Probabilités Et Statistiques

UNIVERSITÉ DE JIJEL
FACULTÉ DES SCIENCES ET DE LA TECHNOLOGIE
DÉPARTEMENT DE GÉNIE CIVIL ET HYDRAULIQUE
DÉPARTEMENT DE GÉNIE DES PROCÉDÉS
DÉPARTEMENT DE GÉNIE MÉCANIQUE
Probabilités & Statistique
NOTES DE COURS
Préparée par
HADDAD Touma
Chapitre 1 : Initiation aux probabilités
30 janvier 2021
www.etudpdf.com
Table des matières
Préface 3
1 Initiation aux probabilités 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Espace probabilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Événement et ensemble fondamental . . . . . . . . . . . . . . . . . 5
1.2.2 Événements particuliers . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Opérations sur les événements . . . . . . . . . . . . . . . . . . . . . 8
1.3 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Construction d’une probabilité sur un univers fini . . . . . . . . . . 11
1.3.2 Probabilité uniforme (équiprobabilité) sur Ω fini . . . . . . . . . . . 12
2
www.etudpdf.com
Préface
Unité d’enseignement : UEM 2.1

Matière : Probabilités & Statistique
Crédits : 4, Coefficient : 2
Ces notes s’adressent aux étudiants de deuxième année de Licence des sciences et
technologie, premier semestre (L2S3), matière commune aux spécialités : Génie Civil et
Hydraulique, Génie Mécanique et Génie des Procédés.
N’hésitez pas à me poser les questions !
Dr. HADDAD Touma
Maı̂tre de conférence B
Doctorat es Sciences en Mathématiques
Email : haddadmath1@gmail.com
T.HADDAD Cours de Probabilités & Statistique 3

www.etudpdf.com
Chapitre 1
Initiation aux probabilités
1.1 Introduction
Les probabilités vont nous servir à modéliser des phénomènes où le hasard (l’aléatoire)
intervient et d’en faire l’étude théorique (modèles mathématiques). Autrement dit, la
théorie des probabilités décrit le comportement de phénomènes dont le résultat ne peut
être prévu avec une totale certitude.
En voici quelques exemples :
Expérience Résultat observable
Lancer d’un dé Un entier k ∈ {1, . . . , 6}
Mise en service d’une ampoule Durée de vie T ∈ R
Prélèvement de n objets en sortie
d’une chaı̂ne de production Nombre d’objets défectueux dans l’échantillon
Mélange de deux gaz Répartition spatiale de deux types de molécules
Bien que le résultat précis de chacune de ces expériences soit imprévisible, l’observation
et l’intuition nous amènent à penser que ces phénomènes obéissent à certaines lois.

www.etudpdf.com
1.2. Espace probabilisé
1.2 Espace probabilisé
1.2.1 Événement et ensemble fondamental
Notions de base :
Au cours de cette section, on va donner la définition d’un certain nombre de termes du
vocabulaire utilisé pour la suite.
La notion essentielle introduite étant bien sûr celle de probabilité.
On considére une expérience dont l’issue n’est pas prévisible.
Expérience aléatoire : Une expérience aléatoire ou épreuve E est une expérience
qui, répétée dans des conditions apparemment identique, peut conduire à des résultats
différents. Autrement dit, toute expérience dont le résultat est régi par le hasard l’orsqu’on
répète l’expérience dans les mêmes conditions.
Voici quelques exemples
• Succession d’appels à un standard téléphonique non surchargé.
• Observation de la durée de vie d’un individu anonyme dans une population.
• Observation de la durée de fonctionnement sans panne d’appareil.
Ensemble fondamental :
L’ensemble de tous les résultats possibles de cette expérience s’appelle ensemble fon-
damental (ou univers, espace échantillon, espace des épreuves, espace des pos-
sibles) et est noté traditionnellement Ω (grand omega : la lettre grecque majuscule).
On commence par le cas le plus aisé.
Exemple 1.1 Jeter d’un dé :

On choisit de représenter le hasard par les résultat du jeté, autrement dit par un chiffre
de 1 à 6 :
Ω = {1, 2, 3, 4, 5, 6}

www.etudpdf.com
Exemple 1.2
Si l’expérience consiste à jeter deux pièces de monnaie, alors l’ensemble fondamental
est constitué des 4 éléments suivants :
Ω = {(P, P ), (P, F ), (F, P ), (F, F )}.
On note le résultat
(P, P ) si les deux pièces montrent pile,
(P, F ) si la première pièce montre pile et la seconde face,
(F, P ) si la première pièce montre face et la seconde pile,
(F, F ) si les deux pièces montrent face.
Exemple 1.3
Si l’expérience consiste à mesurer en heures la durée de vie d’un transistor, alors l’en-
semble fondamental est égal à l’ensemble des nombres réels non négatifs, c’est-à-dire
Ω = {x : 0 ≤ x ≤ ∞}
Exemple 1.4
Si l’expérience consiste à lancer deux dés, alors l’ensemble fondamental est comprend
les 36 éléments suivants :
Ω = {1, . . . , 6} × {1, . . . , 6} = {(i, j) : 1 ≤ i ≤ 6, 1 ≤ j ≤ 6},
où i représente le résulat du premier dé et j celui du second.
Événement élémentaire :
Chacun de ces résultats possibles de l’expérience est appelé événement élémentaire.
On note souvent un résultat élémentaire ω (petit omega).
Événement :
I Un événement est un ensemble de résultat (un sous-ensemble de l’univers Ω) d’une
expérience aléatoire, ou une réunion d’événements élémentaires.
Les événements sont des ensembles, représentés souvent par des lettres capitales.
I L’ensemble des événements est donc l’ensemble P(Ω) des parties (ou sous-ensembles)
de Ω.

www.etudpdf.com
• Dans l’exemple 1.1 On lance un dé : Ω = {1, 2, . . . , 6}. On peut s’intéresser à
l’événement A : « on obtient un chiffre pair », c’est-à-dire A = {2, 4, 6}
Réalisation d’un événement :
I Un élément ω ∈ Ω est appelé une réalisation, c’est un résultat possible d’une expérience
aléatoire.
I On dit qu’un événement est réalisé si un des événements élémentaires qui le constitue
est réalisé.
I Tout sous-ensemble A de l’ensemble fondamental Ω est un événement. Si un résulat de
l’expérience est connu dans A, on dit que A est réalisé.
Voici quelques exemples d’événements.
• Dans l’exemple 1.2, si A = {(P, P ), (P, F )}, alors A est l’événement
A : « la première pièce montre pile »
• Dans l’exemple 1.3, si A = {x : 0 ≤ x ≤ 5}, A est l’événement
A : « le transistor dure moins de 5 heures »
• Dans l’exemple 1.4, si A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}, A est l’événement
A : « la somme des nombres montrés par les dé est 7 »
1.2.2 Événements particuliers
I Un singleton {ω} est un événement élémentaire.
I Ω est l’événement certain car il est toujours réalisé.
I ∅ est l’événement impossible car il n’est jamais réalisé.
Définition de l’ensemble des parties d’un ensemble

Une notion mathématique relative aux ensembles. Étant donné un ensemble fini E, l’en-
semble des parties de cet ensemble est P(E), il s’agit tout simplement de l’ensemble des
sous-ensembles de cet ensemble.

www.etudpdf.com
Exemple 1.5 Considérons par exemple l’ensemble suivant : E = {a, b, c}.

Ainsi, l’ensemble des parties de notre ensemble E, que l’on notera P(E) dans l’usage, est
l’ensemble qui contient tous les sous-ensembles :
n o
P(E) = ∅, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, {a, b, c}
1.2.3 Opérations sur les événements
Un événements étant un élément de P(Ω) obéit à la théorie des ensembles. (P(Ω)
l’ensemble des parties de Ω). on va indiquer dans le tableau ci-après comment certaines
notions ensemblistes s’expriment, ou se traduisent, en termes d’événement.
Les opérations logiques sur les événements : « et ≡ ∧ », « ou ≡ ∨ », « négation de A
≡ A » se traduisent par des opérations ensemblistes : intersection, réunion, passage au
complémentaire. Voici le tableau de correspondance entre les deux langages. Audrement
dit, il existe un vocabulaire propre aux événements, différent du vocabulaire ensembliste.
Notations Vocabulaire ensembliste Vocabulaire probabiliste
∅ ensemble vide événement impossible
Ω ensemble plein événement certain
ω élément de Ω événement élémentaire
A sous-ensemble de Ω événement
ω∈A ω appartient à A l’événement A est réalisé
A=B ensembles A et B sont égaux les événements A et B sont identique
A⊂B A inclus dans B(A implique B) A ne peut être réalisé sans que B le soit
A∪B réunion de A et B(A ou B) un au moins des deux événements est réalisé
A∩B intersection de A et B(A et B) les deux événements sont réalisés
A∩B =∅ A et B sont disjoints les événements A et B sont incompatibles
A = Ω − A ou Ac complémentaire de A dans Ω l’événement A n’est pas réalisé

www.etudpdf.com
I Deux événements A et B sont dits incompatibles si la réalisation de l’un implique la
non-réalisation de l’autre. Autrement dit, si A ∩ B = ∅ (A et B sont représentés par deux
parties disjointes), c-à-d, si la réalisation simultanée des événements A et B est imposible,
les événements A et B sont incompatibles
Il est clair, par exemple que A et Ac sont incompatibles (A ∩ Ac = ∅).
I Système complet d’événements
Une partition de Ω est un système complet d’événement. Autrement dit, des événements
(Ai )i∈I forment un système complet s’il sont différents de ∅, deux à deux incompatibles
S
et si Ai = Ω.
i∈I
Remarque 1.1 Tribu d’événements où σ-algèbre

Il faut noter que
a) Dans le cas où Ω est fini, ou dénombrable, on retient P(Ω) = A comme ensemble des
événements liée à E.
b) Par contre, lorsque Ω est un ensemble infini non dénombrable, P(Ω) n’a pas toujours les
propriétés mathématiques nécessaires pour être considéré comme une tribu d’événements.
Dans ce cas, on retient comme ensemble des événements liée à E, une partie A de P(Ω)
qui vérifie les propriétés suivantes d’une tribu sur Ω :
i) Ω ∈ A
ii) Si A ∈ A alors A ∈ A (la stabilité de A par passage au complémentaire)
S
iii) Pour toute suite (An )n∈N d’élément de A, An = A0 ∪ A1 . . . est encore un élément
n∈N
de A (la stabilité de A par réunion dénombrable)
c) Le couple (Ω, A) formé de l’ensemble fondamentale (univers) Ω et de la tribu A

d’événements associée (liée) à E s’appelle un espace probabilisable.
d) Dans les cas simples où Ω est un ensemble fini, ou éventuellement infini dénombrable,
on peut retenir comme tribu des événements P(Ω) tout entier.
e) Autrement dit, quand Ω est un ensemble dénombrable, P(Ω) peut toujours être considéré
comme une Tribu des événements qu’on peut lui associer pour former l’espace
probabilisable (Ω, P(Ω)).

www.etudpdf.com
1.3. Probabilité
Cette terminologie signifie que l’on va pouvoir associer une probabilité, noté P , à ce
model (Ω, A).
1.3 Probabilité
Une fois défini l’ensemble d’événements auxquels on s’intéresse, on va essayer de tra-
duire par un nombre leurs probabilités de réalisation.
Une probabilité sera un nombre associé à un événement, comprie entre 0 et 1, l’événement
certain Ω se voit attribuer la probabilité 1 et l’événement impossible ∅ la probabilité 0.
Définition 1.1 Soit Ω un univers associé à une expérience aléatoire E et soit A une tribu
d’événements liée à E. (Ω, A) étant un espace probabilisable. On appelle probabilité P sur
l’espace (Ω, A) une application P : A −→ [0, 1] telle que :
1) P (Ω) = 1
2) pour toute suite (An )n∈N d’événements deux à deux incompatibles, soit An ∈ A avec
Am ∩ An = ∅ pour n 6= m :
[ ∞
X
P An = P (An )
n∈N n=0
propriété dite de σ-additive.
I Le triplet (Ω, A, P ) s’appelle un espace probabilisé.
Comme conséquences de la définition on déduit les propriétés suivantes.
Propriétés
1. L’événement imposible est de probabilité nulle :
P (∅) = 0
2. La probabilité de l’événement complémentaire d’un événement quelconque A :
P (A) = 1 − P (A)
3. Si un événement en implique un autre, sa probabilité est plus petit :

www.etudpdf.com
1.3. Probabilité
A ⊂ B ⇒ P (A) ≤ P (B)
4. La probabilité de l’union de deux événements s’obtient par la formule :
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
1.3.1 Construction d’une probabilité sur un univers fini
Soit Ω = {ω1 , ω2 , . . . , ωn } un univers fini. Notons Ai l’événement élémentaire
Ai = {ωi }. Toute probabilité P sur Ω est entièrement déterminée par la donnée
de n nombres pi , 1 ≤ i ≤ n, associés à chacun d’événements élémentaires
pi = P ({Ai }) = P ({ωi }),
tels que
n
X
0 ≤ pi ≤ 1 et pi = 1,
i=1
suffit à déterminer une probabilité P sur (Ω, P(Ω)) par

X X
P (A) = P ({ωi }) = {pi /ωi ∈ A}
ωi ∈A
P (A) représente la probabilité que le résultat de l’expérience est en A.
Ceci permet de donner une définition équivalente à la précédente.
Définition 1.2 Une probabilité sur l’ensemble Ω = {ω1 , ω2 , . . . , ωn } est la donnée de n

nombres pi , 1 ≤ i ≤ n, 0 ≤ pi ≤ 1 tel que
n
X
pi = 1
i=1
Définition du cardinal d’un ensemble fini
Introduisons à nouveau une notion mathématique liée aux ensembles. Tout d’abord, rap-
pelons qu’un ensemble est dit fini quand il contient un nombre fini d’éléments.
On appelle cardinal d’un ensemble fini le nombre d’éléments qu’il contient. Ce nombre est
un nombre entier que l’on notera : cardinal(A):= cardA.

www.etudpdf.com
1.3. Probabilité
1.3.2 Probabilité uniforme (équiprobabilité) sur Ω fini
Il s’agit d’un cas assez fréquent où tous les événements élémentaires ont la même pro-
babilité et la même chance de se réaliser. C’est la modélisation qui s’impose naturellement
lorsqu’on n’a pas de raison de penser a priori qu’un résultat élémentaire de l’expérience
soit favorisé ou défavorisé par rapport aux autres. Autrement dit, dans toutes les situa-
tions où aucun événement élémentaire ne doit être distingué des autre, on suppose que
tous les événements élémentaires sont équiprobables.
Plus précisément, considérons une expérience dont l’ensemble fondamental Ω est fini,
Card(Ω) = n, on suppose que Ω = {ω1 , ω2 , . . . , ωn }. L’hypothèse d’équiprobabilité nous
permet d’écrire
P ({ω1 }) = P ({ω2 }) = . . . = P ({ωn })
(On parle alors d’événements élémentaires équiprobables).
ce qui implique que

1
P ({ωi }) = , 1 ≤ i ≤ n.
Card(Ω)
La probabilité ainsi définie sur l’ensemble Ω s’appelle probabilité uniforme, donnée par
X Card(A)
∀A ∈ P(Ω) P (A) = P ({ωi }) =
ωi ∈A
Card(Ω)
Ce résultat s’énonce souvent sous la forme
nombre de cas favorables

P (A) =
nombre de cas possibles
un cas favorable étant un événement élémentaire qui réalise A
On est alors ramené à un simple problème de dénombrement.
I Il faut bien faire attention que cette régle ne s’applique que dans le cas d’équiprobabilité
des événements élémentaires.
I Dans ce cas, il suffit de savoir calculer le cardinal des ensembles considérés pour calculer
les probabilités.

www.etudpdf.com
1.3. Probabilité
Remarque 1.2 Choisir un élément au hasard signifie que les divers choix possibles sont
équiprobables, donc que l’ensemble Ω est muni de la probabilité uniforme. Dans ce cas, tous
les calculs se ramènent à du dénombrement (calculs d’analyse combinatoire).
Ces exemples permettent de bien comprendre l’importance du choix de l’espace de
probabilité sur lequel on travaille.
Exemples
• Reprenons l’exemple 1.1 du lancer de dé à 6 faces,
1
pour tout ω ∈ {1, 2, . . . , 6}, P ({ω}) = .
6
Si on note l’événement ”on obtient un chiffre pair” par A = {2, 4, 6}, alors
Card(A) 3 1
P (A) = = = .
Card(Ω) 6 2
• Revenons à l’exemple 1.4 :
Si deux dés sont jetés, quelle est la probabilité que la somme des faces soit 7 ?
Ω = {1, . . . , 6} × {1, . . . , 6} = {(i, j) : 1 ≤ i ≤ 6, 1 ≤ j ≤ 6},
où i représente le résulat du premier dé et j celui du second, i + j = 7
Card(Ω) = 6 × 6 = 36.
Nous résoudrons ce problème en faisant l’hypothèse que les 36 issues (résultats) possibles
sont équiprobables. Puisqu’il y a 6 issues, à savoir A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)},
qui donnent une somme de 7 pour les deux dés, la probabilité est
nombre de cas favorables 6 1

P (A) = = = .
nombre de cas possibles 36 6

www.etudpdf.com
NOTES DE COURS
Préparée par
HADDAD Touma
Chapitre 2 : Rappels et complément d’analyse combinatoire
30 janvier 2021
www.etudpdf.com
Préface 3
2 Rappels et complément d’analyse combinatoire 5
2.1 Principe fondamental de dénombrement . . . . . . . . . . . . . . . . . . . . 6
2.2 Arrangements-Permutations-Combinaisons . . . . . . . . . . . . . . . . . . 7
2
www.etudpdf.com
Préface

Dr. HADDAD Touma
Email : haddadmath1@gmail.com
Université de Jijel Cours de Probabilités & Statistique 3

www.etudpdf.com
Chapitre 1

www.etudpdf.com
Chapitre 2
Rappels et complément d’analyse

combinatoire
Des problèmes en théorie des probabilités peuvent être résolus simplement en comptant
le nombre de manières différentes selon lesquelles un certain événement peut se réaliser.
par convention on appelle analyse combinatoire la théorie mathématique du dénombrement.
Indications générales
a) Questions à se poser
Pour dénombrer des situations, il est commode de se poser les questions :
I quel est le nombre n d’objets de référence ?
I quel est le nombre p d’objets concernés par une situation ?
I les p objets sont-ils considérés sans ordre (tirage simultané) ou avec ordre (c’est-à-dire
que la situation est différente si les même p objets sont classés de façon différente) ?
I les répétitions sont-elles imposibles ( les p objets sont tous distincts, tirage sans remise)
ou possible (tirage avec remise) ?
a) Opérations à effectuer
Quand une situation comporte plusieurs choix :

www.etudpdf.com
Rappels et compléments d’analyse combinatoire T.HADDAD
I on effectue un produit quand on doit faire un choix, puis un autre · · ·
I on effectue une somme quand on considère un cas ou bien un autre · · ·
2.1 Principe fondamental de dénombrement
Ce principe de dénombrement sera essentiel par la suite, il établit en gros que si une
expérience peut produire m résultats et une autre n, alors il y a mn résultats possibles
lorsqu’on considère ces deux expériences ensemble.
Théorème :
Supposons qu’il y a deux expériences à réalisé. Si l’expérience 1 peut produire l’un quel-
conque de m résultats et si, pour chacun d’entre eux, il y a n résultats possibles pour
l’expérience 2, alors il existe mn résultats pour les deux expériences prises ensemble.
Principe fondamental généralisé

Lorsque’il y a plus de deux expériences à réalisé, le principe fondamental de dénombrement
peut être généralisé comme suit :
Si r expériences doivent être réalisées, et s’il y a ni résultats possibles pour la ième
expérience, i = 1, . . . , r, il aura alors un total de n1 × n2 × n3 × . . . × nr résultats pour
les r expériences prises ensemble.
Exemple 2.1 une petite communauté se compose de dix hommes et de leurs fils, chaque
homme ayant trois fils. Si un homme et l’un de ses fils doivent être désignés « père et fils
exemplaire », combien y a-t-il de choix différents possibles ?
Solution : En considérant le choix du père comme la première expérience et ensuite le
choix de l’un de ses fils comme la second expérience, nous concluons
d’après le principe fondamental de dénombrement qu’il y a 10 × 3 = 30 choix possibles.

www.etudpdf.com
2.2 Arrangements-Permutations-Combinaisons
Situations sans répétition

a)Avec ordre
Dans un ensemble à n éléments, il s’agit de choisir p éléments tous distincts (ce qui
nécessite p ≤ n) et avec ordre. Une telle situation est un arrangement de p éléments pris
parmi n éléments. Leur nombre (qu’on peut noter Apn ) est
n!
Apn = = n(n − 1) · · · (n − p + 1)
(n − p)!
Dans le cas particulier où p = n, on dit qu’il s’agit d’une permutation d’un ensemble à
n éléments, il y en a n!.
I L’expression n!, dite n factorielle est définie par l’équation
n! = n(n − 1)(n − 2)(n − 3) · · · 3 · 2 · 1
b)Sans ordre
Dans un ensemble à n éléments, il s’agit de choisir une partie à p éléments (ou objets) (ce
qui nécessite p ≤ n). Leur nombre est le nombre de combinaisons de p objets pris parmi
n éléments.
n!
I Ancienne notation Cpn = .
p!(n − p)!
I La notation actuelle est :  
 n  n!
 =
p!(n − p)!
p
Propriétés :
         
 n   n   n+1   n   n 
 =  ;  = + 
p n−p p+1 p p+1

www.etudpdf.com
Cas particuliers : Par convention 0! a pour valeur 1. Donc

       
 n   n   n   n 
 = =1 ;  =  = n.
0 n 1 n−1
Situations avec répétition

a)Avec ordre (arrangements avec répétition)
Dans un ensemble à n éléments, il s’agit de choisir p éléments rangés (avec la possibilité
de choisir plusieurs fois le même).
Il y a np possibilités.
b)Sans ordre (combinaisons avec répétition)
Dans un ensemble à n éléments, il s’agit de choisir p éléments sans ordre (avec la possi-
bilité de choisir plusieurs fois le même).
 
 n+p−1 
  est le nombre de combinaisons avec répétition.
p
Il est noté Knp .
c)Permutations avec répétition
Soit un ensemble à n éléments comportant :
n1 éléments d’un premier type, indiscernables entre eux,
n2 éléments d’un deuxième type, indiscernables entre eux,
nq éléments d’un q−ième type, indiscernables entre eux.
Une permutation avec répétition de ces n éléments est une disposition ordonnée
de ces éléments
n!
Il y en a
n1 ! × n2 ! · · · nq !

www.etudpdf.com
Tableau récapitulatif des formules de dénombrement

sans répétition avec répétition
avec ordre Apn np

   
 n   n+p−1 
sans ordre    
p p
Exemple 2.2 On veut former un comité comprenant 3 des 20 personnes d’un groupe.
Combien y a–t-il de ces comités ?
Solution
 : 
 20  20! 20 · 19 · 18
Il y a  = = = 1140 comités possibles.
3!(20 − 3)! 3·2·1
3


www.etudpdf.com
NOTES DE COURS
Préparée par
HADDAD Touma
Chapitre 3 : Probabilité conditionnelle et indépendance
30 janvier 2021
www.etudpdf.com
Préface 3
2 Rappels et complément d’analyse combinatoire 5
3 Probabilité conditionnelle et indépendance 6
3.1 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4 Indépendance en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2
www.etudpdf.com
Préface

Dr. HADDAD Touma
email : haddadmath1@gmail.com

www.etudpdf.com
Chapitre 1

www.etudpdf.com
Chapitre 2
Rappels et complément d’analyse

combinatoire

www.etudpdf.com
Chapitre 3
Probabilité conditionnelle et
indépendance
Dans le chapitre précédent, on a parlé de la probabilité d’un événement sans tenir
compte de la réalisation d’autres événements. En pratique, on peut considérer plusieurs
événements, certains pouvant avoir une influence sur la réalisation d’autres événements.
3.1 Probabilité conditionnelle

Définition 3.1 Soit (Ω, A, P ) un espace probabilisé. Soient A et B deux événements,
avec P (B) > 0 (P (B) 6= 0). On appelle probabilité conditionnelle de A sachant que B
est réalisé, la quantité
P (A ∩ B)
P (A \ B) =
P (B)
Cette nouvelle probabilité, notée P (· \ B), est définie sur la tribu conditionnelle
A \ B = {A ∩ B/A ∈ A}.
La formule de définition de la probabilité conditionnelle peut aussi s’écrire, si P (A) > 0
P (A ∩ B) = P (B)P (A \ B) = P (A)P (B \ A)

www.etudpdf.com
Probabilité conditionnelle et indépendance T.HADDAD
et s’appelle parfois formule des probabilités composées ; elle se généralise au cas n de
événements (n ≥ 2) par récurrence
P (A1 ∩ A2 ∩ . . . ∩ An ) = P (A1 )P (A2 \ A1 )P (A3 \ A1 ∩ A2 ) . . . P (An \ A1 ∩ A2 ∩ . . . ∩ An−1 )
or
n
Y k−1
\
P (A1 ∩ A2 ∩ . . . ∩ An ) = P (A1 ) P (Ak \ Ai ).
k=2 i=1
Par example, pour trois événements A, B, C tels que P (A) 6= 0 et P (A ∩ B) 6= 0, on peut
écrire
P (A ∩ B ∩ C) = P (A) × P (B \ A) × P (C \ A ∩ B).
Exemple 3.1 Une urne contient deux boules rouges et trois vertes, quatre personnes
tirent successivement une boule sans la remettre (sans remise), la première qui tire une
boule rouge gagne.
Calculons la probabilité de gain de chaque personne A, B, C, D.
Solution
Définissons les événements Ri , Vi , i = 1, 2, 3, 4 de la manière suivante
Ri : « la ième personne tire une boule rouge, i = 1, 2, 3, 4 »
Vi : « la ième personne tire une boule verte, i = 1, 2, 3, 4 »
A : « la 1ière personne gagne », B : « la 2ème personne gagne »,
C : « la 3ème personne gagne », D : « la 4ème personne gagne ».
D’après le principe fondamental de l’analyse combinatoire (dénombrement) et la formule de
probabilité uniforme on trouve
nombre de cas favorables 2
P (A) = P (R1 ) = =
nombre de cas possibles 5
3 2 3
P (B) = P (V1 ) · P (R2 \ V1 ) = × =
5 4 10
3 2 2 1
P (C) = P (V1 ) · P (V2 \ V1 ) · P (R3 \ V1 ∩ V2 ) = × × =
5 4 3 5
3 2 1 2 1
P (D) = P (V1 ) · P (V2 \ V1 ) · P (V3 \ V1 ∩ V2 ) · P (R4 \ V1 ∩ V2 ∩ V3 ) = × × × =
5 4 3 2 10
Le prochain exemple illustre le concept du probabilité conditionnelle.

www.etudpdf.com
Exemple 3.2 On lance un dé dont les faces sont numérotées de 1 à 6. les faces 3 et 6
sont blanches. Les faces 1 , 2 et 4 sont rouges. la face 5 est bleue. On suppose que le dé
est truqué et on a les probabilités des événements élémentaires suivantes :
P ({1}) = 0, 1 P ({2}) = P ({3}) = P ({4}) = 0, 2 P ({5}) = P ({6}) = 0, 15
Quelle est la probabilité d’obtenir une face avec un numéro pair sachant que la face est
blanche ?
Solution
Notons les événements
N : « numéro pair »
B : « face blanche »
On cherche la probabilité P (N \ B) =?. D’après la formule de la probabilité conditionnelle
P (N ∩ B)
P (N \ B) =
P (B)
On a
P (N ) = P ({2} ∪ {4} ∪ {6}) = P ({2}) + P ({4}) + P ({6}) = 0, 2 + 0, 2 + 0, 15 = 0, 55

P (B) = P ({3} ∪ {6}) = P ({3}) + P ({6}) = 0, 2 + 0, 15 = 0, 35
P (B ∩ N ) = P ({6}) = 0, 15
d’où
P (N ∩ B) 0, 15 3
P (N \ B) = = = ≈ 0, 42
P (B) 0, 35 7
3.2 Formule des probabilités totales
Cette formule est trés utile puisqu’elle nous permet dans bien des cas de déterminer
la probabilité d’un événement en commencant par le conditionner selon l’apparition ou
non d’un autre événement. Autrement dit, il existe de nombreuses situations où il est
difficile de calculer directement la probabilité d’un événement mais où il est, par contre,
possible de la calculer connaissant ses probabilités conditionnelles si certains événements
sont réalisés.

www.etudpdf.com
Soient A1 , . . . , An n événements dans A formant un système complet telle que
P (Ai ) > 0, ∀i = 1, 2, . . . , n. Pour tout événement A, on a

n
X
P (A) = P (A \ Ai ) × P (Ai )
i=1
c’est-à-dire
P (A) = P (A \ A1 ) × P (A1 ) + P (A \ A2 ) × P (A2 ) + . . . + P (A \ An ) × P (An ).
Remarque 3.1 En particulier, si A est un événement et si {F, F C } est une partition de

Ω, alors
P (A) = P (A \ F ) × P (F ) + P (A \ F C ) × P (F C )
Exemple 3.3 Trois urnes U1 , U2 et U3 contiennent respectivement 5, 6 et 9 boules. Les

boules de U1 sont numérotées de 1 à 5. Les boules de U2 sont numérotées de 6 à 11. Celle
de U3 sont numérotées de 12 à 20.
On tire au hasard une boule. Quelle est la probabilité d’obtenir un nombre premier ?
Solution
Soient les événement
B : « obtenir un nombre premier » Ai : « tirer la boule dans Ui , i = 1, 2, 3 »
on a A1 = {1, . . . , 5}, A2 = {6, . . . 11} et A3 = {12, . . . , 20}
Il est évident que A1 , A2 et A3 forment un système complet d’événement car
A1 ∪ A2 ∪ A3 = Ω = {1, 2, . . . , 20} et Ai ∩ Aj = ∅, i 6= j
la probabilité de tirer une boule contient un nombre premier de U1 (U2 et U3 resp ) est
A1 = {1, 2, 3, 4, 5}, P (B \ A1 ) = = , P (A1 ) =
A2 = {6, 7, 8, 9, 10, 11}, P (B \ A2 ) = = , P (A2 ) =
A3 = {12, 13, 14, 15, 16, 17, 18, 19, 20}, P (B\A3 ) = = , P (A3 ) =

www.etudpdf.com
ainsi, la probabilité d’obtenir un nombre premier est

n
X
P (B) = P (B \ Ai ) × P (Ai )
i=1
= P (B \ A1 ) × P (A1 ) + P (B \ A2 ) × P (A2 ) + P (B \ A3 ) × P (A3 )

3 5 2 6 3 9
= × + × + ×
5 20 6 20 9 20
4
=
5

Le résultat suivant qui porte le nom de formule de Bayes est souvent utile
3.3 Formule de Bayes
La formule de Bayes présente un grand intérêt car elle permet de modifier notre
connaissance des probabilités en fonction d’informations nouvelles.
{A1 , . . . , An } étant un système complet d’événements et A un événement tel que
P (A) 6= 0, on a ∀j ∈ {1, . . . , n}
P (A \ Ai )P (Ai )
P (Ai \ A) = P
n
P (A \ Aj )P (Aj )
j=1
résultat appelé formule de Bayes ou parfois théorème de Bayes.
l’exemple suivant va néanmoins servir à donner une idée intuitive du champ d’appli-
cation de cette formule importante.

Exemple 3.4 Il y a 4% d’absenteisme chez les employés travaillant de jour, 8% chez ceux
qui travaillent le soir et 22% chez ceux qui travaillent de nuit. Il y a 80% des employés
qui travaillent de jour, 10% qui travaillent de soir et 10% qui travaillent de nuit.
On choisit un employé, quelle est la probabilité qu’il travaille de jour sachant qu’il était
absent du travail.
Solution
On définit les événements suivants

www.etudpdf.com
E1 : « employé travaille de jour »

E2 : « employé travaille de soir »
E3 : « employé travaille de nuit »
A : « employé est absent »
On cherche P (E1 \A) =?. Les données de l’exemple :
4 80
P (A\E1 ) = 100
= 0, 04 P (E1 ) = 100
= 0, 8
4 10
P (A\E1 ) = 100
= 0, 08 P (E2 ) = 100
= 0, 1
4 10
P (A\E1 ) = 100
= 0, 22 P (E3 ) = 100
= 0, 1
d’après la formule des probabilités totales
P (A) = P (A\E1 )P (E1 ) + P (A\E2 )P (E2 ) + P (A\E3 )P (E3 )

= 0, 04 × 0, 8 + 0, 08 × 0, 1 + 0, 22 × 0, 1 = 0, 062
et d’après la formule de Bayes
P (A\E1 )P (E1 )
P (E1 \A) =
P (A\E1 )P (E1 ) + P (A\E2 )P (E2 ) + P (A\E3 )P (E3 )
0, 04 × 0, 8
= = 0, 51613 ≈ 0, 51
0, 04 × 0, 8 + 0, 08 × 0, 1 + 0, 22 × 0, 1
3.4 Indépendance en probabilité

Définition 3.2 Dans un espace probabilisé (Ω, A, P ), deux événements A et B sont
dits indépendants si
P (A ∩ B) = P (A) × P (B)
Deux événements sont dépendants s’il ne sont pas indépendants.
En d’autre termes, on dit que les événements A et B sont indépendants si et seulement
si la probabilité de réalisation simultanée de ces événements est égal au produit de leurs
probabilités individuelles, c-à-d, la réalisation de A ne modifie pas la probabilité de réalisation
de B, et inversement.

www.etudpdf.com
Exemple 3.5
On jette un dé rouge et un dé vert et on considère les événements
A : « le dé vert marque 6 », et B : « le dé rouge marque 5 ».
Il nous faut démontrer que ces deux événements sont indépendants
(bien entendu ce résultat est évident, il n’y a pas d’influence d’un dé sur l’autre.)
L’ensemble fondamental retenu est
Ω = {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}
1 1
sur lequel il y a équiprobabilité P ({ω}) = = . Comme
CardΩ 36
A = {6} × {1, 2, 3, 4, 5, 6} = {(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)},
B = {1, 2, 3, 4, 5, 6} × {5} = {(1, 5), (2, 5), (3, 5), (4, 5), (5, 5), (6, 5)}
et A ∩ B = {(6, 5} on obtient
CardA 6 1
P (A) = = =
CardΩ 36 6
CardB 6 1
P (B) = = =
CardΩ 36 6
Card(A ∩ B) 1
P (A ∩ B) = = = P (A) × P (B)
CardΩ 36
et donc les événements A et B sont indépendants.
Propriété
A et B étant deux événements d’un espace probabilisé (Ω, A, P ), on a :
A et B indépendants ⇐⇒ A et B indépendants
⇐⇒ A et B indépendants
⇐⇒ A et B indépendants
Indépendance mutuelle
L’indépendance de deux événements est définie relativement à une probabilité. L’indépendance
mutuelle d’un nombre quelconque d’événements est une condition plus forte que l’indépendance
de ces événements pris seulement deux à deux.

www.etudpdf.com
On considère n événements Ai , avec n > 2, pour tout 1 ≤ i 6= j ≤ n,
2 ≤ k ≤ n, on a
P (Ai1 ∩ Ai2 ∩ Ai3 . . . ∩ Aik ) = P (Ai1 )P (Ai2 )P (Ai3 ) . . . P (Aik ).

www.etudpdf.com

Probabilités Et Statistiques

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilités Et Statistiques

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITÉ DE JIJEL

FACULTÉ DES SCIENCES ET DE LA TECHNOLOGIE

DÉPARTEMENT DE GÉNIE CIVIL ET HYDRAULIQUE

DÉPARTEMENT DE GÉNIE DES PROCÉDÉS

DÉPARTEMENT DE GÉNIE MÉCANIQUE

Probabilités & Statistique

Chapitre 1 : Initiation aux probabilités

1 Initiation aux probabilités 4

1.2 Espace probabilisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2.1 Événement et ensemble fondamental . . . . . . . . . . . . . . . . . 5

1.2.2 Événements particuliers . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.3 Opérations sur les événements . . . . . . . . . . . . . . . . . . . . . 8

1.3.1 Construction d’une probabilité sur un univers fini . . . . . . . . . . 11

1.3.2 Probabilité uniforme (équiprobabilité) sur Ω fini . . . . . . . . . . . 12

Unité d’enseignement : UEM 2.1

Hydraulique, Génie Mécanique et Génie des Procédés.

N’hésitez pas à me poser les questions !

Dr. HADDAD Touma

Doctorat es Sciences en Mathématiques

T.HADDAD Cours de Probabilités & Statistique 3

Initiation aux probabilités

intervient et d’en faire l’étude théorique (modèles mathématiques). Autrement dit, la

théorie des probabilités décrit le comportement de phénomènes dont le résultat ne peut

être prévu avec une totale certitude.

En voici quelques exemples :

Expérience Résultat observable

Lancer d’un dé Un entier k ∈ {1, . . . , 6}

Mise en service d’une ampoule Durée de vie T ∈ R

Prélèvement de n objets en sortie

d’une chaı̂ne de production Nombre d’objets défectueux dans l’échantillon

Mélange de deux gaz Répartition spatiale de deux types de molécules

T.HADDAD Cours de Probabilités & Statistique 4

1.2 Espace probabilisé

1.2.1 Événement et ensemble fondamental

vocabulaire utilisé pour la suite.

La notion essentielle introduite étant bien sûr celle de probabilité.

On considére une expérience dont l’issue n’est pas prévisible.

Expérience aléatoire : Une expérience aléatoire ou épreuve E est une expérience

répète l’expérience dans les mêmes conditions.

Voici quelques exemples

• Succession d’appels à un standard téléphonique non surchargé.

• Observation de la durée de vie d’un individu anonyme dans une population.

• Observation de la durée de fonctionnement sans panne d’appareil.

sibles) et est noté traditionnellement Ω (grand omega : la lettre grecque majuscule).

On commence par le cas le plus aisé.

Exemple 1.1 Jeter d’un dé :

T.HADDAD Cours de Probabilités & Statistique 5

Ω = {(P, P ), (P, F ), (F, P ), (F, F )}.

Ω = {1, . . . , 6} × {1, . . . , 6} = {(i, j) : 1 ≤ i ≤ 6, 1 ≤ j ≤ 6},

où i représente le résulat du premier dé et j celui du second.

Chacun de ces résultats possibles de l’expérience est appelé événement élémentaire.

On note souvent un résultat élémentaire ω (petit omega).

I Un événement est un ensemble de résultat (un sous-ensemble de l’univers Ω) d’une

expérience aléatoire, ou une réunion d’événements élémentaires.

T.HADDAD Cours de Probabilités & Statistique 6

• Dans l’exemple 1.1 On lance un dé : Ω = {1, 2, . . . , 6}. On peut s’intéresser à

l’événement A : « on obtient un chiffre pair », c’est-à-dire A = {2, 4, 6}

Réalisation d’un événement :

I Tout sous-ensemble A de l’ensemble fondamental Ω est un événement. Si un résulat de

l’expérience est connu dans A, on dit que A est réalisé.

Voici quelques exemples d’événements.

• Dans l’exemple 1.2, si A = {(P, P ), (P, F )}, alors A est l’événement

A : « la première pièce montre pile »