Chapitre 1

Chapitre 1 : Espaces de probabilités

1.1 Expérience aléatoire

1.1.1 Définitions et exemples
Définition 1.1.1. h
On appelle expérience aléatoire, toute expérience E conduisant selon le hasard é plusieurs résultats
possibles.
Définition 1.1.2. h
On appelle univers associé é l’expérience E, l’ensemble Ω de tous les résultats possibles de E. Tout
élément ω de Ω est appelé événement élémentaire de E.
En effet, pour une méme expérience aléatoire l’univers Ω peut prendre des différentes formes :
fini, infini, discret ou continu. Pour mieux illustrer ces notions, nous allons prendre l’exemple du
contréle sanguin, il est possible de s’intéresser soit :
Exemple 1.1.1. h
Au groupe sanguin et au facteur rhésus d’un individu. Dans ce cas l’univers est :
Ω = A+ , A− , B + , B − , AB + , AB − , O+ , O− ,


Il est fini.
Exemple 1.1.2. h
Au nombre de globules blancs. L’univers est représenté par :
Ω = {1, 2, 3, . . . , n, . . . } ,
Il est infini dénombrable.
Dans ces deux exemples, l’univers est discret. Cependant, il se peut que l’univers soit continu
lorsqu’on s’intéresse :
Exemple 1.1.3. h
Au taux de glycémie. L’univers est défini par Ω = [0, 15] tel que au-delé de 15, l’individu n’est plus
en état de subir une prise de sang. L’univers est encore infini mais non dénombrable.
De maniére générale, lorsque l’univers est un intervalle de R, on parle d’univers continu.

1
 Espaces de probabilités 2

1.2 événements aléatoires

1.2.1 Définitions et exemples
Définition 1.2.1. h
On appelle événement aléatoire associé é l’expérience E, tout événement dont la réalisation dépend
des résultats de l’expérience E. Un événement aléatoire s’identifie donc é une partie A de Ω.

Exemple 1.2.1. h
Dans l’expérience qui consiste é jeter deux dés numérotés de 1 é 6. L’univers est :

Ω = {(i, j) : i, j = 1, 2, 3, 4, 5, 6} ,

On considére l’événement :

A : ≪ La somme des dés est égale é sept ≫,

Dans notre cas, on conclut que :

A = {(1, 6); (2, 5); (3, 4); (4, 3); (5, 2); (6, 1)} .

Exemple 1.2.2. h
Dans l’expérience qui consiste é jouer é pile ou face jusqu’é l’obtention d’un pile. L’univers est
donné par :
Ω = {P, F P, F F, F F P, F F F P, . . . } ,
on considére l’événement :

B : ≪ On obtient pile en au plus de quatre lancers ≫,

Alors
B = {P, F P, F F P, F F F P } .

Exemple 1.2.3. h
Par rapport au taux de glycémie lors d’un contréle sanguin mentionné précédemment, on considére
l’événement :
C : ≪ Le taux de glycémie est supérieur é 15 ≫,
on déduit que :
C = [15, ∞[.

1.2.2 événements remarquables

Définition 1.2.2. (événement certain)
On appelle événement certain l’univers Ω. Il est toujours réalisé quelle que soit l’issue de l’expérience.

Définition 1.2.3. (événement impossible)

On appelle événement impossible l’ensemble vide ∅. Il ne peut étre réalisé quelle que soit l’issue de
l’expérience.

2
 Espaces de probabilités 3

Définition 1.2.4. (événement contraire)

On appelle événement contraire de A, noté A, le complémentaire de A dans Ω.
A = {ω ∈ Ω : ω ∈
/ A} ,
A n’est réalisé que si A n’est pas réalisé.
À partir de la définition, on obtient les relations suivantes :
• A = Ω − A,
• A ∪ A = Ω et A ∩ A = ∅,
• A = A,
• ∅ = Ω,
• Ω = ∅.
Exemple 1.2.4. h
Dans l’expérience qui consiste é lancer un dé, l’univers est donné par : Ω = {1, 2, 3, 4, 5, 6}.
Considérons l’événement :
A : ≪ Le résultat obtenu est pair ≫,
tel que :
A = {2, 4, 6} .
Alors, il est clair que l’événement contraire de A est A donné par :
A : ≪ Le résultat obtenu est impair ≫,
tel que :
A = {1, 3, 5} .

1.2.3 Opération sur les événements

Une correspondance s’établit ainsi entre les ensembles et les événements aléatoires. On utilise,
pour ces derniers, les opérations logiques sur les ensembles avec une terminologie différente. Si l’on
considére simultanément la réalisation de deux événements A et B, il est possible d’effectuer les
opérations suivantes sur ces ensembles.
Définition 1.2.5. (Inclusion)
Un événement A entraéne un événement B si la réalisation de A implique celle de B.
On dit alors que l’événement A est inclus dans l’événement B (A ⊂ B). Ça signifie que si A est
réalisé alors B est forcément réalisé.
Exemple 1.2.5. h
Soit une urne contenant des billes rouges unies et des billes vertes unies et rayés. On considére les
événements suivants :
A : ≪ L’obtention d’une bille rayé ≫,
et
B : ≪ L’obtention d’une bille verte ≫.
A est inclus dans B car la réalisation de A implique la réalisation de B.

3
 Espaces de probabilités 4

Définition 1.2.6. (Réunion)

On appelle réunion de deux événements A et B, l’événement qui est réalisé si A est réalisé ou B est
réalisé. Il est noté A ∪ B tel que :
A ∪ B = {ω ∈ Ω : ω ∈ A ou ω ∈ B} .
Exemple 1.2.6. h
Dans l’exemple concernant les groupes sanguins, on considére les événements suivants :
A: ≪ L’individu est de rhésus positif ≫,
et
B: ≪ L’individu posséde l’alléle B ≫,
la réunion de ces deux événements donne :
A ∪ B = A+ , B + , B − , AB + , AB − , O+ .


Définition 1.2.7. (Intersection)

On appelle intersection de deux événements A et B, l’événement qui est réalisé si A est réalisé et B
est réalisé. Il s’agit de l’événement A ∩ B tel que :
A ∩ B = {ω ∈ Ω : ω ∈ A et ω ∈ B} .
Exemple 1.2.7. h
Dans l’exemple concernant les groupes sanguins, on considére les événements suivants :
A : ≪ L’individu est de rhésus positif ≫,
et
B : ≪ L’individu posséde l’alléle B ≫,
l’intersection de ces deux événements donne :
A ∩ B = B + , AB + .


Définition 1.2.8. (Incompatibilité)

Deux événements A et B sont incompatibles ou mutuellement exclusifs, s’ils ne peuvent étre réalisés
simultanément.
On a alors : A et B sont incompatibles si A ∩ B = ∅.

1.2.4 Extension des définitions

On définit l’union et l’intersection de plus de deux événements de la méme maniére :
∞
[
— Si A1 , A2 ,. . ., An sont des événements aléatoires, leur réunion, notée An est par définition
n=1
l’événement qui contient chaque point qui se trouve dans An pour au moins une valeur de
n = 1, 2, ....
∞
\
— De méme, l’intersection des événements A1 , A2 ,. . ., An , notée An , est par définition
n=1
l’événement comprenant tous les points qui sont dans tous les événements An é la fois.

4
 Espaces de probabilités 5

1.2.5 Propriétés
Rappelons les propriétés des opérateurs logiques

• Commutativité :
A ∪ B = B ∪ A,
A ∩ B = B ∩ A.
• Associativité :
A ∪ (B ∪ C) = (A ∪ B) ∪ C = A ∪ B ∪ C,
A ∩ (B ∩ C) = (A ∩ B) ∩ C = A ∩ B ∩ C.
• Distributivité :
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C),
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C).
Les relations entre les trois opérations de base consistant é former des unions, des intersec-
tions ou des complémentarités, sont trés utilisées et sont connues sous le nom des lois de
Morgan :
• Lois de Morgan :
A ∪ B = A ∩ B,
A ∩ B = A ∪ B.
• Extension des lois de Morgan :
∞
[ ∞
\
An = An ,
n=1 n=1
∞
\ ∞
[
An = An .
n=1 n=1

1.2.6 Ensemble des événements

Soit A l’ensemble des événements que l’on souhaite prendre en compte dans le cadre d’une
expérience aléatoire.
Définition 1.2.9. (Tribu)
A est une tribu de Ω si elle vérifie :
1. Ω ∈ A, (l’ensemble vide appartient é A),
2. L’ensemble A est stable par passage au complémentaire :
Si A ∈ A alors A ∈ A,
3. L’ensemble A est stable par réunion dénombrable : Pour tout famille (An )n≥0 d’événements
aléatoires, on a :
+∞
[
An ∈ A.
n=0

Le couple (Ω, A) s’appelle un espace probabilisable.

5
 Espaces de probabilités 6

1.3 Probabilités
1.3.1 Définition et propriétés
Soit Ω l’univers d’une expérience aléatoire E et A une tribu.
Définition 1.3.1. h
On appelle probabilité sur (Ω, A), toute application P de A dans [0, 1] telle que :
1. P(Ω) = 1,
2. Si A et B sont deux événements aléatoires incompatibles, alors
P(A ∪ B) = P(A) + P(B),
3. Si (An )n∈N est une famille des événements aléatoires deux é deux incompatibles, alors
+∞
[ +∞
X
P( An ) = P(An ).
n=0 n=0

Le triplet (Ω, A, P) s’appelle un espace de probabilité.

Propriétés 1.3.1. k
Si A, B et C sont des événements aléatoires, on a :
1. 0 ≤ P(A) ≤ 1,
2. P(A) = 1 − P(A),
3. Si A ⊂ B alors P(A) ≤ P(B),
X
4. Si Ω est dénombrable alors P(Ω) = P({ω}),
ω∈Ω
5. P(A ∪ B) = P(A) + P(B) − P(A ∩ B),
6. P(A ∩ B) = P(A) − P(A ∩ B).
Exemple 1.3.1. h
Supposons que l’on jette deux piéces de monnaies. L’univers dans ce cas est : Ω = {P P, P F, F P, F F },
1
tels que P {P P } = P {P F } = P {F P } = P {F F } = .
4
On considére les événements aléatoires suivants :
A: ≪ La premiére piéce tombe sur pile ≫ = {P P, P F } ,
et
B : ≪ La deuxiéme piéce tombe sur pile ≫ = {P P, F P } .
Déterminer la probabilité de A ∪ B.

Solution :
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
1 1
= + − P ({P P })
2 2
3
P (A ∪ B) = .
4
6
 Espaces de probabilités 7

Exercice 1.3.1. h
Soient A, B et C trois événements aléatoires, 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).

1.3.2 Probabilité uniforme

Pour de nombreuses expériences il est naturel d’admettre que chaque élément, ou événement
élémentaire, de l’univers a la méme probabilité d’apparaétre.
Définition 1.3.2. h
Soit P une probabilité définie sur un univers fini Ω, on dit que P est une probabilité uniforme sur Ω
si tout les événements élémentaires ω de Ω sont équiprobables :
1
P({ω}) = ,
Card(Ω)
Pour tout événement aléatoire A, on a donc :
Card(A) nombre de cas favorables
P(A) = = .
Card(Ω) nombre de cas possibles
Exemple 1.3.2. h
Un comité de 5 personnes doit étre choisi parmi 6 hommes et 9 femmes d’un groupe. Quelle est la
probabilité pour que le comité soit composé de 3 hommes et 2 femmes ?

Solution :
On est bien dans le cadre d’une probabilité uniforme avec :
Card(Ω) = ∁515 = 1001,
Soit A l’ événement aléatoire :
A : ≪ Le comité est composé de 3 hommes et 2 femmes ≫,
Comme on dispose de 6 hommes et 9 femmes, le nombre de cas favorables est :
Card(A) = ∁36 .∁29 = 240,
Finalement on trouve que :
240
P(A) = .
1001

1.4 Conditionnement et indépendance

L’importance du concept de la probabilité conditionnelle est de deux ordres :
• On s’intéresse souvent é calculer des probabilités sachant qu’une partie de l’information re-
lative au résultat de l’expérience est disponible, dans ce cas les probabilités cherchées sont
exactement les probabilités conditionnelles.
• Lorsqu’on ne dispose d’aucune information partielle, on peut utiliser un détour par quelques
probabilités conditionnelles dans le but de réussir é calculer les probabilités cherchées.

7
 Espaces de probabilités 8

1.4.1 Probabilités conditionnelles

Définition 1.4.1. h
Soient (Ω, A, P) un espace de probabilité et A et B deux événements aléatoires. La probabilité
conditionnelle P(A | B) de tout événement A et B est donnée en fonction de la probabilité non
conditionnelle de A ∩ B et la probabilité non conditionnelle de B.

Ainsi si P(B) ̸= 0, on appelle la probabilité conditionnelle de A sachant B le nombre réel :

P(A ∩ B)
P(A | B) = P(A/B) = ,
P(B)

De la méme maniére, on définit la probabilité conditionnelle de B sachant A, si P(A) ̸= 0 par :

P(A ∩ B)
P(B | A) = P(B/A) = .
P(A)

Si P(B) = 0 ou P(A) = 0, alors les probabilités conditionnelles ne sont pas définies.

Exemple 1.4.1. h
Une piéce de monnaie est lancée deux fois. L’univers est :

Ω = {P P, P F, F P, F F }.

Quelle est la probabilité conditionnelle que les deux jets aménent é face sachant que le premier est
déjé un face ?

Solution :
Soient A et B les événements aléatoires suivants :

A : ≪ Les deux jets aménent é face ≫ = {F F },

B : ≪ Le premier jet donne face ≫ = {F P ; F F }.

La probabilité conditionnelle que les deux jets aménent é face sachant que le premier est déjé un
face est :
P({F F } ∩ {F P, F F }) P({F F })
P(A | B) = = ,
P{F P, F F } P{F P, F F }
1
P(A | B) = .
2
l

1.4.2 Formule des probabilités composées

Propriété 1.4.1. jk
Soient A et B deux événements aléatoires. Alors, en multipliant les deux membres de la définition

8
 Espaces de probabilités 9

précédente respectivement par P (B) pour la premiére formule et par P (A) pour la deuxiéme formule
on obtient : 
 P(B)P(A | B) si P(A) ̸= 0
P(A ∩ B) = P(A)P(B | A) si P(B) ̸= 0
0 sinon


Cette définition est ainsi assez souvent utilisée pour calculer des probabilités d’intersection.
Exemple 1.4.2. h
Une étudiante hésite entre suivre un cours de langue ou un cours de science. Méme si elle préfére
suivre un cours de science, elle estime é 1/3 la probabilité d’obtenir la note C au cours de langue
contre 2/3 pour le cours de science. L’étudiante se base sur le jet d’une piéce de monnaie équilibrée
pour prendre sa décision.
Quelle est la probabilité d’obtenir la note C en cours de science ?

Solution :
Soient A et B les événements aléatoires suivants :

A= ≪ Suivre un cours de science ≫.

B= ≪ Obtenir la note C dans le cours choisi ≫.

P(A ∩ B) = P(A)P(B | A).
1 2 1
P(A ∩ B) = × = .
2 3 3
l

1.4.3 Formule des probabilités composées généralisée

Une généralisation de la définition précédente qui donne une expression de la probabilité de
l’intersection d’un nombre arbitraire d’événements aléatoires A1 , . . . , An non nuls est donnée par :

P(A1 ∩ · · · ∩ An ) = P(A1 )P(A2 | A1 )P(A3 | A1 A2 ) . . . P(An | A1 . . . An−1 ).

1.4.4 Formule des probabilités totales

Soient A et B deux événements quelconques. Nous pouvons écrire A sous la forme :

A = A ∩ Ω = A ∩ (B ∪ B) = (A ∩ B) ∪ (A ∩ B)
Car tout élément de A doit se trouver soit dans A et B é la fois, soit dans A mais pas dans B.
Comme (A ∩ B) et (A ∩ B) s’excluent mutuellement, la formule de probabilité totale est donnée
par :
Propriété 1.4.2. k
Soit A et B deux événements aléatoires avec P (A) ̸= 0 et P (B) ̸= 0. Alors,

P (A) = P (A/B)P (B) + P (A/B)P (B).

9
 Espaces de probabilités 10

Remarque 1.4.1. k

• Cette formule est extrémement utile puisqu’elle nous permet dans pas mal de cas de déterminer la
probabilité d’un événement en commenéant par le conditionner selon l’apparition ou non d’un autre
événement. En d’autres termes, il existe de nombreuses situations oé il est difficile de calculer direc-
tement la probabilité d’un événement mais oé il est par contre possible de la calculer en connaissant
ses probabilités conditionnelles.

• La formule des probabilités totales, peut étre interprétée de la faéon suivante : la probabilité
de l’événement A est une moyenne pondérée de la probabilité conditionnelle de A lorsque B est
apparu et de la probabilité conditionnelle du méme A lorsque B n’est pas apparu, les poids sont les
probabilités des événements conditionnels.
Exemple 1.4.3. h
On considére que 35% des abonnés aux réseaux mobiles sont des clients de l’opérateur A.
Parmi les clients de l’opérateur A, 25% ont un forfait 4 G alors que pour les autres opérateurs 15%
seulement ont un forfait de 4 G.
Quelle est la probabilité qu’un abonné quelconque ait un forfait 4 G ?

Solution :
On considére les événements aléatoires suivants :
A : ≪ Être un abonné de l’opérateur A ≫ et B : ≪ L’abonné a un forfait 4G ≫ , tels que P (A) = 0.35,
P (A) = 0.65, P (B/A) = 0.25, P (B/A) = 0.75, P (B/A) = 0.15 et P (B/A) = 0.85.

La probabilité qu’un abonné quelconque ait un forfait 4G c’est é dire P (B) est calculé en utili-
sant la formule de probabilité totale :

P (B) = P (A)P (B/A) + P (A)P (B/A).

P (B) = 0, 35 × 0.25 + 0.65 × 0.15 = 0.185.

j

1.4.5 Formule de probabilité totale généralisée

Soient B1 , B2 , . . . , Bn des événements aléatoires non nuls et deux é deux incompatibles et A =
n
[
(A ∩ Bi ).
i=1
En utilisant le fait que les événements A ∩ Bi , i = 1, . . . , n s’excluent mutuellement, on obtient la
formule de probabilité généralisée :
n
X n
X
P(A) = P(A ∩ Bi ) = P(A/Bi )P(Bi ).
i=1 i=1

10
 Espaces de probabilités 11

1.4.6 Formule de Bayes

Formellement, la formule de Bayes est simplement dérivée de la définition 1.4.1 et de la formule
de probabilité totale.

Propriété 1.4.3. Soient A et B deux événements aléatoires avec P (A) ̸= 0 et P (B) ̸= 0. Alors, on
a:
P (A)P (B/A)
P (A/B) = .
P (A)P (B/A) + P (A)P (B/A)
Exemple 1.4.4. h
Dans une population donnée, la proportion des fumeurs est de 30%. Sur la base d’une enquéte qui a
été menée, on a constaté que parmi les fumeurs 20% sont malades alors que uniquement 1% des non
fumeurs sont malades.
On préléve au hasard une personne, sachant qu’elle malade qu’elle est la probabilité qu’elle soit
fumeur ?

Solution :
On considére les événements aléatoires suivants :
F : ≪ La personne est fumeur ≫ et M : ≪ La personne est malade ≫, tels que P (F ) = 0.3, P (F ) =
0.7, P (M/F ) = 0.2, P (M /F ) = 0.8, P (M/F ) = 0.01 et P (M /F ) = 0.99.

On calcule la probabilité de l’événement aléatoire suivant :

Une personne soit fumeur sachant qu’elle est malade c’est-é-dire : F/M

P (M/F )P (F )
P (F/M ) =
P (M/F )P (F ) + P (M/F )P (F )
0.2 × 0.3
=
0.2 × 0.3 + 0.01 × 0.7
= 0.81

1.4.7 Formule de Bayes généralisée

On déduit é partir de la formule des probabilités totales généralisée le théoréme suivant :

Propriété 1.4.4. Soient A1 , . . . , An , B des événements aléatoires non nuls. Alors pour tout entier j,
on a :
P (B/Aj )P (Aj )
P (Aj /B) = n .
X
P(B/Ai )P(Ai )
i=1

11
 Espaces de probabilités 12

1.4.8 Indépendance
Définition 1.4.2. h
Soient (Ω, A, P ) un espace de probabilité et A et B deux événements aléatoires. On dit que A et B
sont indépendants si :
P (A ∩ B) = P (A)P (B).

Exemple 1.4.5. h
On jette deux piéces de monnaies équilibrées. Les quatre résultats possibles sont équiprobables.
Soient A et B les événements aléatoires suivants :
A La premiére piéce montre pile et B : La deuxiéme piéce montre face.
A et B sont ils indépendants ?

Solution :
A et B sont indépendants, en effet :

P (A ∩ B) = P {P F } = 1/4.
P (A) = P {P P ; P F } = 1/2.
P (B) = P {F F ; P F } = 1/2.
Donc :
P (A ∩ B) = P (A)P (B).

Remarque 1.4.2. h
Il ne faut pas confondre indépendance et incompatibilité . Si A et B sont indépendants alors :

P (A ∩ B) = P (A)P (B).

Par contre, si A et B sont incompatibles alors :

A∩B =∅ et P (A ∩ B) = 0.

Soient A et B deux événements indépendants avec P (A) ̸= 0. Alors, on a

P (A ∩ B) P (A)P (B)
P (A/B) = = = P (A).
P (B) P (B)

Propriété 1.4.5. h
Soient A et B deux événements aléatoires indépendants avec P (A) ̸= 0 et P (B) ̸= 0
— On a P (A/B) = P (A) et P (B/A) = P (B).
— De plus, on a :
— A et B sont indépendants.
— A et B sont indépendants.
— A et B sont indépendants.

h
Indépendance de plusieurs événements :

12
 Espaces de probabilités 13

Définition 1.4.3. h
Soient A1 , A2 , . . ., An n événements aléatoires.
— On dit que A1 , A2 , . . . , An sont mutuellement indépendants si, pour toute famille finie J de
{1, ..., n}, on a : \ Y
P ( Aj ) = P (Aj ).
j∈J j∈J

— On dit que A1 , A2 , . . . , An sont deux é deux indépendants si, pour tous i et j de {1, ..., n}, on
a:
P (Ai ∩ Aj ) = P (Ai )P (Aj ).

13