. On a :

1. P p∅q “ 0
2. @A P A, P pAc q “ 1 ´ P pAq
3. @A, B P A tq A Ă B, P pB ´ Aq “ P pBq ´ P pAq
4. @A, B P A, P pB ´ Aq “ P pBq ´ P pA X Bq
 5. @A, B P A, A Ă B ñ P pAq ď P pBq
6. @A, B P A, P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq
Ť ř
7. Soit pAn qnPN une famille d’éléments de A, P p nPN An q ď nPN P pAn q
ď
8. Soit pAn qnPN une suite croissante d’éléments de A, P p An q “ lim P pAn q
nÑ`8
nPN
Ş
9. Soit pAn qnPN une suite décroissante d’éléments de A, P p nPN An q “ limnÑ`8 P pAn q

Démonstration. 1. On a P pH Y Hq “ P pHq ` P pHq donc P pHq “ 2P pHq par conséquent P pHq “ 0.

2. On a
P pA Y Ac q “ P pΩq “ 1, etA X Ac “ H

donc P pAq ` P pAc q “ 1, d’où P pAc q “ 1 ´ P pAq.

3. On a A Ă B donc B “ A Y pB ´ Aq avec A X pB ´ Aq “ H d’où P pBq “ P pAq ` P pB ´ Aq ce qui
prouve l’égalité souhaitée.
4. On a B ´ A “ B ´ pA X Bq donc P pB ´ Aq “ P pB ´ pA X Bqq “ P pBq ´ P pA X Bq car A X B Ă B.
5. Supposons A Ă B. On a
P pBq ´ P pAq “ P pB ´ Aq ě 0

donc P pAq ď P pBq

6. Remarquons que A Y B “ A Y pB ´ A X Bq, et A X pB ´ A X Bq “ H donc

P pA Y Bq “ P pA Y pB ´ A X Bqq

d’où P pAYBq “ P pAq`P pB ´AXBq. D’autre part l’inclusion B ´A Ă B entraîne ;P pB ´AXBq “

P pBq ´ P pB ´ Aq d’où
P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq.
Ťn´1
7. Considérons la suite pBn qn définie par B0 “ A0 et pour n ě 1, Bn “ An ´ p i“0 Ai q.
Pour tout n P N, Bn Ă An ce qui entraîne l’inclusion :
8
ď 8
ď
Bn “ An .
n“0 n“0

D’autre part, pour tout x P 8

Ť
n“0 An , il existe n P N tel que x P An , on peut donc considérer k le
plus petit entier tq x P Ak .
Ť Ť
Si k “ 0, alors x P A0 “ B0 Ă nPN Bn , sinon k ě 1 et x R 0ďiďk´1 Ai
et donc x P Ak ´ k´1
Ť
i“0 Ai “ Bk par suite

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.

8. Considérons la suite pBn qn définie par B0 “ A0 et pour n ě 1, Bn “ An ´ An´1 . On montre comme

dans 7. que, pour tout n P N, Bn Ă An et que
8
ď 8
ď
Bn “ An .
n“0 n“0
 et qu’on a pour tout entiers distincts n, m, Bn X Bm “ ∅. On obtient alors
Ť Ť
P p nPN An q “ P p nPN Bn q
ÿ8
“ P pBn q
n“0
ÿ8
“ P pAn ´ An´1 q ` P pA0 q
n“1
ÿ8
“ P pAn q ´ P pAn´1 q ` P pA0 q
n“1
8
ÿ
“ lim P pAk q ´ P pAk´1 q ` P pA0 q
nÑ8
k“1
“ lim P pAn q.
nÑ8

9. Il suffit de passes au complémentaires dans l’égalité précédente.

Vocabulaire : Le triplet pΩ, A, P q est appelé espace probabilisé.

Ω est l’univers.
Les éléments de A s’appellent des événements.
Les éléments de Ω s’appellent éventualités.
Si A X B “ ∅, on dira que A et B sont incompatibles.
Si A est événement, l’événement E ´ A est l’événement contraire de A.
Ω est l’événement certain (ou sûre). ∅ est l’événement impossible.
Si A P A vérifie, P pAq “ 1, alors A est dit presque certain ou quasi-certain.
Une propriété est dite réalisée presque sûrement (on écrit souvent : p.s) lorsque l’ensemble des éventualité
qui réalisent cette propriété est presque certain.
Si P pAq “ 0 alors A est dit quasi-impossible ou presque impossible ou négligeable.
Exercice 2. Dans un jeu de pile ou face avec une pièce équilibrée, pour tout entier naturel >0, on désigne
par AŞn l’événement : "On n’obtient aucun pile au cours des n premiers lancers." Calculer P pAn q, limnÑ8 P pAn q
et P p `8
k“1 Ak 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.

0.2 Opérations sur les événements

Définition 4. Soit I un ensemble non vide, fini ou dénombrable, et pAk qkPI une famille d’éléments de A.
On dit que pAk qkPI est une famille d’événements mutuellement indépendants, si pour toute partie finie J
de I, on a : ˜ ¸
č ź
P Ai “ P pAi q.
iPJ iPJ

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.

Démonstration. On a d’abord, PB pΩq “ P pΩXBq

ppBq
“ 1 et si pAn qn P I est une famille au plus dénombrable
d’événements deux à deux distincts, alors
˜ ¸ Ť
ď P p nPI An X Bq ÿ P pAn X Bq ÿ
PB An “ “ “ PB pAn q.
nPI
P pBq nPI
P pBq nPI

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

P pA1 X ... X An´1 q ‰ 0,

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 :

P pABCn`1 q “ P pABCn`1 |ABCn qP pABCn q

d’autre part l’événement ABCn`1 sachant ABCn est réalisé si et seulement si les trois joueurs ratent
leur tir, donc
1
P pABCn`1 |ABCn q “ P pĀ X B̄ X C̄q “ P pĀqP B̄qP pC̄q “ ,
9
on obtient donc
1
P pABCn`1 q “ P pABCn q,
9
1
avec P pABC1 q “ 9 et donc pour tout n P N , P pABCn q “ 91n .
˚

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 :

P pACn`1 q “ P pACn`1 |ACn qP pACn q ` P pACn`1 |ABCn qP pABCn q.

D’autre part l’événement ACn`1 sachant ACn est réalisé si et seulement si les deux joueurs A et C
ratent leur tir, donc
2
P pACn`1 |ACn q “ P pĀ X C̄q “ P pĀqP pC̄q “ ,
9
et de même ACn`1 sachant ABCn est réalisé si et seulement si les deux joueurs B et C ratent leur
tirs et A réussit (pour éliminer B), donc P pACn`1 |ABCn q “ P pAqP B̄qP pC̄q “ 29 on obtient donc :

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

En particulier si A, B sont des événements tels que 0 ă P pAq, P pBq ă 1 alors

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

Montrer que 1B est une variable aléatoire réelle.

Rép : soit a P R
si a ă 0
X ´1 ps ´ 8, asq “ ∅ P A

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.

Proposition 7. Soit X une variable aléatoire réelle.

1. FX est croissante.
2. limxÞÝÑ´8 FX pxq “ 0
3. limxÞÝÑ`8 FX pxq “ 1
4. FX continue à droite.

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.

0.4 Variables aléatoires indépendantes

Définition 9. Une famille quelconque de variables aléatoires Xi , i P I sur un espace probabilité pΩ, A, P q
et à valeurs réelle, est mutuellement indépendante si : pour tout J Ă I fini et toute famille Bj , j P J
d’intervalles de R, č ź
P p Xj P Bj q “ P pXj P Bj q.
jPJ jPJ

En particulier, deux variables X, Y sont indépendantes ssi, pour tout intervalles I, J de R,

P pX1 P I, X2 P Jq “ P pX1 P IqP pX2 P Jq.
Proposition 9 (Principe de coalition). Si X1 , ..., Xn , Xn`1 , ...Xn`m , ..., Xn`m`p sont des variables indé-
pendantes, alors pour toutes fonctions (adéquates), les variables
f pX1 , ..., Xn q, gpXn`1 , ...Xn`m q, hpXn`m`1 , ..., Xn`m`p q.
Par exemple : si X1 , X2 , X3 , X4 , X5 , X6 sont indépendantes alors X12 ´ X 3 , X2 ` X5 , X4 X6 sont aussi
indépendantes.

0.5 Couple de variables aléatoires réelles

Soit X, Y des variables aléatoires réelles sur pΩ, A, P q. Le couple pX, Y q est un vecteur aléatoire.
La loi du couple pX, Y q est la donnée de P ppX, Y q P A ˆ Bq pour tout couples pA, Bq d’intervalles de R.
Remarque :
1. P ppX, Y q P A ˆ Bq “ P pX P A X Y P Bq.
2. La loi du couple pX, Y q est donnée par P prX ď xs X rY ď ysq pour x, y P R. C’est ce qu’on appelle
la loi conjointe du couple pX, Y q.
3. La donnée de la loi conjointe permet de retrouver chacune des lois de X et Y . Ce sont les lois
marginales du couple pX, Y q. On obtient les lois marginales par la formule :
P pX ď xq “ lim P prX ď xs X rY ď ysq.
yÑ`8

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.