PRB - Chap1 - Espace de Probabilité

Préliminaire mathématique et motivation Langage des probabilités Espace probabilisé Probabilité Conditionnelle et In
Cours de Probabilités
Éléments de théorie et procédures de calcul
ESPACE PROBABILISÉ, CONDITIONNEMENT ET

INDÉPENDANCE
Abdeljalil SETTAR
a.settar.fstm@gmail.com
Code Classroom : z6jgx6f
Université Hassan 2 – Faculté des sciences et techniques
A.U 2023-2024
A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 1 / 74

Plan du chapitre
1 Préliminaire mathématique et motivation
2 Langage des probabilités
3 Espace probabilisé
4 Probabilité Conditionnelle et Indépendance

Préliminaire mathématique

Notions de la théorie des ensembles
Opérations sur les ensembles

Intersection : A ∩ A = A A∩Ω=A A∩∅=∅
Union (inclusive) : A ∪ A = A A∪Ω=Ω A∪∅=A
Négation : A ∩ A = ∅ A∪A=Ω
Lois de Morgan : A ∩ B = A ∪ B A∪B =A∩B
Distributivité :
A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C )
A ∪ (B ∩ C ) = (A ∪ B) ∩ (A ∪ C )

Définition : Ensemble des parties

Soit E un ensemble. L’ensemble des parties de E est l’ensemble constitué
de tous les sous-ensemble (parties) de E. Il est noté P(E ).
Exemple : Soit E = {1, 2, 3}. Alors
P(E ) = {{1}, {2}, {3}, {1, 2}, {2, 3}, {1, 3}, E , ∅}
À noter !
x et {x } sont deux objets mathématiques différents. En fait, x ∈ {x }.
Les expressions suivantes sont équivalentes :
x ∈ E ⇔ {x } ⊂ E ⇔ {x } ∈ P(E )

Définition : Produit cartésien de deux ensembles

On appelle produit cartésien de deux ensembles E et F, l’ensemble noté
E × F des couples (x , y ) tels que x ∈ E et y ∈ F .
Exemple : Soient E = {1, 2, 3} et F = {a, b}. Alors
E × F = {(1, a); (1, b); (2, a); (2, b); (3, a); (3, b)}
F × E = {(a, 1); (a, 2); (a, 3); (b, 1); (b, 2); (b, 3)}
E 2 = {1, 2, 3}2
= {(1, 1); (1, 2); (1, 3); (2, 1); (2, 2); (2, 3); (3, 1); (3, 2); (3, 3)}

Ensemble fini, ensemble infini dénombrable, ensemble infini non dénombrable
Définitions
Un ensemble E est fini s’il a n éléments pour un entier naturel unique
n. On note Card(E ) = n.
Un ensemble qui n’est pas fini est dit infini.
− Les ensembles N, R, [0, 1[ sont infinis.
(Intuitivement) Un ensemble infini E est dénombrable si ses éléments

peuvent être énumérés. Un tel ensemble s’écrit :
E = {xi , i ∈ I ⊆ N}
− N, Q sont infinis dénombrables.

− R, [0, 1[ sont infinis non dénombrables.

Motivation

Motivation
"Déterministe", "Aléatoire" et "Empirique".
Proportion vs Probabilité.
→ Soit un ensemble de 10 étudiants ayant passé un examen de Statistique,
parmi lesquels, 7 l’ont validé.
7
− La proportion des étudiants qui ont validé est (soit 70%).
10
− En choisissant au hasard un étudiant parmi les 10 étudiants, la probabilité
7
qu’il valide le module est de .
10
L’empirique converge vers l’aléatoire".
Modèle probabiliste = Identification (univers, événements ...) +

Mesure ( outils mathématique de mesure des chances de réalisation
des événements).

Motivation
Langage des probabilités

Expérience aléatoire
On appelle expérience aléatoire une expérience dont le résultat ne peut
pas être prévu de manière certaine mais l’ensemble des résultats possibles
est connu. L’ensemble des résultats possibles d’une expérience aléatoire est
appelé univers et est noté Ω.
Exemple 1 : Lancer d’un dé

On lance une seule fois un dé dont les faces sont numérotées de 1 à 6,
Ω1 = {1, 2, 3, 4, 5, 6} (univers fini)

Éventualité
Chaque singleton de Ω est appelé une éventualité notée généralement
{ω}.
Ω = {ω1 , ω2 , . . . , ωi , . . .}
Événement
Un événement E est l’occurrence ou non d’un ensemble d’éventualités qui
définissent une propriété attachée à l’expérience.
E = {ω ∈ Ω/E est vrais lorsque ω est r éalisé} ∈ P(Ω)
L’ensemble de tous les événements associés à un univers Ω est inclus dans

P(Ω) et est noté E(Ω). Si Ω est fini ou au plus dénombrable, E(Ω) = P(Ω)

L’univers Ω1 est la réunion des éventualités {1}, {2}, . . . , {6}

On considère les événements :
A : "Obtenir une face portant un chiffre pair".
A = {2, 4, 6} ∈ P(Ω1 )
B : "Obtenir une face portant un chiffre < 3".
B = {1, 2} ∈ P(Ω1 )

Exemples
Exemple 2 : Lancer d’une pièce de monnaie

On lance trois fois successives une pièce de monnaie.
Ω2 = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF } = {F , P}3
(Utiliser l’arbre des possibilités)

L’univers Ω2 est la réunion des éventualités {PPP}, {PPF }, {PFP},

{PFF }, {FPP}, {FPF }, {FFP} et {FFF } .

C : Obtenir un pile lors du troisième lancer.
C = {FFP, FPP, FPF , PFP, PPP} ∈ P(Ω2 )

C’ : Obtenir un pile lors du troisième lancer pour la première fois.
C 0 = {FFP} ∈ P(Ω2 )
D : Obtenir au moins un pile.
D = {PPP, PPF , PFP, FPP, PFF , FPF , FFP}

Remarque
Ω est un événement car Ω ∈ P(Ω). Il est toujours réalisé et est appelé
l’événement certain.
L’ensemble vide est un événement, car ∅ ∈ P(Ω). Il n’est jamais
réalisé car il n’est représenté par aucune éventualité et est appelé
l’événement impossible.

Opérations sur les événements
Exemple 4
On considère trois événements A, B et C définis sur le même univers Ω.
Soient les événements suivants :
E1 : L’événement A n’est pas réalisé

E2 : Les événements A et B et C sont tous réalisés
E3 : Parmi les événements A, B et C, seul A est réalisé
E4 : Au mois l’un des événements A, B et C est réalisé

Terminologies probabiliste et ensembliste
Figure – Terminologies probabiliste et ensembliste
E1 =A
E2 =A∩B∩C
E3 =A∩B∩C
E4 =A∪B∪C
Exemple 5 : Lancer d’un dé plusieurs fois

On lance trois fois successives un dé à six faces. On considère les
événements :
Ak : Obtenir k faces paires, k = 0, 1, 2, 3
Bk : Obtenir k faces impaires, k = 0, 1, 2, 3
Soient les événements :
E1 : Obtenir trois faces de même parité
E2 : Obtenir au plus deux faces paires
E3 : Obtenir moins de trois faces impaires.
- E1 = A3 ∪ B3
- E2 = A0 ∪ A1 ∪ A2 = B3 ∪ A1 ∪ A2 , ou bien E2 = A3
- E3 = B2 ∪ B1 ∪ B0 , ou bien E3 = B3

Astuce
au moins . . .= moins de . . ..
au plus . . .= plus de . . ..
moins de . . .= au moins . . ..
plus de . . .= au plus . . ..

Événements incompatibles
Définition : Événements incompatibles

Deux événements A et B d’un univers Ω sont dits incompatibles si
A∩B =∅
Exemple : Une urne contient deux boules rouges et une boule noire. On
en tire successivement et sans remise deux boules.
Soit Ai : Tirer une boule noire lors du i eme tirage . On a : A1 ∩ A2 = ∅
À noter
Pour tout événement A de Ω, A et A sont toujours incompatibles.

Système complet d’événements
Définition : Système complet d’événements

On dit que n événements A1 , A2 , . . . , An forment un système complet
d’événements de Ω si et seulement si :
Il sont 2 à 2 incompatibles, i.e., ∀i 6= j, Ai ∩ Aj = ∅
Leur réunion est l’événement certain, i.e., A1 ∪ A2 ∪ . . . ∪ An = Ω

Illustration intuitive
- L’ensemble des 4 pièces constituent la maison, étant une partition dans (A),
mais il ne l’est pas dans (B).
Chambre ∪ salon ∪ sejour ∪ cuisine = Maison
- Dans (A), les pièces sont deux à disjoints (incompatibles), contrairement à (B).
Chambre ∩ salon = salon ∩ sejour = sejour ∩ cuisine = chambre ∩ sejour = ∅
Exemple 1 : Lancer du dé à six faces [11] :

- Les événements E1 : Obtenir une face paire et E2 : Obtenir une face
impaire constituent un s.c.e de Ω1 car :
E1 ∩ E2 = ∅ et E1 ∪ E2 = Ω1
- Les événements F1 : Obtenir une face > 3 et F2 : Obtenir une face

≤ 3 constituent un s.c.e de Ω1 car :
F1 ∩ F2 = ∅ et F1 ∪ F2 = Ω1

Exemple 2 : Lancer de la pièce de monnaie [14] :

- Les événements D : Obtenir au moins un pile et l’événement {FFF }
constituent un s.c.e de Ω2 car :
D ∩ {FFF } = ∅ et D ∪ {FFF } = Ω2
- Les événements Bk : Obtenir un pile pour la première fois au k-ième

lancer (k=1,2,3) et C : n’obtenir aucun pile à l’issue des trois lancers,
constituent un s.c.e de Ω2 car :
B1 ∩ B2 ∩ B3 ∩ C = ∅ et B1 ∪ B2 ∪ B3 ∪ C = Ω2
avec B1 = {PXX }, B2 = {FPX }, B3 = {FFP} et C = {FFF }

En utilisant l’arbre :

Espace probabilisé

Mesure de probabilité
Soit E une expérience aléatoire d’univers Ω.

L’identification de l’univers Ω ainsi que l’ensemble des événements qui
lui est associés E(Ω), défini un "espace" probabilisable, sur le quel on
peut "mesurer" les chances de réalisation d’un événement A ∈ E(Ω)
se réaliser.
Une telle mesure est appelée une probabilité notée P(A) est définie
par :
P : E(Ω) −→ [0, 1]
A 7−→ P(A)
Une probabilité n’est pas définie à priori par son expression mais
plutôt par ses "axiomes".

Probabilité sur un univers quelconque (fini ou infini)

Définition "axiomatique"
Toute application P : E(Ω) −→ [0, 1] définit une probabilité si et
seulement si :
(i) P(Ω) = 1
(ii) Si A et B sont deux événements incompatibles de E(Ω), alors :
P(A ∪ B) = P(A) + P(B)
Le triplet (Ω, E(Ω), P) est un espace probabilisé.
Remarque : L’axiome (ii) se généralise à toute suite d’événements

A1 , A2 , . . . , An incompatibles deux à deux tel que :
P(A1 ∪ A2 ∪ . . . ∪ An ) = P(A1 ) + P(A2 ) + . . . + P(An )

Propriétés d’une probabilité
Propriétés
Toute probabilité P définie sur un espace probabilisé (Ω, E(Ω), P) possède
les propriétés suivantes :
1 ∀A ∈ E(Ω) P(A) = 1 − P(A)
2 ∀A, B ∈ E(Ω) tels que A ⊆ B, on a P(A) ≤ P(B)
3 ∀A, B ∈ E(Ω) tels que A ∩ B 6= ∅, on a
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
4 ∀A, B, C ∈ E(Ω), on a
P(A ∪ B ∪ C ) =
P(A) + P(B) + P(C ) − P(A ∩ B) − P(B ∩ C ) − P(C ∩ A) + P(A ∩ B ∩ C )

Applications
Soient A, B et C des événements d’un espace probabilisé (Ω, E(Ω), P).
1 Si P(A) = 1/2, P(A ∩ B) = 1/4 et P(A ∪ B) = 7/8, calculer P(B),
P(A ∩ B) et P(A∆B).
2 Si P(A) = 1/3, P(A ∩ B) = 1/5 et P(A ∩ B ∩ C ) = 1/7, calculer
P(A ∪ B ∪ C )
Astuce
P(A ∩ B) = 1 − P(A ∪ B)
P(A ∩ B) = P(A) − P(A ∩ B)
P(B ∩ A) = P(B) − P(B ∩ A)
(Remarquer que A = (A ∩ B) ∪ (A ∩ B))

P(A ∪
B ∪ C ) = 1 − P(A ∩ B ∩ C )
= 1 − P(A ∩ B) − P(A ∩ B ∩ C )

= 1 − P(A) − P(A ∩ B) − P(A ∩ B ∩ C )

= 1 − 1 − P(A) − P(A ∩ B) − P(A ∩ B ∩ C )

Exercice 1-Proposition
Soit A1 , A2 , . . . , An un s.c.e d’un espace probabilisé (Ω, E(Ω), P). Montrer
que :
n
X
∀B ∈ E(Ω) P(B) = P(B ∩ Ai )
i=1
Exercice 2 : Probabilité et divisibilité

On tire au hasard un nombre entier n. Quelle est la probabilité qu’il soit
divisible par 2, 3, ou 5 ?
Considèrer les événements suivants :
E2 : "n est divisible par 2"
Petite réflexion : n est divisible par 2 si son chiffre unité est 0,2,4,6 ou 8 parmi
{0, 1, 2, . . . , 9}. D’où P(E2 ) = 5/10 = 1/2. Mais ...
B =B∩Ω
n
[
=B∩ Ai
i=1
n
[
= (B ∩ Ai )
i=1
Comme les événements B ∩ Ai sont disjoints, alors

n n
!
[ X
P(B) = P (B ∩ Ai ) = P(B ∩ Ai )
i=1 i=1

On sait que pour tout n ∈ N :

- n = 2q (2 divise n) ou n = 2q + 1 (2 ne divise pas n). D’où
P(E2 ) = 1/2.
- n = 3q (3 divise n) ou n = 3q + 1 ou n = 3q + 2 (3 ne divise pas
n). D’où P(E3 ) = 1/3.
- n = 5q (5 divise n) ou n = 5q + r , r = 1, 2, 3, 4 (5 ne divise pas n).
D’où P(E5 ) = 1/5.
Pour k, l, m ∈ {2, 3, 5}, Ek ∩ El : " kl divise n".

1 1
D’où P(Ek ∩ El ) = . De même, on a P(Ek ∩ El ∩ Er ) =
kl klm
1 1 1 1 1 1 1 11
P(E2 ∪ E3 ∪ E5 ) = + + − − − + =
2 3 5 6 15 10 30 15

Détérmination d’une probabilité sur un univers fini

Proposition : Détérmination d’une probabilité

Soit Ω = {ω1 , ω2 , . . . , ωn } un univers fini, n ∈ N∗ . On prend
E(Ω) = P(Ω).
Définir une probabilité sur Ω (au sens de la définition axiomatique)
revient à attribuer à chaque éventualité ωi un réel pi ≥ 0 tel que :
n
X
pi = 1
i=1
Ainsi pi est dite la probabilité de l’éventualité {ωi }, i.e., pi = P ({ωi })

La probabilité d’un événement A ∈ E(Ω) est donnée par :
X
P(A) = P ({ωi })
ωi ∈A
(Ω, E(Ω), P) est un espace probabilisé fini permettant de modéliser

toute expérience aléatoire à univers fini Ω.
Exemples
Exemple 1 : Lancer d’un dé (suite) [11]

On suppose que la probabilité d’apparition de la face numéro i est
proportionnelle à i, i ∈ {1, 2, 3, 4, 5, 6}. On considère les événements :
A : "le numéro est pair" et B : "le numéro est ≥ 3".
1 Détérminer le système des probabilités pi pour chaque

i ∈ {1, 2, 3, 4, 5, 6}.
2 Proposer un espace probabilisé permettant de modéliser cette
expérience.
3 Calculer P(A) et P(B).

Exemples
Exemple 2 : Lancer d’une pièce de monnaie (suite) [14]

On suppose que la probabilité pi de chaque triplet obtenu est
proportionnelle au carré du nombre de pile i qu’il contient, i ∈ {0, 1, 2, 3}
avec p0 = 0. On considère les événements :
C : Obtenir un pile lors du troisième lancer.
D : Obtenir au moins un pile.
1 Détérminer le système des probabilités pi pour chaque i ∈ {0, 1, 2, 3}.
2 Proposer un espace probabilisé permettant de modéliser cette
expérience.
3 Calculer P(C ) et P(D).

À partir des exemples précédents, on remarque bien que les

évetualités n’ont pas les mêmes probabilités de se produire. On dit
qu’ils ne sont pas équiprobables.
L’hypothèse d’équiprobabilité sur Ω = {ω1 , ω2 , . . . , ωn } implique que
1 1
pi = = pour tout ωi ∈ Ω
n Card(Ω)
En pratique, c’est l’énoncé qui suggère la présence de l’équiprobabilité.
(Dé équilibré ou non truqué ou non pipé, piéce de monnaie équilibrée
ou non truquée ou pipé, tirage au hasard, boules indiscernables ...etc)
La présence de équiprobabilité dans une expérience alèatoire à univers
fini Ω conduit à construire une mesure de probabilité dite Uniforme.

Proposition : Probabilité Uniforme

Soit (Ω, E(Ω), P) un espace probabilisé.
Si Ω est fini et si toutes les éventualités sont équiprobables. Alors P est
Uniforme et est donnée par :
Card(A)
∀A ∈ E(Ω) P(A) =
Card(Ω)
À noter !
L’utilisation de la probabilité Uniforme fait appel aux techniques de
dénombrement : les combinaisons, les arrangement,les permutations...

Exemples
Exercice 3 : Tirage avec remise, sans remise et simultané

Dans une urne contenant 5 boules blanches et 7 boules noires, on tire au
hasard 6 boules. Calculer la probabilité des événements suivants :
A= "Obtenir un résultat unicolore".
B= "Obtenir un résultat bicolore".
Ek = "Obtenir k boules blanches".
Si le tirage est :
1 successif sans remise.
2 successif avec remise.
3 simultané.

Contre exemple
Voici un contre exemple de probabilité non uniforme !

Exercice 4 : Lancer d’une fléchette contre une cible
On lance une fléchette contre une
cible formée de trois zones : le disque
A de rayon 1, la couronne B de rayon
extérieur égale à 2 et la couronne C
de rayon extérieur égale à 3. On pose
Ω = {A, B, C }.
Calculer la probabilité de chacun des

trois éventualités sachant qu’elle est
proportionnelle à l’aire de chacune des
trois zones.

SA = π, SB = π(22 − 12 ) = 3π et SC = π(32 − 22 ) = 5π.

P(A) = kπ, P(B) = 3kπ et P(C ) = 5kπ.
1
P(A) + P(B) + P(C ) = 1 ⇒ k =
9π
1 3 5
P(A) = , P(B) = et P(C ) = .
9 9 9
P(A) 6= P(B) 6= P(C )

Détérmination d’une probabilité sur un univers

infini dénombrable

Détérmination d’une probabilité sur un univers infini dénombrable
Proposition : Détérmination d’une probabilité

Soit Ω = {ω1 , ω2 , . . . , ωn . . .} un univers infini dénombrable, n ∈ N. On
prend E(Ω) = P(Ω).
Définir une probabilité sur Ω (au sens de la définition axiomatique)
revient à attribuer à chaque éventualité ωn un réel pn ≥ 0 tel que :
+∞
X
pn = 1
n=0
Ainsi pn est dite la probabilité de l’éventualité {ωn }, i.e.,

pn = P ({ωn })
La probabilité d’un événement A ∈ E(Ω) est donnée par :
X
P(A) = P ({ωn })
ωn ∈A
(Ω, E(Ω), P) est un espace probabilisé permettant de modéliser toute
expérience aléatoire à univers infini dénombrable Ω.
Exemples
Exemple 1 : Lancer d’un dé

On lance une pièce de monnaie équilibrée indéfiniment juqu’à l’obtention
du pile pour la première fois. On s’intéresse à calculer la probabilité de
l’événement :
A="Obtenir un pile après un nombre pair de lancers".
On prend Ω = N et on définit sur (Ω, E(Ω)) la probabilité :
1
P({n}) =
2n+1
1 Justifier le choix de Ω et vérifier que P est une probabilité.
2 Calculer P(A)

Probabilité Conditionnelle et Indépendance

Probabilité Conditionnelle : exemple empirique
La répartition d’un groupe d’étudiants selon la note du module de

Statistique et le sexe est représentée dans le tableau suivant :
Sexe Masculin Féminin Total

Note
0-7 4 3 7
7-10 17 15 32
10-20 21 36 57
Total 42 54 96
57
La proportion des étudiants qui ont validé le module est .
96
Parmi les étudiants garçons , la proportion de celles qui ont validé le
21
module est .
42
Passons aux probabilités
On choisit au hasard un(e) étudiant(e) et on considère l’événement

57
B : L’étudiant(e) choisi(e) a validé". On a donc P(B) =
96
"Parmi les étudiants garçons" est une information supplémentaire
qui suppose que :"L’étudiant choisi est un garçon". C’est un
événement que l’on note A qui modifie la probabilité de validation. Il
s’agit de la probabilité conditionnelle à A :
21 57
PA (B) = 6= = P(B)
42 96
(On a moins de chances de valider quand on est garçon ! ! !)
La probabilité conditionnelle PA est à distinguer de la probabilité P
car cette dernière est définie sur l’ensemble des étudiants alors que la
première est définie seulement sur l’ensemble des étudiants garçons !
Définition : Probabilité Conditionnelle

Soit (Ω, E(Ω), P) un espace probabilisé et soient A et B deux événements
tel que P(A) 6= 0. La réalisation à priori de A défini une nouvelle mesure
de probabilité notée PA (ou P(.|A)) et est définie par :
P(A ∩ B)
PA (B) = ∀B ∈ E(Ω)
P(A)
Propriété
L’application PA est une probabilité sur (Ω, E(Ω)). D’où on a :
PA (Ω) = 1
PA (B) = 1 − PA (B), ∀B ∈ E(Ω)
PA (B ∪ C ) = PA (B) + PA (C ), si B et C sont incompatibles de E(Ω).
PA (B ∪ C ) = PA (B) + PA (C ) − P(B ∩ C ), ∀B, C ∈ E(Ω)

Proposition : Probabilité conditionnelle sous l’hypothèse

d’équiprobabilité
Soient (Ω, E(Ω), P) un espace probabilisé et A ∈ E(Ω) avec P(A) 6= 0.
Si Ω est fini et si toutes les éventualités sont équiprobables. Alors PA est
donnée par :
Card(B ∩ A)
∀B ∈ E(Ω) PA (B) =
Card(A)
À noter !
En cas d’équiprobabilité, P est uniforme sur E(Ω) mais PA ne l’est pas !

Exemples
Exemple 6 : Tirage de deux urnes

On considère une urne U1 contenant deux boules blanches et une boule
noire, et une urne U2 contenant une boule blanche et une boule noire. On
choisit une urne au hasard puis on tire une boule dans cette urne. Les
boules sont indiscernables au toucher. On considère les événements :
E1 : "La boule tirée est extraite de l’urne U1 ".
E2 : "La boule tirée est extraite de l’urne U2 ".
B : "La boule tirée est blanche".
1- Détérminer l’univers Ω associée à cette expérience.
2- On munit l’espace probabilisable (Ω, E(Ω)) de la probabilité uniforme P. Que
vaut P(E1 ) et P(E2 ) ?
3- On munit l’espace probabilisable (Ω, E(Ω)) de la probabilité conditionnelle PE1 .
Définir PE1 puis calculer PE1 (B).
4- On munit l’espace probabilisable (Ω, E(Ω)) de la probabilité conditionnelle PE2 .
Définir PE2 puis calculer PE2 (B).
1- Ω = {(U1 , B1 ), (U1 , B2 ), (U1 , N1 ), (U2 , B3 ), (U2 , N1 )}

2- Le choix de l’urne du tirage est au hasard. D’où
1
P(E1 ) = P(E2 ) =
2

3- PE1 est une probabilité définie sur E(Ω).

PE1 : E(Ω) −→ [0, 1]
P(E1 ∩ B)
B 7−→
P(E1 )
Ainsi, étant donné que les boules sont indiscernables :
P(E1 ∩ B) Card(E1 ∩ B) C1 2
PE1 (B) = = = 2 =
P(E1 ) Card(E1 ) 3 3
4- PE2 est une probabilité définie sur E(Ω).

PE2 : E(Ω) −→ [0, 1]
P(E2 ∩ B)
B 7−→
P(E2 )
Ainsi, étant donné que les boules sont indiscernables :
P(E2 ∩ B) Card(E2 ∩ B) C1 1
PE2 (B) = = = 1 =
P(E2 ) Card(E2 ) 2 2
Exemples
Exemple 7 : Couple à trois enfants

On choisit au hasard un couple qui a 3 enfants.
A : "L’aînée est une fille".
B : "Avoir au moins deux garçons".
1- Détérminer l’univers Ω associée à cette expérience.
2- On munit l’espace probabilisable (Ω, E(Ω)) de la probabilité uniforme P.
Que vaut P(A) ?
3- On munit l’espace probabilisable (Ω, E(Ω)) de la probabilité
conditionnelle PA . Définir PA puis calculer PA (B).

1- Ω = {GFG, GFF , GGG, GGF , FGG, FGF , FFG, FFF , }, Card(Ω) = 23 = 8

Card(A) 22 × 1 1
2- P(A) = = 3
= .
Card(Ω) 2 2

3- PA est une probabilité définie sur E(Ω).
PA : E(Ω) −→ [0, 1]
P(A ∩ B)
B 7−→
P(A)
P(A ∩ B) Card(A ∩ B) 13 3
Ainsi : PA (B) = 1 − PA (B) = 1 − =1− =1− 2 =
P(A) Card(A) 2 4
Formule des probabilités composées
Proposition : Formule des probabilités composées

Pour tous événements A et B d’un espace probabilisé (Ω, E(Ω), P), on a
P(A ∩ B) = PA (B)P(A) si P(A) 6= 0
P(A ∩ B) = PB (A)P(B) si P(B) 6= 0
Exemple 8 :
Dans une urne contenant 3 boules blanches et 2 boules noires, on tire au
hasard, successivement et sans remise 2 boules.
Quelle est la probabilité que les deux boules tirées soient noires ?

Formule des probabilités composées
Proposition : Formule des probabilités composées généralisée

Pour toute famille finie A1 , A2 , . . . , An d’événements de l’espace
probabilisé (Ω, E(Ω), P) tels que P (A1 ∩ A2 ∩ . . . ∩ An−1 ) 6= 0 on a
P (A1 ∩ A2 ∩ . . . ∩ An ) = P(A1 )PA1 (A2 )PA1 ∩A2 (A3 ) . . . PA1 ∩A2 ∩...∩An−1 (An )
Exemple 9 :
Dans une urne contenant 6 boules noires et 4 boules blanches, on tire au
hasard, successivement et sans remise 3 boules.
Quelle est la probabilité de tirer 3 boules noires ?

Formule des probabilités totales
Proposition : Formule des probabilités totales

Soient A1 , A2 , . . . , An un s.c.e de l’espace probabilisée (Ω, E(Ω), P) tel que
P(Ai ) 6= 0 pour tout i = 1, . . . , n. Pour tout B ∈ E(Ω), on a :
n
X
P(B) = PAi (B)P(Ai ) Voir [34]
i=1
En particulier, pour tout A ∈ E(Ω) tel que P(A) 6= 0 , on a :
P(B) = PA (B)P(A) + PA (B)P(A)

Formule des probabilités totales
Exemples
Exemple 6 : Tirage de deux urnes (suite) [54]

Représenter les résultats de l’exemple 6 sous forme d’arbre puis calculer
P(B)
Exemple 9 : Machines et pièces défectueuses

Trois machines M1 , M2 et M3 de fabrication mécanique produisent
respectivement 25%, 35% et 40% de la production totale. 5%
(respectivement 4% et 3%) des pièces produites par M1 (respectivement
par M2 et M3 ) sont défectueuses. On choisi une pièce au hasard. Quelle
est la probabilité qu’elle soit défectueuse ?

Formule de Bayes
Nous avons vu dans l’exemple 6, qu’une fois l’urne est choisie, soit disant
2
U1 , on a PE1 (B) = . Maintenant, quelle est la probabilité que la boule
3
blanche tiré soit extraite de E1 , i.e., PB (E1 ) ?
Figure – Thomas Bayes

Formule de Bayes
Formule de Bayes
Proposition : Formule de Bayes

Soit (Ω, E(Ω), P) un espace probabilisé . Soient A et B deux événements
de E(Ω) de probabilité non nulles.
La formule de Bayes permet, à partir de la probabilité conditionnelle
PA (B), de calculer la probabilité conditionnelle "inverse" PB (A) :
PA (B)P(A)
PB (A) =
P(B)

Formule de Bayes
Exemples
Exemple 6 : Tirage de deux urnes (suite) [54]

Calculer la probabilité que la boule blanche tiré soit extraite de E1 .
Exemple 9 : Machines et pièces défectueuses (suite) [64]

Calculer la probabilité qu’une pièce défectueuse soit fabriqué par M1 puis
par M2 .

Formule de Bayes
Indépendance

Indépendance
Définition : événements indépendants

Deux événements A et B d’un même espace probabilisé sont dits
indépendants si et seulement si la réalisation de l’un n’a aucune
influence sur la probabilité de réalisation de l’autre. On a alors
PA (B) = P(B) PB (A) = P(A)

En conséquence, on a :
P(A ∩ B) = P(A) × P(B)

Indépendance
Exemples
Exemple 1 : Lancer d’un dé (suite) [11]

On consière les événements :
A = {2, 4, 6} B = {5, 6} C = {5}

Que peut-on dire de l’inépendance de A, B et C deux à deux ?
Exemple 10 : Lancer d’une pièce de monnaie plusieurs fois

On lance une pièce de monnaie n fois. On considère les événements
suivants :
A = "obtenir au plus un pile"
B = "obtenir au moins un pile et au moins une face".
Les événements A et B sont-ils indépendants ?

Indépendance
Exercice 5-Proposition
Soient A et B deux événements d’un même espace probabilisé. Montrer
que que si A et B sont indépendants, alors :
1 A et B sont indépendants.
2 B et A sont indépendants.
3 A et B sont indépendants.

Indépendance
Indépendance mutuelle
Définition : Indépendance mutuelle

n événements A1 , A2 , . . . , An d’un même espace probabilisé sont dits
mutuellement indépendants si et seulement si pour toute sous famille de
k (k > 2) événements Ai1 , Ai2 , . . . , Aik , on a :
P(Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) = P(Ai1 ) × P(Ai2 ) × . . . × P(Aik )
Pour n = 3, les événements A1 , A2 et A3 sont mutuellement indépendants

si et seulement si :
P(A1 ∩ A2 ) = P(A1 )P(A2 )
et P(A2 ∩ A3 ) = P(A2 )P(A3 )
et P(A1 ∩ A3 ) = P(A1 )P(A3 )
et P(A1 ∩ A2 ∩ A3 ) = P(A1 )P(A2 )P(A3 )
Indépendance
Exemples
Exemple 10 : Lancer d’une pièce de monnaie plusieurs fois

(suite) [70]
Prenons n = 2 fois. On considère les événements suivants :
A = "obtenir pile au premier lancer".
B = "obtenir pile au deuxième lancer".
C = "obtenir le même résultat dans les deux lancers"
1 Les événements A, B et C sont-ils deux à deux indépendants ? Sont-ils
mutuellement indépendants ?
2 Conclure.
P(A) = P(B) = P(C ) = 1/2, P(A ∩ B) = P(A ∩ C ) = P(B ∩ C ) = 1/4
P(A ∩ B ∩ C ) = 1/4
Indépendance
Exercice 6
Soit A1 , A2 , . . . , An une famille d’événements mutuellements indépendants
1
d’un même espace probabilisé tels que P(Ai ) = 1 − i .
2
Calculer la probabilité qu’au moins un de ces événements se réalise.

PRB - Chap1 - Espace de Probabilité

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

PRB - Chap1 - Espace de Probabilité

Transféré par

Droits d'auteur :

Formats disponibles

Préliminaire mathématique et motivation Langage des probabilités Espace probabilisé Probabilité Conditionnelle et In

ESPACE PROBABILISÉ, CONDITIONNEMENT ET

Université Hassan 2 – Faculté des sciences et techniques

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 1 / 74

1 Préliminaire mathématique et motivation

2 Langage des probabilités

4 Probabilité Conditionnelle et Indépendance

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 2 / 74

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 3 / 74

Notions de la théorie des ensembles

Opérations sur les ensembles

Union (inclusive) : A ∪ A = A A∪Ω=Ω A∪∅=A

Lois de Morgan : A ∩ B = A ∪ B A∪B =A∩B

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 4 / 74

Définition : Ensemble des parties

Exemple : Soit E = {1, 2, 3}. Alors

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 5 / 74

Définition : Produit cartésien de deux ensembles

Exemple : Soient E = {1, 2, 3} et F = {a, b}. Alors

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 6 / 74

Ensemble fini, ensemble infini dénombrable, ensemble infini non dénombrable

(Intuitivement) Un ensemble infini E est dénombrable si ses éléments

− N, Q sont infinis dénombrables.

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 7 / 74

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 8 / 74

"Déterministe", "Aléatoire" et "Empirique".

L’empirique converge vers l’aléatoire".

Modèle probabiliste = Identification (univers, événements ...) +

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 9 / 74

Langage des probabilités

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 10 / 74

Exemple 1 : Lancer d’un dé

Ω1 = {1, 2, 3, 4, 5, 6} (univers fini)

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 11 / 74

E = {ω ∈ Ω/E est vrais lorsque ω est r éalisé} ∈ P(Ω)

L’ensemble de tous les événements associés à un univers Ω est inclus dans

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 12 / 74

L’univers Ω1 est la réunion des éventualités {1}, {2}, . . . , {6}

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 13 / 74

Exemple 2 : Lancer d’une pièce de monnaie

Ω2 = {PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF } = {F , P}3

(Utiliser l’arbre des possibilités)

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 14 / 74

L’univers Ω2 est la réunion des éventualités {PPP}, {PPF }, {PFP},

On considère les événements :

C = {FFP, FPP, FPF , PFP, PPP} ∈ P(Ω2 )

D = {PPP, PPF , PFP, FPP, PFF , FPF , FFP}

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 15 / 74

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 16 / 74

Opérations sur les événements

E1 : L’événement A n’est pas réalisé

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 17 / 74

Opérations sur les événements

Terminologies probabiliste et ensembliste

Figure – Terminologies probabiliste et ensembliste

Opérations sur les événements

Exemple 5 : Lancer d’un dé plusieurs fois

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 19 / 74

Opérations sur les événements

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 20 / 74

Opérations sur les événements

Définition : Événements incompatibles

A.SETTAR (FSTM) Cours de Probabilités A.U 2023-2024 21 / 74