UNIVERSITE DE PORT-AU-PRINCE

Stat. II : Calculs de Probabilités

Professeur : Dario-Styve CELESTIN

MODULE 1 : ELEMENTS DE BASE DE LA THEORIE DE PROBABILITES

SOMMAIRE

1- Réflexion sur le Concept de Probabilité............................................................................................................... 1

2- Eléments Fondamentaux de la Théorie des Probabilités – Quelques Définitions ...................................... 2
2.1- Phénomène et Expérience Aléatoires ............................................................................................................... 2
2.2 - Espace Echantillon ............................................................................................................................................. 2
2.3- Evénements et Tribu d’Evénements................................................................................................................. 5
2.4- Evénements Composés et Algèbre d’Evénements ......................................................................................... 7
2.5- Evénements Incompatibles ou Mutuellement Exclusifs ............................................................................... 9
2.6- Probabilité Définie sur un Espace Echantillon Discret ............................................................................... 10
2.7- Probabilité Définie sur une Tribu d’Evénements Quelconques ................................................................. 14
3- Quelques Résultats Importants............................................................................................................................ 16
4- Relation entre Probabilité et Statistique ............................................................................................................ 18
 1- Réflexion sur le Concept de Probabilité

Le concept de probabilité a été abordé très tôt dans l’humanité de manière tout à fait informelle et
subjective. En effet, à cause de l’incertitude et du hasard auxquels il faisait face quotidiennement,
l’Homme s’est vite rendu compte que bien des phénomènes se produisaient sans qu’il n’en ait le
moindre contrôle. Très souvent, il ne pouvait s’attendre aux résultats de certaines expériences qu’il
voulait réaliser. Après avoir pendant longtemps évoqué Dieu pour chercher à comprendre, il a fallu
qu’il prenne un peu de recul pour apprendre à aborder ces incertitudes et à apprivoiser le hasard
qui leur est inhérent, de manière plus objective, en tentant d’évaluer et de mesurer les « chances »
que tel ou tel événement relatif à ces phénomènes ou expériences avait de se produire. C’étaient les
premiers pas de la théorie des probabilités.

Il y a donc probabilité, parce qu’il y a incertitude et hasard. Si tout était certain et déterminé à
l’avance, l’Homme n’aurait pas eu besoin d’inventer ce concept. Très malheureusement, dans notre
vie, il y a beaucoup plus d’incertitudes et de hasard, que de certitude et de déterminisme. A part la
mort et quelques événements du domaine scientifique auxquels on peut s’attendre de façon
certaine, le reste n’est qu’incertitude. Qu’est-ce qui se passera demain ? Est-ce qu’il fera beau lors
du prochain match de football ? Quelles sont mes chances de réussite dans tel ou tel type
d’investissement ? Quel pourcentage de pièces sera défectueux dans ma prochaine production ? ...,
sont autant de questions auxquelles, a priori, on n’a pas de réponse certaine. On continue encore
bien sûr, de nos jours, à essayer de trouver des réponses subjectives à certaines de ces questions
(métaphysique, religion ou autres croyances), toutefois, avec l’avènement des mathématiques,
l’humanité, cherchant à mieux comprendre et appréhender son environnement, est arrivé
aujourd’hui à pouvoir évaluer de manière objective les « chances » que bien des événements ont de
se réaliser. La Science est désormais capable de maîtriser et de mesurer la part de hasard qui existe
dans ce que nous entreprenons et que nous subissons tous les jours, comme : les questions
économiques, les procédés industriels de fabrication, la météo et les catastrophes naturelles, les
risques de nos investissements, les maladies, etc. Tel est l’objet de l’étude de la théorie des
probabilités.

Définition 1
La probabilité c’est la branche des mathématiques qui a pour but de maîtriser et d’évaluer, de
manière la plus objective que possible, le hasard qui existe dans certains événements relatifs à des
phénomènes et expériences que l’on ne contrôle pas. C’est donc l’étude des lois et des modèles
auxquels sont soumis les résultats imprévisibles et incertains de ces phénomènes et expériences.

1
2- Eléments Fondamentaux de la Théorie des Probabilités – Quelques Définitions

2.1- Phénomène et Expérience Aléatoires

Comme nous venons de le mentionner, pour parler de probabilité, le premier élément qu’il faut,
c’est un phénomène ou une expérience imprégnée d’incertitude et dont l’issue dépend du hasard
(i.e est indépendante de toute volonté humaine et de tout déterminisme). Pour un tel phénomène
ou expérience, puisqu’on ne peut en connaitre le résultat à l’avance – parce que précisément
plusieurs résultats sont possibles et leurs occurrences régies par le hasard – on dit qu’on est en
présence d’un phénomène ou d’une expérience aléatoire. C’est ainsi qu’on dira de la théorie des
probabilités que c’est l’étude des lois auxquelles sont soumis les résultats imprévisibles et
incertains d’une expérience ou d’un phénomène aléatoire.

Définition 2.1
On appelle phénomène ou expérience aléatoire, un phénomène ou une expérience dont on ne peut
établir de façon certaine l’issue, car plusieurs résultats – imprévisibles à l’avance – sont possibles et
leurs occurrences régies par le hasard. A chaque fois que ce phénomène (cette expérience) est
observé (répétée) dans les mêmes conditions, chacun de ses résultats possibles aura une certaine
« chance » (la même à chaque fois) de se réaliser, et seul l’un d’eux se produira au moment de la
réalisation de l’expérience ou du phénomène.

Exemple 2.1

a) On choisit au hasard un boulon sur une chaîne de production et on note son diamètre
b) On lance une pièce de monnaie et on observe le résultat obtenu
c) On observe la qualité d’une pièce provenant d’une machine
d) On observe le sexe d’un bébé à sa naissance
e) On joue à la bourse et on note si on gagnera ou perdra, après un temps donné

Remarque 2.1

Par opposition aux phénomènes (expériences) aléatoires, les phénomènes (expériences) dont on
peut prévoir l’issue avec certitude sont appelés des phénomènes (expériences) déterministes (ex. le
phénomène de la vie dont l’issue certaine est la mort, le résultat d’une expérience chimique ou
physique connue, etc.).

2.2 - Espace Echantillon

Afin de bien maîtriser l’imprévisibilité des résultats d’un phénomène (expérience aléatoire, jusqu’à
pouvoir en dégager une loi, il nous faut préalablement être en mesure d’identifier et de décrire
explicitement (en compréhension, en extension ou selon un intervalle réel) ces différents résultats
que l’on placera dans un ensemble. On aborde ainsi le deuxième élément de base de la théorie des
probabilités. Avec ce nouvel élément, on entame le processus de modélisation (identification de la
loi) de l’expérience aléatoire en établissant une correspondance entre une réalité concrète et une
« mathématisation » de cette réalité.

2
Définition 2.2
Les différents résultats possibles d’un phénomène ou d’une expérience aléatoire constituent un
ensemble que l’on appelle dans le jargon de la théorie des probabilités, un espace échantillon. Celui-
ci est généralement dénoté par la lettre grecque Ω (oméga). Certains auteurs parlent de l’univers des
possibilités de l’expérience (du phénomène).

On obtient ainsi pour les expériences et phénomènes aléatoires des exemples 2.1 précédents les
espaces échantillons suivants :

Phénomène et expérience Espace échantillon

a) On note le diamètre d’un boulon choisi au hasard Ω = [1 mm, 2 mm]

b) On lance une pièce de monnaie et on observe le

Ω = {pile, face}
résultat obtenu

c) On lance un dé à six faces et on note le résultat obtenu Ω = {x ∈ ℕ ∕ 1 ≤ x ≤ 6}

d) On observe le sexe d’un bébé à sa naissance Ω = {fille, garçon}

e) On choisit au hasard une pièce sur une chaîne de

Ω = {bonne, défectueuse}
production et on observe sa qualité

Dans le cas général où on peut identifier distinctement chaque résultat du phénomène (de
l’expérience) (ex. b, c, d, e, précédents), l’espace échantillon sera décrit comme suit :
Ω = {r1 , r2 , r3 , … }, où, ri désigne le ième résultat possible (i = 1, 2, 3, …) du phénomène.

Remarques 1.2.2

1) Pour bien concevoir et exprimer les résultats d’un phénomène (expérience) aléatoire, il faut
que ce dernier soit très clairement défini, sans aucune ambiguïté.

Par exemple, considérons une expérience aléatoire qui consisterait à choisir au hasard une
carte dans un jeu de 52 cartes… Si la description de cette expérience s’arrête là, elle serait
incomplète, car elle ne spécifie pas ce que l’on observe. Conséquemment, l’espace échantillon
correspondant pourrait, dépendant de ce qui nous intéresse, se définir comme suit :

Ω = {7 de pique, 8 de pique, 9 de pique, … } si on observe la carte choisie

ou
Ω = {pique, coeur, trèfle, carreau} si on observe le type (famille) de carte choisie
ou
Ω = {rouge, noire} si on observe la couleur de la carte choisie
3
 Il est donc nécessaire de compléter la définition de l’expérience en y apportant plus
d’éclaircissement. Si par exemple, on y ajoutait : « … et on observe la carte choisie », alors
c’est le premier espace échantillon qui serait la bonne réponse.

2) Les résultats ri d’un phénomène (expérience) aléatoire peuvent aussi bien être des concepts,
des faits ou des nombres réels. Les éléments de l’espace échantillon Ω seront alors des
concepts, des faits ou des nombres réels.

Par exemple, dans l’expérience aléatoire qui consiste à observer la qualité d’une pièce
provenant d’une machine, les résultats (bonne ou défectueuse) sont des concepts. Dans une
expérience aléatoire qui consiste à observer le résultat obtenu en lançant au hasard une pièce
de monnaie, les résultats (pile ou face) sont des faits correspondants aux images sur la pièce.
Dans une expérience aléatoire qui consiste à observer le résultat obtenu en lançant au hasard
un dé à six faces, les résultats (1, 2, 3, 4, 5, 6) sont des nombres réels.

3) Lorsqu’il ne s’agit pas de nombres réels, il n’est pas toujours aisé de décrire les éléments d’un
espace échantillon. Dans ce cas, il n’y a pas une façon unique de représenter les résultats
du phénomène (expérience) aléatoire.

Si, par exemple, on lance simultanément deux pièces de monnaie (une de 5 gourdes et l’autre
d’une gourde) et qu’on observe les résultats obtenus conjointement sur ces pièces, les deux
représentations suivantes sont acceptables pour décrire l’espace échantillon (où P = Pile ou
Palmiste et F = autre face de la pièce) :
Ω = {(P, P), (P, F), (F, P), (F, F)} et Ω = {PP, PF, FP, FF}

4) Un espace échantillon peut compter un nombre fini, infini dénombrable ou infini non
dénombrable d’éléments. Voici des exemples qui illustrent ces différentes situations :

Cas fini : On lance un dé à six faces et on note le résultat obtenu : Ω = {1, 2, 3, 4, 5, 6}

Cas infini dénombrable : On lance successivement une pièce de monnaie et on note dans
l’ordre, la suite des résultats obtenus. On arrête dès qu’on obtient pile pour la première fois.
Ω = {P, FP, FFP, FFFP, FFFFP, FFFFFP, FFFFFFP, FFFFFFFP, … }

En effet, puisqu’il n’y a pas un nombre fini de lancers connu à l’avance où on peut dire avec
certitude que l’on finira par obtenir pile, les résultats possibles continuent indéfiniment
sseans que l’on puisse s’arrêter.

Cas infini non dénombrable : On choisit au hasard un étudiant dans un cours à l’Université
et on mesure sa taille. Puisque a priori la taille est une quantité qui peut prendre ses valeurs
dans un intervalle, l’espace échantillon sera décrit comme tel. On pourrait sans trop courir le
risque de manquer une possibilité, le décrire comme suit :
Ω = [1m25, 2m50]

Or, dans un intervalle, il existe une infinité de valeurs possibles que l’on ne peut pas
énumérer. En effet, si le premier élément de Ω est 1.25, le deuxième est… ?

4
N.B
1) Le cas infini non dénombrable ne se rencontre que dans les situations où ce qu’on observe au
moment du phénomène (de l’expérience) aléatoire est une quantité numérique réelle qui
prend ses valeurs de manière continue sur la droite réelle ℝ ou dans l’un de ses intervalles,
comme dans le dernier exemple plus haut. Ce cas sera traité de façon spécifique
ultérieurement. Pour le moment, sauf avis contraire, seulement les cas fini et infini
dénombrable seront considérés.
2) Les cas fini et infini dénombrable sont généralement appelés cas discret, alors que le cas infini
non dénombrable est appelé cas continu.

2.3- Evénements et Tribu d’Evénements

Deux éléments ont déjà été identifiés jusque-là comme fondamentaux à la théorie de probabilités. Il
s’agit du phénomène ou expérience aléatoire d’une part et de l’espace échantillon d’autre part. Le
troisième élément qui constitue une nouvelle étape du processus de modélisation du phénomène
(expérience) aléatoire est ce qu’on appelle en probabilité des événements.

En effet, à part les résultats d’un phénomène (expérience) aléatoire, on peut s’intéresser à des faits
décrivant d’autres aspects de ce phénomène. Par exemple, plutôt que de se limiter aux résultats
obtenus en lançant un dé, on peut porter notre intérêt sur le fait d’obtenir un nombre pair ou encore
sur celui d’obtenir un nombre supérieur à 2. Ces faits nous renvoient alors à un groupe de résultats
ou mieux à un sous-ensemble de l’espace échantillon. Le sous-ensemble qui correspond au fait
d’obtenir un nombre pair est A = {2, 4, 6} ; celui qui correspond au fait d’obtenir un nombre
supérieur à 2 est B = {3, 4, 5, 6}. De tels sous-ensembles sont appelés des événements.

Définition 2.3.1- Evénements

On peut dire qu’un événement est un fait particulier relatif à un phénomène ou une expérience
aléatoire, décrit par un énoncé verbal. Ce fait particulier renvoie alors à un groupe de résultats de
Ω. C’est ainsi que plus formellement, on définit un événement, en termes mathématiques, comme
le sous-ensemble (groupe de résultats de Ω) qui rend l’énoncé en question vrai ou encore qui indique
que le fait s’est produit. Les événements sont généralement par des lettres majuscules (indicées ou
non) : A, B, C, D, E, F, …, A1, B2, C3, D4, E5, F6, …

Remarques 2.3
1) Dans le cas discret, tout sous-ensemble de Ω sera un événement. En effet, dans ce cas,
n’importe quel fait qui nous renvoie à un sous-ensemble quelconque de Ω sera considéré
comme un événement. En revanche, dans le cas particulier où Ω est non dénombrable, c’est-
à-dire lorsqu’il est un intervalle de ℝ ou toute la droite réelle, il existe – et nous l’admettrons
– certains sous-ensembles de Ω qui ne pourront être considérés comme des événements. Les
seuls sous-ensembles qui seront des événements seront les sous-intervalles de Ω quels qu’ils
soient (unions, intersections, ou compléments d’intervalles – même vide). On dit de ces sous-
ensembles qu’ils sont mesurables. En résumé : un événement est toujours un sous-
ensemble de Ω, mais un sous-ensemble de Ω peut ne pas être un événement, sauf dans le
cas discret.

5
 2) Un événement se réalise si, au moment de l’observation du phénomène (de l’expérience)
aléatoire, il se produit l’un des résultats de Ω qui rendent vrai l’énoncé décrivant l’événement
ou qui constituent le sous-ensemble correspondant à cet événement.
Voilà comment on pourrait mettre en perspective les trois (3) éléments de base évoqués jusqu’ici.

Evénements
Expérience Espace échantillon
(Énoncé) (⊆ 𝛀)

A : « Obtenir un nombre pair » A = {2, 4, 6}

Lancer d’un
Ω = {1, 2, 3, 4, 5, 6} B : « Obtenir un nombre > 2 B = {3, 4, 5, 6}
dé
C : « Obenir 1 ou 5 » C = {1, 5}

Lancer
A : « Obtenir pile au premier lancer » A = {PP, PF}
d’une pièce
de monnaie Ω = {PP, PF, FP, FF} B : « Obtenir au moins une pile » B = {PP, PF, FP}
2 fois de
C : « Obtenir une pile » C = {PF, FP}
suite

Dans le cas discret, chacun des résultats « r » d’un phénomène (d’une expérience) aléatoire,
considéré comme le singleton {r}, est un sous-ensemble de Ω. A ce titre, ces résultats sont des
événements, d’après la première remarque de 1.2.3. On les appelle des événements élémentaires.
Deux autres sous-ensembles de Ω présentant un caractère assez particulier sont également
intéressants à considérer.

D’abord l’ensemble vide ∅ qui, étant toujours inclus strictement dans n’importe quel autre
ensemble, est en particulier un sous-ensemble de Ω. Il sera, même dans le cas continu (intervalle
vide), un événement. Cependant, puisqu’il ne contient aucun résultat, il ne se réalisera jamais selon
la deuxième remarque de 1.2.3. On l’appelle alors événement impossible. Par exemple, si A est
l’événement « Obtenir un nombre supérieur à 6 en lançant un dé à six faces », alors A est un
événement impossible. Il n’est autre que l’ensemble vide car on ne peut trouver dans l’espace
échantillon Ω = {1, 2, 3, 4, 5, 6} aucun résultat qui rend l’énoncé vrai : A = ∅.

A l’autre extrême, on sait que Ω est toujours largement inclus dans lui-même. Il sera, lui aussi un
événement, même dans le cas continu. Puisqu’il contient tous les résultats possibles, alors, encore
selon la deuxième remarque 1.2.3, il se réalisera toujours. On l’appelle donc événement certain. Par
exemple, soit l’événement B : « Obtenir un nombre inférieur à 7 en lançant un dé à six faces ». Alors
B n’est autre que l’espace échantillon lui-même car quel que soit le résultat de Ω, cet événement se
réalisera toujours : B = Ω.

Entre ces deux cas extrêmes, on retrouve tous les autres événements E, sous-ensembles de Ω. C’est
ainsi qu’on pourrait imaginer un ensemble ℰ qui contiendrait lui-même tous les événements
possibles que l’on pourrait trouver à partir d’un espace échantillon Ω. Dans le cas où Ω est
dénombrable (cas discret), ℰ serait alors l’ensemble de tous les sous-ensembles possibles de Ω. Ce
qu’on appelle en mathématiques l’ensemble des parties d’un ensemble noté 𝒫(Ω). Lorsque Ω est la
droite réelle ℝ ou un de ses intervalles, les sous-ensembles qui ne peuvent être considérés comme
6
des événements ne présentent aucun intérêt car ils sont non-mesurables. Ceux qui restent sont
appelés des boréliens, nom donné aux éléments de l’ensemble de Borel, noté ℬ. Ce dernier contient
tous les intervalles possibles (unions, intersections, et compléments d’intervalles), sous-ensembles
de ℝ qui sont mesurables en probabilité. Dans les deux cas (discret et continu), l’ensemble qui
contient tous les événements possibles relatifs à une expérience aléatoire est appelé une tribu
d’événements.

Définition 2.3.2- Tribu d’Evénements

Un ensemble ℰ qui contient tous les événements possibles relatifs à un phénomène aléatoire existe
toujours et est appelé une tribu d’événements. Lorsque l’espace échantillon Ω de ce phénomène est
dénombrable, la tribu d’événements ℰ est l’ensemble 𝒫(Ω) des parties de Ω. Autrement, c’est un
ensemble qui contient tous les intervalles possibles, sous-ensembles mesurables de Ω, qu’on appelle
tribu borélienne, noté ℬ.

Le mot tribu vient de certaines propriétés que présente cet ensemble. En général, on dit qu’un
ensemble 𝒜 est une tribu d’ensemble sur un ensemble Δ, si et seulement si :

i) L’ensemble Δ lui-même appartient à 𝒜

ii) Quel que soit A ∈ 𝒜, Ac reste encore dans 𝒜 (on dit dans ce cas que l’ensemble 𝒜 est
fermé sur lui-même pour l’opération complémentarité)
iii) Si A1 , A2 , A3 , …appartiennent tous à 𝒜 alors A1 ∪ A2 ∪ A3 , … appartient également à 𝒜
(on dit pour cela que 𝒜 est fermé sur lui-même pour l’opération union).
Par exemple, si Δ est un ensemble dont A est un sous-ensemble, alors 𝒜 = {A, Ac , ∅, Δ} est une tribu
d’ensembles sur Δ (vérifier). C’est d’ailleurs la plus petite tribu possible qui contient A.

C’est ce caractère de fermeture sur eux-mêmes pour les opérations ensemblistes qui a valu le nom
de tribu (inspiré de secte) aux ensembles qui présentent ces propriétés.

2.4- Evénements Composés et Algèbre d’Evénements

Cette section permet de mieux comprendre encore la notion de tribu appliquée aux événements.
Elle illustre la généralisation de ce concept à l’aide de ce qu’on appelle les événements composés.

Définition 2.4
Nous appellerons événement composé, tout événement qui s’obtient à partir d’une ou de plusieurs
opérations ensemblistes quelconques réalisées avec un ou plusieurs événements de base de
départ.

Par exemple, si A est un événement de base de départ (i.e A ∈ ℰ), le complément de A, noté Ac ,
représente l’ensemble qui contient tous les résultats de Ω qui ne sont pas dans A. Alors Ac est à son
tour un sous-ensemble de Ω qui sera lui aussi dans ℰ (i.e un événement), d’après la deuxième
propriété d’une tribu. De même, si A et B sont deux événements de départ, leur réunion A ∪ B
représente l’ensemble des résultats qui sont dans A ou dans B (ou dans les deux) et elle ne contient
que des éléments de Ω. A ce titre, A ∪ B est un sous-ensemble de Ω et sera lui aussi un événement,
d’après la troisième propriété d’une tribu. L’intersection de A et de B (A ∩ B) est l’ensemble des
résultats qui sont à la fois dans A et dans B et elle ne contient que des éléments de Ω. A ce titre, A ∩ B

7
est un sous-ensemble de Ω et sera lui aussi un événement, d’après les deux dernières propriétés
d’une tribu et les lois de De Morgan rappelées ultérieurement. On pourrait poursuivre ainsi le
raisonnement et généraliser comme suit : quelles que soient les opérations ensemblistes, réalisées
avec n’importe quel nombre d’événements de départ, le résultat qui en sortira sera toujours un
événement. On dit alors que l’ensemble des événements possibles relatifs à une expérience aléatoire
est fermé sur lui-même pour toutes opérations ensemblistes, d’où le nom de tribu donné à cet
ensemble. Les mathématiciens l’appellent aussi une algèbre d’événements ou une 𝛔-algèbre.

Si par exemple, A, B, C et D sont des événements, alors Bc , C ∩ D, (A ∪ B)c , (A ∪ B) ∩ C, A ∪ (B ∩ C ∩

D), [A ∩ (B ∪ C)c ∩ D]c , … sont des événements (événements composés), de même que les résultats
de n’importe quelles opérations ensemblistes possibles que l’on peut imaginer avec un, deux,
trois ou ces quatre événements.

Il est très important de savoir comment formuler les énoncés décrivant des événements composés.
Prenons à titre d’illustration l’exemple du lancer du dé. On sait déjà que l’espace échantillon associé
à cette expérience est Ω = {1, 2, 3, 4, 5, 6}.
Soient les événements : A : « Obtenir un nombre pair » et B : « Obtenir un nombre supérieur à 2 »
relatifs à cette expérience.

On a A = {2, 4, 6} et B = {3, 4, 5, 6}. Les événements Ac et Bc devront décrire des faits qui indiquent
le contraire de ceux exprimés respectivement par A et B. Il suffira alors de prendre la négation des
énoncés A et B, comme ce sera le cas en général. On aura ainsi :

Ac : « Obtenir un nombre impair » et Bc : « Obtenir un nombre inférieur ou égal à 2 »

On obtient alors, en termes de sous-ensembles : Ac = {1, 3, 5} et Bc = {1, 2}

L’événement A ∪ B contient les résultats de A ou de B, c’est-à-dire 2, 3, 4, 5 et 6. Il se réalisera donc

si l’un de ces résultats se produit. Il indique alors que A s’est réalisé ou que B s’est réalisé. On
l’énoncera comme suit : (A ∪ B) : « Obtenir un nombre pair ou un nombre supérieur à 2 ». De façon
générale l’énoncé de A ∪ B (A et B quelconques) s’obtient en reliant les énoncés de ces deux
événements par la conjonction ou. De même, l’événement A ∩ B contient les résultats de A et de B,
c’est-à-dire 4 et 6. Il se réalisera donc si l’un de ces résultats se produit. Il indique que A et B se sont
réalisés tous les deux en même temps. On l’énoncera comme suit : (A ∩ B) : « Obtenir un nombre
pair et supérieur à 2 ». Ce qui se dit plus élégamment : « Obtenir un nombre pair supérieur à 2 ».
De façon générale, l’énoncé de A ∩ B (A et B quelconques) s’obtient en reliant les énoncés de ces deux
événements par la conjonction et.

Pour terminer, rappelons que :

A − B = {r ∈ Ω ⁄ r ∈ A et r ∉ B} = {r ∈ Ω ⁄ r ∈ A et r ∈ Bc } = A ∩ Bc

Ainsi, l’événement A − B s’énoncera de manière générale pour deux événements A et B

quelconques : « A se réalise et B ne se réalise pas ». Dans notre exemple on a (A − B) : « Obtenir un
nombre pair inférieur ou égal à 2 ».

8
Avant de passer à un deuxième exemple, rappelons ce résultat important, connu en mathématiques
sous le nom de Lois de De Morgan, très utile au calcul des probabilités, qui est dû au mathématicien
britannique Augustus De Morgan (1806-1871) et qui stipule que :
(A ∩ B)c = Ac ∪ Bc et (A ∪ B)c = Ac ∩ Bc

Voilà maintenant le deuxième exemple qui montre encore comment établir la relation entre un
événement composé et l’énoncé correspondant. On choisit au hasard une personne dans une
certaine population et on observe la couleur de ses yeux et de ses cheveux. Considérons les
événements suivants :
A : « La personne choisie a les yeux noirs »
B : « La personne choisie a les cheveux bruns »
C : « La personne choisie a les yeux bruns »
Voici la correspondance entre certains événements composés et leur énoncé :

Evénements Enoncés

A∪C La personne choisie a les yeux noirs ou bruns

A∩B La personne choisie a les yeux noirs et les cheveux bruns

Ac La personne choisie n’a pas les yeux noirs

A−B La personne choisie a les yeux noirs mais pas les cheveux bruns
(A ∩ B)c La personne choisie n’a pas les yeux noirs ou n’a pas les cheveux bruns
(A ∪ B)c La personne choisie n’a ni les yeux noirs ni les cheveux bruns

2.5- Evénements Incompatibles ou Mutuellement Exclusifs

Il arrive que deux événements puissent se réaliser en même temps. En effet, comme on vient de le
voir, si A est l’événement : « Obtenir un nombre pair » et B : « Obtenir un nombre supérieur à 2 »,
on dira que A et B se sont réalisés en même temps, lorsque le dé donne le chiffre 4 ou le chiffre 6.
C’est-à-dire, lorsqu’on obtient simultanément un nombre pair et un nombre plus grand que 2.
L’événement correspondant est alors l’intersection A ∩ B (A ∩ B = {4, 6}). Si par contre, l’intersection
de deux événements est vide, c’est que ces deux événements ne peuvent pas se réaliser en même
temps, n’ayant aucun résultat en commun. Ils s’excluent alors mutuellement et sont dits
incompatibles.

Définition 2.5
Deux événements qui ne peuvent pas se réaliser en même temps sont dits incompatibles ou
mutuellement exclusifs.

Remarque 2.5

1) Deux événements sont incompatibles ou mutuellement exclusifs, si et seulement si leur

intersection est vide, c’est-à-dire si A ∩ B = ∅.

9
 2) La notion d’incompatibilité peut s’étendre à plusieurs événements. Ainsi, des événements
A1 , A2 , A3 , A4 , … seront dits mutuellement incompatibles, si et seulement : Ai ∩ Aj =
∅ ∀i≠j
3) Deux ou plusieurs événements élémentaires quelconques sont toujours mutuellement
incompatibles.

2.6- Probabilité Définie sur un Espace Echantillon Discret Ω

Nous avons déjà vu que chaque résultat d’une expérience aléatoire discrète était un événement
élémentaire. Lors de la réalisation de cette expérience, seulement un de ces événements se réalisera,
et avec le hasard, chacun d’eux aura « une certaine chance » de se réaliser. Formaliser cette idée de
« chance » jusqu’à pouvoir la mesurer, c’est introduire la notion de probabilité associée à un
événement élémentaire. On complètera ainsi, avec ce quatrième élément, ce que nous avons appelé
plus haut le processus de modélisation (identification de la loi) d’une expérience aléatoire. Pour
cela, imaginons un mécanisme qui associerait à chaque événement élémentaire une vraisemblance
(« chance » de réalisation) mesurable. Un tel mécanisme existe et est illustré en mathématiques par
ce qu’on appelle une fonction. Formellement, la probabilité peut donc être définie (dans le cas
discret) comme une fonction sur 𝛀, permettant de mesurer sur une échelle comprise entre 0 et 1
(0 et 100%), la vraisemblance ou la « chance » que chaque résultat d’une expérience aléatoire a de
se réaliser. Plus on est près de 100%, plus le résultat en question serait probable ou réalisable et à
l’autre extrême plus on se rapproche de 0, moins il le serait. On arrive ainsi à comparer la
vraisemblance associée à plusieurs résultats d’un phénomène (expérience) aléatoire.

Définition 2.6
Dans le cas discret, une probabilité sur Ω est une fonction qui associe à chaque résultat (événement
élémentaire) d’un phénomène aléatoire un nombre réel compris entre 0 et 1.
P ∶ Ω → [0, 1]
r ⟼ P({r})
Voilà une illustration avec l’expérience aléatoire qui consiste à lancer une pièce de monnaie non
équilibrée dont les « chances » attribuées aux résultats pile et face seraient respectivement de 30%
et 70%.

0.30
Pile P(pile) = 0.30 ou 30%
ou 30%

0.70
Face P(face) = 0.70 ou 70%
ou 70%

Remarques 2.6
1) La probabilité associée à chaque événement élémentaire {ri } ou {r} sera notée P({ri }) ou
P({r}).
2) La fonction de probabilité définie plus haut doit être telle que les conditions suivantes soient
respectées :
i) 0 < P({ri }) ou P({r}) < 1, quel que soit le résultat ri ou r.
ii) ∑ P({ri }) = ∑ P({r}) = 1, c’est-à-dire que la somme des probabilités associées à tous les
résultats de Ω est égale à 1.

10
N.B. Notons que lorsque Ω est continu, cette définition n’a pas de sens. Une définition plus large
et plus appropriée sera alors considérée dans ce cas ultérieurement.
Même s’il existe un outil mathématique (la fonction) qui nous permet de définir formellement ce
qu’est une probabilité associée à un événement élémentaire d’une expérience ou d’un phénomène
aléatoire discret, il n’est pas toujours facile de définir cette fonction elle-même, c’est-à-dire
d’attribuer des quantités bien précises à la vraisemblance des différents résultats de cette expérience.
Différentes situations se présentent, et une approche spécifique sera considérée pour chacune
d’elles.

- L’approche classique (Probabilité théorique ou a priori) – Modèle uniforme

Lorsque l’expérience (phénomène) aléatoire donne lieu à un espace échantillon fini, dont on a
toutes les raisons de croire que les résultats ont tous la même « chance » de se réaliser, c’est-à-dire,
lorsqu’on peut raisonnablement faire l’hypothèse d’équiprobabilité de ces résultats, on dira que l’on
est en présence d’un modèle uniforme. On admet de tels modèles dans les jeux de hasard : jeu de
dés, de cartes, de roulette, de loterie, etc. à cause de certains aspects physiques liés à ces expériences.
Dans un modèle uniforme, si l’espace échantillon compte un nombre « n » de résultats possibles,
chacun de ces résultats a une (1) « chance » sur « n » de se réaliser. La probabilité associée à chacun,
est donc 1/n. Cette approche est appelée approche classique du calcul des probabilités et elle donne
lieu à un modèle tout à fait théorique basé sur l’apriorisme. Un tel modèle est
« mathématiquement acceptable » et a été développé par le mathématicien français Pierre Simon
Laplace (marquis) (1749 – 1827), l’un des pionniers de la théorie des probabilités. Dans l’exemple
du lancer d’une pièce de monnaie quelconque, il est raisonnable de supposer l’équiprobabilité des
résultats et d’utiliser l’approche classique en attribuant à chacun d’eux (pile et face) la même
probabilité, soit ½ ou 0.50 ou 50%. On admet alors a priori (par hypothèse) que la pièce de monnaie
est bien équilibrée. De même, pour le lancer d’un dé, on admet généralement par hypothèse, que
la probabilité associée à chacun des six résultats possibles est, en théorie, la même, soit 1/6 ou 0.167
ou 16.7%.

- L’approche ou modèle fréquentiste (Probabilité empirique ou a posteriori)

Lorsque Ω est infini dénombrable, ou lorsqu’on n’a pas suffisamment d’évidence pour faire
l’hypothèse d’équiprobabilité des résultats d’une expérience ou d’un phénomène aléatoire fini, on
ne peut pas appliquer l’approche classique du calcul des probabilités. On fait alors appel à des
approches qui nous permettent de rester objectif, le plus près possible de la réalité. Celles-ci utilisent
a posteriori les résultats obtenus après de nombreuses observations du phénomène (expérience),
ce qui leur confère un caractère statistique. La première approche traitée dans cette section utilise
les résultats obtenus après un grand nombre de répétitions volontaires d’une expérience aléatoire,
ou d’observations immédiates d’un phénomène aléatoire. On parle dans ce cas de l’approche
fréquentiste (ou empirique) du calcul des probabilités. Elle consiste donc à répéter à volonté une
expérience aléatoire ou à observer dans l’immédiat un phénomène aléatoire un très grand nombre
« n » de fois, et à noter le résultat obtenu à chaque fois. Une bonne approximation de la probabilité
associée à chaque résultat ri est alors obtenue de manière objective, par le rapport entre le nombre
de fois « ni » où ce résultat a été observé et le nombre de fois « n » que l’expérience a été répétée ou
que le phénomène a été observé. Plus ce dernier nombre est élevé, meilleure sera l’approximation.
Ce quotient, noté « fi », est connu en statistique sous le nom de fréquence relative du résultat ri . Sa

11
valeur limite (si l’expérience est répétée une infinité de fois) correspond exactement à la
probabilité désirée ; résultat connu sous le nom de loi des grands nombres.

On exprime ainsi le résultat sur lequel est basée l’approche fréquentiste :

ni
lim = lim fi = P({ri })
n→∞ n n→∞

Par exemple, supposons que le Service de la Circulation de la ville de Port-au-Prince veuille évaluer
en termes probabiliste, le comportement des véhicules qui s’approchent de l’intersection de la rue
Nazon en montant à Lalue. Pour cela, il observe si chaque véhicule effectuera un virage à gauche
(tournera à la rue Nazon), un virage à droite (tournera à la rue Alix Roy), poursuivra son chemin
(continuera vers Pétion-Ville) ou reviendra sur ses pas (redescendra à Lalue). Ceci est une
expérience aléatoire dont l’espace échantillon pourrait s’écrire Ω = {r1 , r2 , r3 , r4 } où :

r1 : le véhicule tourne à la rue Nazon

r2 : le véhicule tourne à la rue Alix Roy
r3 : le véhicule poursuit son chemin vers Pétion-Ville
r4 : le véhicule revient sur ses pas à Lalue

Il n’y a, à priori, aucune raison de croire que les fréquences des comportements des véhicules
seraient également réparties. Bien au contraire, on peut raisonnablement s’attendre par exemple à
très très peu de véhicules qui reviendront sur leurs pas. Le modèle uniforme ne semble donc pas
applicable ici. Ainsi, pour évaluer les probabilités associées à chacun des résultats possibles, on
pourrait se poster dans cette intersection et observer pendant longtemps le phénomène, en
comptant combien de fois chacun d’eux s’est produit. On obtiendrait alors,

nombre d′ autos qui ont tourné à Nazon

P({r1 }) =
nombre d′ autos qu′ on a observées

nombre d′ autos qui ont tourné à Alix Roy

P({r2 }) =
nombre d′ autos qu′ on a observées

nombre d′ autos qui ont été tout droit

P({r3 }) =
nombre d′ autos qu′ on a observées

nombre d′ autos qui sont revenues sur leurs pas

P({r4 }) =
nombre d′ autos qu′ on a observées

N.B. Pour avoir une bonne approximation, il faudrait non seulement qu’un assez grand nombre
de véhicules soit observé, mais encore que les observations s’étalent sur différents jours et
heures de la semaine, ce qui garantit une bonne représentativité du phénomène.

- L’approche ou modèle historique (Probabilité a posteriori de fait)

Cette approche s’applique aux phénomènes (expériences) aléatoires qui ont déjà été observés
pendant longtemps dans le temps et dont les résultats sont consignés dans des registres (registre
de naissances par exemple), des rapports (rapport de recherche ou d’enquêtes) ou dans des fichiers
12
(manuels ou électroniques) faisant ainsi de ces résultats des faits confirmés. L’approche historique
consiste alors à utiliser également les fréquences de ces résultats ; sauf que ceux-ci ne sont pas
obtenus à volonté et/ou dans l’immédiat comme dans le cas où on peut répéter une expérience ou
observer plusieurs fois successivement un phénomène. Ce sont plutôt comme on vient de le
signaler, des résultats observés (a posteriori) dans le temps, après enquêtes ou expériences
antérieures, ou suite à des faits bien particuliers relatifs à des phénomènes de la nature.

Par exemple, on a toujours tendance à attribuer des probabilités égales (50%) aux sexes possibles
d’un bébé ; toutefois cette intuition qui nous porte à considérer le modèle uniforme –
mathématiquement acceptable – ne correspond pas à la réalité historique. En effet, les faits montrent
plutôt que la fréquence de natalité féminine est plus élevée dans la plupart des pays. En général on
observe en moyenne que sur 100 naissances, près de 52 sont de sexe féminin. Un tel fait consacre à
52% la probabilité de donner naissance à un bébé de sexe féminin. Ainsi, pour un pays en particulier,
si on veut évaluer la probabilité qu’une femme donne naissance à un bébé de sexe féminin, on
consultera le registre des naissances de ces 10 ou 20 dernières années. Le rapport entre le nombre
de « naissances filles » et le nombre de naissances totales observées durant ces années sera la
meilleure évaluation possible que l’on puisse faire objectivement de cette probabilité.

Dans l’exemple sur le Service de la Circulation, on aurait pu utiliser l’approche historique, si

l’approche fréquentiste avait déjà été récemment appliquée par une firme d’ingénieurs par exemple
et qu’un rapport existait et était disponible.

- L’approche ou modèle subjectiviste (Probabilité subjective)

Il arrive des fois que non seulement une expérience ne peut pas se répéter à volonté ou qu’un
phénomène ne peut pas s’observer plusieurs fois dans l’immédiat, mais de plus, on ne peut pas
disposer de registres, de rapports ou de fichiers où on saurait retrouver les fréquences relatives aux
résultats de cette expérience (phénomène) aléatoire. Dans ce cas, il n’est pas possible d’évaluer
objectivement les probabilités. On pourra seulement les déterminer de manière subjective, selon
notre intuition, nos souhaits cachés, ou notre propre perception du phénomène (expérience). Ces
probabilités subjectives doivent toutefois avoir un caractère provisoire. Elles doivent toujours être
confrontées a posteriori à la réalité objective dès que cela devient possible. Voici deux exemples qui
illustrent une telle approche :

1) Un entrepreneur veut se lancer en affaires dans un domaine où il est le pionnier. Il ne dispose

donc d’aucune donnée antérieure qui lui permettrait d’évaluer ses risques d’échec (de
succès). Il peut dans un premier temps, compte tenu de son tempérament (optimiste ou non,
fonceur ou non, dynamique ou non, etc.), de sa perception des affaires en général, du
comportement présumé de la clientèle visée et de son champ d’investissement en particulier,
attribuer lui-même des probabilités à chacune des éventualités. Dans un deuxième temps, il
est souhaitable qu’il consulte une firme qui, de manière plus objective, pourra – selon son
expertise, les informations macro-économiques dont elle dispose, et éventuellement à partir
d’une étude de marché – lui faire une meilleure évaluation qui confirmera ou infirmera ses
impressions (subjectives) de départ.

2) On demande à deux jeunes mariés quelles sont d’après eux les chances qu’ils se retrouvent
encore ensemble après vingt (20) ans. On peut être presque sûr qu’ils ne feront pas appel aux
13
 données qui existent déjà sur l’histoire récente des couples dans la société où ils évoluent
(taux de divorce, de séparation ou de veuvage). Ils attribueront très probablement une
probabilité très élevée (sinon certaine) à un tel événement, utilisant ainsi une approche
subjectiviste du calcul des probabilités qui exprime leurs vœux plutôt que l’approche
historique, plus objective, qui est de mise dans ce cas.

2.7- Probabilité Définie sur une Tribu d’Evénements Quelconques ℰ

Nous venons d’aborder la notion de probabilité en associant une vraisemblance mesurable, ou

simplement une mesure, à chacun des événements élémentaires d’un phénomène aléatoire discret.
Mais comme on le sait déjà, on ne s’intéresse pas seulement à ce genre d’événements lors d’une
expérience aléatoire. On peut, en effet, vouloir calculer la probabilité d’un événement quelconque,
c’est-à-dire d’un groupe de résultats bien particuliers (aussi bien dans le cas discret que continu). Il
s’agit alors de définir plus largement une probabilité sur la tribu ℰ des événements. Cette probabilité
sera elle aussi interprétée comme la vraisemblance de chacun des événements, c’est-à-dire comme
les « chances » qu’ils ont de réaliser. Comment mesure-t-on alors cette vraisemblance ? Dans le cas
discret, puisqu’un événement (sous-ensemble de Ω) sera un groupe de résultats dénombrables, il
paraît naturel de mesurer sa vraisemblance à partir de celle associée à chaque résultat qui le
constitue. Dans ce cas, la vraisemblance de tout événement A sera mesurée par la somme des
probabilités des résultats qui le composent. C’est comme si on mesurait le poids d’un objet par la
somme des poids de ses parties. On obtient alors :

P(A) = ∑ P({r})
r∈A

Dans le cas continu on ne saurait utiliser une telle somme, car le groupe de résultats qui constituent
un événement (quel qu’il soit), est un intervalle de ℝ, donc est non-dénombrable. Dans ce cas,
l’analogie avec le poids s’explique encore davantage, et comme en physique, on utilisera les
techniques de calcul de masse (le calcul intégral ou « somme douce ») pour mesurer les probabilités
associées à cet événement. On reviendra sur ces techniques ultérieurement.

On retrouve ainsi les résultats suivants, déjà connus, qui sont facilement vérifiables dans le cas
discret :

P(∅) = 0 et P(Ω) = P({r1 }) + P({r2 }) + P({r3 }) + P({r4 }) + P({r5 }) + ⋯ = 1

Remarque 2.7

Lorsqu’on a un modèle uniforme avec « n » résultats possibles, on obtient :

1 1 1 1 nombre de résultats dans A

P(A) = ∑ P({r}) = + + + ⋯+ =
n n n n n
r∈A

Dans ce cas, et dans ce cas seulement, on peut dire que la probabilité d’un événement est le rapport
entre le nombre de cas favorables à cet événement et le nombre de cas possibles pour l’expérience
aléatoire.

14
 nombre de résultats favorables à l′ événement A Card A # A
P(A) = = =
nombre de résultats possibles de l′ expérience aléatoire Card Ω # Ω

Faites attention !! Ce résultat, dû au marquis de Laplace, est vrai SEULEMENT lorsque les
résultats d’un phénomène aléatoire sont finis et équiprobables.

On sait désormais (sous réserve de détails ultérieurement) comment associer à chaque événement
quelconque E, une vraisemblance mesurée sur une échelle entre 0 et 100% aussi bien dans le cas
discret que continu. Notons en passant que cette vraisemblance pourrait également être déterminée
directement à partir de l’une des approches classique, fréquentiste, historique ou subjectiviste. En
mathématiques, une telle correspondance est appelée une fonction. On définit alors une probabilité
en général comme une fonction qui va de l’ensemble de tous les événements possibles (la tribu
d’événements ℰ) au sous-ensemble [0, 1]. Dans le cas discret ℰ est l’ensemble des parties de Ω, alors
que dans le cas continu ℰ est la tribu borélienne.

Définition 2.7
Une probabilité définie sur une tribu d’événements ℰ est une fonction qui associe à chaque
événement quelconque ℰ de cette tribu, un nombre compris entre 0 et 1 qui représente les
« chances » de réalisation de cet événement.

P ∶ ℰ → [0, 1] si Ω est discret

E ⟼ P(E) = ∑ P({r}) sinon, on utilise les
r∈E
techniques d′intégration

Les propriétés d’une telle fonction appelées axiomes des probabilités sont aussi vraies dans le cas
discret que continu :
a) P(Ω) = 1
b) P(A) ≥ 0 quel que soit l’événement A de la tribu d’événements
c) Si A1 , A2 , A3 , … sont des événements mutuellement exclusifs,
alors P(A1 ∪ A2 ∪ A3 ) = ∑ P(Ai )

Exemple 2.7

Soit P une fonction de probabilité définie sur Ω = {1, 2, 3, … , 25} telle que :

0.01 si r impair
P({r}) = { 0.10 si r est pair et plus petit que 10
0.05 si r est pair et 10 ≤ r ≤ 22

Trouver la probabilité de chacun des événements suivants :

a) {24} b) {r ∈ Ω ∕ r 2 > 4} c) {1, 2, 5, 7, 10}

d) {r ∈ Ω ⁄ r est premier} e) {r ∈ Ω ⁄ r < 0} f) {r ∈ Ω ⁄ r est divisible par 3}

Solution :

15
D’après la définition de la fonction P, une probabilité est attribuée à tous les résultats de Ω, sauf au
résultat 24. Or, puisque P(Ω) = 1, alors,
a) P({24}) = 1 − P({1}) − P({2}) − P({3}) − P({4}) − ⋯ − P({23}) − P({25}), d’où
P({24}) = 1 − 13 × 0.01 − 4 × 0.10 − 7 × 0.05 = 0.12 ou 12%
b) Soit A = {r ∈ Ω ∕ r 2 > 4}, alors A = {3, 4, 5, 6, 7, 8, 9, 10, … , 23, 24, 25}, d’où
P(A) = P({3}) + P({4}) + P({5}) + P({6}) + ⋯ + P({23}) + P({24}) + P({25})
P(A) = 12 × 0.01 + 3 × 0.10 + 7 × 0.05 + 0.12 = 0.89 ou 89%
c) Soit B = {1, 2, 5, 7, 10}, alors P(B) = P({1}) + P({2}) + P({5}) + P({7}) + P({10})
P(B) = 3 × 0.01 + 0.10 + 0.05 = 0.18 ou 18%
d) Soit C = {r ∈ Ω ⁄ r est premier} = {1, 2, 3, 5, 7, 11, 13, 17, 19, 23}, d’où
P(C) = P({1}) + P({2}) + P({3}) + P({5}) + ⋯ + P({17}) + P({19}) + P({23})
P(C) = 9 × 0.01 + 0.10 = 0.19 ou 19%
e) Soit D = {r ∈ Ω ⁄ r < 0} = ∅ d’où P(D) = 0
f) Soit E = {r ∈ Ω ⁄ r est divisible par 3} = {3, 6, 9, 12, 15, 18, 21, 24}, d’où
P(E) = P({3}) + P({6}) + P({9}) + P({12}) + P({15}) + P({18}) + P({21}) + P({24})
P(E) = 4 × 0.01 + 0.10 + 2 × 0.05 + 0.12 = 0.36 ou 36%

Nous venons ainsi d’établir les quatre éléments fondamentaux de la théorie des probabilités. Même
s’il n’est pas nécessaire de toujours identifier systématiquement ces éléments lorsqu’on pratique le
calcul des probabilités, il est toutefois important de se rappeler que, pour parler de probabilité, il
faut :
i) Un phénomène ou une expérience aléatoire
ii) Un espace échantillon Ω associé à ce phénomène (cette expérience) aléatoire
iii) Une tribu ℰ de tous les événements possibles relatifs à l’espace échantillon
iv) Une fonction de probabilité P qui, définie formellement, permet d’associer à chaque
événement quelconque E de la tribu, un nombre compris entre 0 et 1.

Les trois derniers éléments, le triplet (Ω, ℰ, P) sont essentiellement mathématiques. Ils constituent ce
qu’on appelle en théorie des probabilités, un espace probabilisé.

3- Quelques Résultats Importants

Nous avons vu comment les événements composés étaient les résultats d’opérations ensemblistes
sur des événements de base. Voilà quelques résultats importants qui nous permettront de calculer
la probabilité de certains événements composés, à partir des probabilités d’événements de base ou
d’autres événements composés :
1- 𝐏(𝐀𝐜 ) = 𝟏 − 𝐏(𝐀)
Preuve :

𝛀
Ω = A ∪ Ac (voir figure ci-contre), alors, A
c) c
P(Ω) = P(A ∪ A = P(A) + P(A ) (3 axiome)
ème
Ac
Car en effet, A et Ac sont incompatibles (A ∩ Ac = ∅)
Or, P(Ω) = 1, d’après le premier axiome de probabilité, alors P(A) + P(Ac ) = 1
D’où P(Ac ) = 1 − P(A) C.Q.F.D

16
Remarques 3.1
1) D’une manière générale, ce premier résultat se lit comme suit : « La probabilité du
complément d’un événement est égale à 1 moins la probabilité de cet événement ».
Enoncé comme tel, on comprend mieux par exemple :
o P(A ∪ B)c = 1 − P(A ∪ B) ou que
o P[(A ∩ B) ∪ (C ∩ D)]c = 1 − P[(A ∩ B) ∪ (C ∩ D)],
o Etc …
2) On retrouve le résultat déjà connu : P(∅) = 0.
En effet, Ωc = ∅, d’où P(∅) = P(Ωc ) = 1 − P(Ω) = 1 − 1 = 0

2- 𝐏(𝐀 − 𝐁) = 𝐏(𝐀) − 𝐏(𝐀 ∩ 𝐁)

𝛀
A
Preuve : B
A-B A∩B B-A

A = (A − B) ∪ (A ∩ B) (voir figure ci-contre), alors

P(A) = P[(A − B) ∪ (A ∩ B) ] = P(A − B) + P(A ∩ B) (3ème axiome)
Car (A − B) et (A ∩ B) sont incompatibles (A − B) ∩ (A ∩ B) = ∅
D’où P(A − B) = P(A) − P(A ∩ B) C.Q.F.D

Remarques 3.2
1) D’une manière générale ce deuxième résultat se lit comme suit : « La probabilité de la
différence entre deux événements est égale à la probabilité de l’événement duquel on
enlève l’autre, moins celle de l’intersection des deux événements ». Enoncé comme tel, on
comprend mieux par exemple :
o P[(A ∪ B) − C] = P(A ∪ B) − P[(A ∪ B) ∩ C] ou que
o P[A − (C ∩ D)] = P(A) − P(A ∩ C ∩ D),
o Etc …
2) Si B ⊆ A, alors A ∩ B = B. Dans ce cas, et dans ce cas seulement,
P(A − B) = P(A) − P(B)

3- 𝐏(𝐀 ∪ 𝐁) = 𝐏(𝐀) + 𝐏(𝐁) − 𝐏(𝐀 ∩ 𝐁)

Preuve :

A ∪ B = (A − B) ∪ B (voir figure ci-contre), alors,

P(A ∪ B) = P[(A − B) ∪ B] = P(A − B) + P(B) (3ème axiome)
Car en effet, (A − B) et B sont incompatibles (A − B) ∩ B = ∅
D’où P(A ∪ B) = [P(A) − P(A ∩ B)] + P(B) en utilisant le résultat précédent
On obtient alors : P(A ∪ B) = P(A) + P(B) − P(A ∩ B) C.Q.F.D

Remarques 3.3

1) D’une manière générale, ce troisième résultat se lit comme suit : « La probabilité de la réunion
de deux événements est égale à la somme des probabilités de ces deux événements moins
celle de leur intersection ». Enoncé comme tel, on comprend mieux par exemple :
o P[(A ∩ B) ∪ (C ∩ D)] = P(A ∩ B) + P(C ∩ D) − P(A ∩ B ∩ C ∩ D),
o Etc …

17
 2) On retrouve ici la troisième propriété (3ème axiome) de la fonction de probabilité appliquée à
deux événements incompatibles. En effet, lorsque A et B sont deux événements
incompatibles, c’est-à-dire lorsque A ∩ B = ∅, alors P(A ∩ B) = 0 et on aura donc P(A ∪ B) =
P(A) + P(B). Inversement si P(A ∪ B) = P(A) + P(B), alors on peut dire que les événements A
et B sont incompatibles.

3) La probabilité de réunion d’événements peut s’étendre à plus de 2 événements. Par exemple,

on peut montrer que :
P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C), d’où P(A ∪
B ∪ C) = P(A) + P(B) + P(C) si les événements A, B et C sont mutuellement exclusifs.

4- Relation entre Probabilité et Statistique

La Statistique traite plutôt avec des observations qui sont analysées à l’aide de ce qu’on appelle
des méthodes statistiques. Ainsi la statistique descriptive a ses propres méthodes d’analyse. Il
existe d’autres méthodes statistiques que l’on verra subséquemment dans la Statistique Inférentielle.
De façon générale, en statistique, ce sont les observations qui nous permettent d’avoir une bonne
idée de la configuration d’une population (à partir d’enquêtes menées auprès de cette population
ou de données administratives). En probabilité, c’est plutôt le contraire. On peut, sans
nécessairement faire d’observations, construire des modèles théoriques, mathématiquement
acceptables, qui décrivent ou caractérisent une population. Les méthodes de statistique
inférentielle permettront justement de vérifier la validité de tels modèles à partir d’observations,
rapprochant ainsi Probabilité de Statistique.

En statistique, toutes les fois que les observations peuvent être admises comme des faits confirmés
(lors d’un recensement ou de la consultation des données historiques quelconques), on peut les
utiliser pour faire du calcul de probabilité (cf. approches fréquentiste et historique du calcul des
probabilités). On admet alors dans ce cas que l’on connait la structure ou la configuration de la
population. On dit dans le jargon tout simplement que la « population est connue ». En voilà un
exemple :

Après avoir consulté les dossiers des 16,000 employés d’une manufacture très florissante du Parc
Industriel, on a placé dans le tableau suivant les données concernant leur âge et leur sexe :

AGE / SEXE Masculin Féminin TOTAL

Moins de 30 ans 1,200 1,700 2,900

30 à 40 ans 2,600 4,200 6,800

Plus de 40 ans 4,000 2,300 6,300

TOTAL 7,800 8,200 16,000

18
Puisque ces observations ont été collectées sur tous les employés de la manufacture (constituant un
recensement), elles contiennent toute l’information possible, et la population est entièrement
connue. Il est donc un fait que cette usine compte :

1) 1,200 hommes de moins de 30 ans

2) 1,700 femmes de moins de 30 ans
3) 2,600 hommes ayant au moins 30 ans, mais pas plus de 40 ans
4) 4,200 femmes ayant au moins 30 ans, mais pas plus de 40 ans
5) 4,000 hommes de plus de 40 ans
6) 2,300 femmes de plus de 40 ans
7) 2,900 employés de moins de 30 ans
8) 6,800 employés ayant au moins 30 ans, mais pas plus de 40 ans
9) 6,300 employés de plus de 40 ans
10) 7,800 hommes
11) 8,200 femmes

Ainsi, si on choisit au hasard un employé dans cette manufacture et qu’on observe son âge ou son
sexe, on pourrait définir comme suit tous les événements de base relatifs à ce choix :

A1 : « l’employé choisi est un homme »

A2 : « l’employé choisi est une femme » (A2 = Ac1 )
B1 : « l’employé choisi a moins de 30 ans »
B2 : « l’employé choisi a au moins 30 ans, mais pas plus de 40 ans »
B3 : « l’employé choisi a plus de 40 ans »

Puisque le choix d’un employé (fait au hasard) donne lieu à un modèle uniforme (quant à l’identité
de l’employé choisi – incluant son sexe et son âge), la probabilité d’un événement quelconque
correspond au rapport entre le nombre de cas favorables à cet événement et le nombre de choix
possibles. Par exemple, puisqu’il y a 7,800 employés sur 16,000 qui sont de sexe masculin, la
probabilité de tomber sur un homme en choisissant au hasard un employé, correspond au rapport
7,800/16,000, soit 0.49 ou 49%.

Calculons par exemple la probabilité des événements suivants :

a) Choisir un employé de sexe féminin ayant moins de 30 ans
b) Choisir un employé de sexe féminin
c) Choisir un employé de moins de 30 ans
d) Choisir un employé de 40 ans ou moins
e) Choisir un employé de sexe féminin ou un employé de plus de 40 ans
f) Choisir un employé de sexe masculin

a)
nombre de résultats favorables à (A2 ∩ B1 )
P(A2 ∩ B1 ) =
nombre de résultats possibles

nombre d′ employés de sexe féminin ayant moins de 30 ans 1,700

P(A2 ∩ B1 ) = ′
=
nombre total d employés dans la manufacture 16,000
P(A2 ∩ B1 ) = 0.11 ou 11%

19
 b)
nombre d′ employés de sexe féminin 8,200
P(A2 ) = = = 0.51 ou 51%
nombre total d′ employés dans la manufacture 16,000

Ou encore P(A2 ) = P[(B1 ∩ A2 ) ∪ (B2 ∩ A2 ) ∪ (B3 ∩ A2 )]. Or, puisque les événements
(B1 ∩ A2 ), (B2 ∩ A2 ) et (B3 ∩ A2 ) ne peuvent pas se réaliser en même temps alors,
P(A2 ) = P[(B1 ∩ A2 ) ∪ (B2 ∩ A2 ) ∪ (B3 ∩ A2 )] = P(B1 ∩ A2 ) + P(B2 ∩ A2 ) + P(B3 ∩ A2 )

1,700 4,200 2,300 8,200

𝑃(𝐴2 ) = + + = = 0.51 𝑜𝑢 51%
16,000 16,000 16,000 16,000

c) On obtient de la même manière,

2,900
𝑃(𝐵1 ) = = 0,18 𝑜𝑢 18%
16,000
d) De même,
6,300
𝑃(B3c ) = 1 − P(B3 ) = 1 − = 1 − 0.39 = 0.61 ou 61%
16,000
e)
8,200 6,300 2,300
P(A2 ∪ B3 ) = P(A2 ) + P(B3 ) − P(A2 ∩ B3 ) = + − = 0.76 ou 76%
16,000 16,000 16,000
f)
7,800 8,200
P(Ac2 ) = P(A1 ) = = 1 − P(A2 ) = 1 − = 0.49 ou 49%
16,000 16,000

Mots et Concepts clés de ce Module

- Incertitude
- Hasard
- Expérience et phénomènes aléatoires
- Espace échantillon (fini, infini dénombrable et infini non dénombrable)
- Espace échantillon discret et continu
- Evénement
- Evénements élémentaires, impossible, certain
- Evénements incompatibles ou mutuellement exclusifs
- Tribu et tribu d’événements
- Ensemble de Borel
- Boréliens
- Tribu de Borel ou tribu borélienne
- Probabilité (définie sur un espace échantillon discret ou sur une tribu d’événements)
- Modèle uniforme
- Résultats équiprobables
- Equiprobabilité des résultats d’une expérience aléatoire
- Approches classique, fréquentiste, historique et subjectiviste du calcul des probabilités
- Espace probabilisé

20