PROBABILITÉS

Expérience Résultat observable

Table des matières Prélévement de n objets en Nombres d’objets déféctueux
sortie d’une chaine de produc-
1 Langage de base 1 tion
2 Tribu, σ-algèbre 1 Questionnaire à 100 questions ω ∈ { oui , non }100
1 Espace probabilisable . . . . . . . . . . . . . . . . . . 1 binaires
2 Tribu engendrée : tribu borélienne . . . . . . . . . 2 Lancer une pièce jusqu’à l’ob- Un entier k ∈ N : le temps d’at-
3 Mesure de probabilité 2 tention du premier pile tente du premier succés
4 Probabilité sur un ensemble au plus dénom- Mélange de deux gaz Répartition spaciale de deux
brable 3 types de molécules.
1 Cas fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Cas au plus dénombrable . . . . . . . . . . . . . . . 4
5 Probabilité conditionnelle, indépendance 6
1 Probabilité conditionnelle . . . . . . . . . . . . . . . 6 2 Tribu, σ-algèbre
2 Indépendance . . . . . . . . . . . . . . . . . . . . . . . 6
3 Épreuves répétées . . . . . . . . . . . . . . . . . . . . . 7
6 Les théorèmes fondamentaux de probabilités 7 1.2
1 Espace probabilisable
1 Formule des probabilités totales . . . . . . . . . . 7
2 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . 8 Définition 2.1
3 Formule des probabilités composées . . . . . . . 8 Soit Ω un univers (fini ou non). Une σ-algèbre A d’événements sur Ω
7 Applications : Démonstrations probabilistes de (ou tribu) est un sous-ensemble T de P (Ω) telle que :
certains résultats mathématiques 9 1. Ω ∈ T
1 Calcul de l’indicateur d’Euler . . . . . . . . . . . . . 9
2 Formule d’Euler dans les séries . . . . . . . . . . . 10 2. ∀A ∈ P (Ω) :
A ∈ T =⇒ A ∈ T
stabilité par complémentation
1 Langage de base 3. Pour toute famille dénombrable (A i )i ∈I d’éléments de T :

1. Expérience aléatoire : (E) C’est une expérience dont le résultat ∪ A i est dans T
i ∈I
ne peut pas être prévu avec certitude à priori.
2. L’univers Ω est l’ensemble des issues possibles d’une expérience stabilité par union dénombrable
aléatoire.
Une même expérience peut fournir plusieurs univers différents Exemples 1
suivant ce qu’on veut en tirer.
3. Un événement est un sous-ensemble de Ω. Lorsque Ω n’est pas 1. Tribu grossière A = {;, Ω}.
fini, on est parfois amené à se restreindre et à ne pas considérer 2. Tribu des parties (appelée aussi tribu discrète) A = P (Ω).
tous les éléments de P (Ω) comme des événements, ce que nous
formaliserons par la suite avec la notion de tribu. 3. Autres exemples de tribus
T = {A, A, ;, Ω}
4. Évenement élémentaire : un singleton {ω}, ω ∈ Ω. Ω = {a , b , c , d }, T = {;, {a }, {b , c , d }, Ω}.
5. Événement certain : l’événement Ω.
6. Événement impossible : l’événement ;. Remarque 1
7. Événement contraire de l’événement A : l’événement A = CΩA .
Choix d’une tribu : se fait en fonction de l’information qu’on a sur
8. L’événement A entraîne l’événement B si A ⊂ B . le problème. Lorsque l’univers est fini ou dénombrable, on travaille
9. L’événement " A et B " : A ∩ B . généralement avec la tribu discrète. Lorsque l’univers est infini
(Ω = R ou I ) on travaille avec la tribu borélienne qu’on définira dans
10. L’événement "A ou B " : A ∪ B .
ce paragraphe.
11. A et B sont dits incompatibles si A ∩ B = ;.
12. Une famille {A i , i ∈ I } est dite constituée d’événements deux à
Définition 2.2 — Espace probabilisable et événements
deux incompatibles si pour tout i 6= j , A i et A j sont incompatibles.
— Un espace probabilisable est un couple (Ω, T ), où Ω est un en-
semble quelconque, l’univers, et T une σ-algèbre d’événements
Exemple 1 sur Ω.
— Les éléments de T sont appelés événements (de l’espace proba-
Lors du lancé d’un dé, : bilisable (Ω, T )).

Ω = {1, 2, 3, 4, 5, 6}
Proposition 2.1
L’événement ω = 2 est un événement élémentaire. Si T est une tribu d’événements sur Ω, alors :
L’événement "obtenir un nombre pair" se traduit par le sous en- 1. ; ∈ T
semble ω = {2, 4, 6} de Ω. 2. ∀(A, B ) ∈ P (Ω), (A, B ) ∈ T 2 =⇒ A ∪ B ∈ T (stabilité par union
Voici d’autres exemples qui sont parmis les plus usuels. finie) ;
3. Pour toute famille dénombrable (A n )n∈N d’éléments de T ,
∩ An ∈ T .
n ∈N
4. ∀(A, B ) ∈ P (Ω), (A, B ) ∈ T 2 =⇒ A ∩ B ∈ T (stabilité par intersec-
tion finie) ;

[email protected] 1
 PROBABILITÉS

Preuve Intuitivement, nous comprenons très bien que la probabilité d’avoir

1 est égale à 21 , celles d’avoir 0 ou 2 valant 14 .
1. Ω est dans T , donc ; = Ω̄ est aussi dans T .
2. Il suffit d’utiliser la stabilité par réunion dénombrable appliquée à la fa-
Ici, la mesure ne se résume pas en un simple comptage, mais plutôt
mille (A n )n∈N dont A 0 vaut A et stationnaire en la valeur B à partir de n ≥ 1. à un comptage avec pondération
3. Par complémentation de la stabilité d’une réunion dénombrable.
4. Par complémentation de la stabilité de la réunion de deux événements. Définition 3.1
Soit (Ω, T ) un espace probabilisable. Une mesure de probabilité sur
Lemme 2.1 (Ω, T ) est une application
Si (Ti )i ∈I est une famille de tribus sur Ω, alors ∩ Ti est aussi une tribu.
i ∈I P :T →R

telle que :
Preuve
1. ∀A ∈ T , 0 ≤ P (A) ≤ 1 ;
— Ω ∈ Ti , ∀i ∈ I , donc Ω ∈ ∩ Ti . 2. P (Ω) = 1
i ∈I
— Si A ∈ ∩ Ti , alors ∀i ∈ I , A ∈ Ti , par suite Ā ∈ ∩ Ti , ∀i ∈ I et Ā ∈ ∩ Ti .
i ∈I i ∈I i ∈I 3. (propriété de σ-additivité) Pour toute famille dénombrable
— (A n )n∈N une famille d’éléments de ∩ Ti , donc ∀i ∈ I , ∪ A n ∈ Ti et
i ∈I n∈N (A i )i ∈N d’événements deux à deux incompatibles. La famille
∪ A n ∈ ∩ Ti
n ∈N i ∈I (P (A i ))i ∈N est sommable et on
+∞
X +∞
2.2
2 Tribu engendrée : tribu borélienne P (A n ) = P ( ∪ A i )
n=0
n=0

Définition 2.3 — Tribu engendrée Le triplet (Ω, T , P ) s’appelle espace probabilisé.

X un ensemble de partie de Ω, l’intersection de toutes les tribus conte-
nant X s’appelle la tribu engendrée par X . C’est encore la plus petite Remarque 2
tribu contenant X .
Définir une probabilité sur (Ω, T ) c’est en quelque sorte attribuer
Elle est notée σ(X ).
une « masse » à chaque événement observable, avec par convention
une masse totale égale à 1.
Définition 2.4 — Tribu Borélienne
Ω = R, la tribu borelienne est la tribu engendrée par l’ensemble I (R) Remarque 3
de tous les intervalles de R. elle est notée BR
À une bijection près on a indéxé la famille dénombrable, par N, la
définition est valable pour n’importe quelle famille (A i )i ∈I indéxée
Proposition 2.2
par un ensemble dénombrable.
La tribu borelienne est la tribu engendrée par les intervalles de la
forme ] − ∞, x ], x ∈ R c’est encore la tribu engendrée par les inter- Remarque 4
valles de la forme ]x , y ], x , y ∈ R.
De la propriété de σ-additivité, si A est un événement obtenu par
réunion dénombrable Pd’événements (A n )n∈N deux à deux incompa-
Preuve tibles , alors la série P (A n ) converge et on a
Posons X 1 = {] − ∞, x ], x ∈ R}, X 2 = {]x , y ], x , y ∈ R, x < y }. +∞
Nous avons X i ⊂ I (R), donc σ(X i ) ⊂ BR , i = 1, 2.
X
Ensuite tout intervalle est une réunion (intersection) au plus dénombrable des
P (A) = P (A n )
intervalles de X 1 ou de leurs complémentaires. n=0

— ]x , +∞[= ] − ∞, x ]
— ] − ∞, x [= ∪ ∗ ] − ∞, x − n1 ] Définition 3.2
n ∈N
— [x , +∞[= ] − ∞, x [. Soit (Ω, T , P ) un espace probabilisé, et soit A ∈ T .
— ] − ∞, +∞[=] − ∞, 0] ∪ [0, +∞[
— ]x , y ] =] − ∞, y ]∩]x , +∞[. 1. On dit que A est négligeable, ou presque-impossible, si P (A) = 0.
— [x , y [= [x , +∞[.
— ]x , y [=] − ∞, y [∩]x , +∞[ 2. On dit que A est presque-certain si P (A) = 1.
— [x , y ] =] − ∞, y ] ∩ [x , +∞[.
Donc BR ⊂ σ(X 1 ). 3. Une propriété est vraie presque sûrement si l’événement « la
On procède de même pour X 2 . propriété est satisfaite » est presque- certain.

Proposition 3.1
3 Mesure de probabilité Soit P une mesure de probabilités sur (Ω, T ). Alors :

Probabilité =" fonction permettant de ’ mesurer ’ la chance de réali- 1. P (;) = 0 ;

sation d’un évènement de P (Ω) (ou plus généralement d’une tribu 2. (Additivité) Pour tout couple (A, B ) d’événements incompa-
T )" tibles, P (A ∪ B ) = P (A) + P (B ) ;
Par exemple, lorsque une pièce à pile ou face est lancée, la probabilité
3. ∀A ∈ T , P (Ā) = 1 − P (A) ;
d’obtenir face est 12 , si la pièce est équilibrée, celle d’obtenir pile est
aussi 12 . 4. ∀(A, B ) ∈ T , A ⊂ B =⇒ P (B \A) = P (B ) − P (A) ;
Dans ce cas précis, la mesure des événements consiste en un simple 5. ∀(A, B ) ∈ T , A ⊂ B =⇒ P (A) ≤ P (B ) ;
comptage. 6. ∀(A, B ) ∈ T , P (A ∪ B ) = P (A) + P (B ) − P (A ∩ B ) ;
Toutefois mesurer peut être plus qu’une histoire de comptage simple.
Soit l’exemple suivant : imaginons, qu’à l’issue du lancer successif
de deux pièces, nous fassions la somme des résultats de chacune des Preuve
pièces (avec la règle simple : 0 pour pile et 1 pour face). Alors, 1. Pour (A n ) la famile d’événements impossibles : A n = ;, les A n sont deux à
l’ensemble des issues possibles est deux incompatibles. Pour que la série P (;) converge il faut que P (;) = 0.
P

2. Il suffit de considérer la famille d’événements A 0 = A, A 1 = B et pour tout

{0, 1, 2} n ≥ 2, A n = ;. Donc d’après la propriété de σ-additivité,

[email protected] 2
 PROBABILITÉS

+∞
P (A ∪ B ) = P ( ∪ A n ) =
P
P (A n ) = P (A) + P (B ) Solution
n∈N n=0
1. a) E1 =" À partir du cinquième lancé on obtient que des as".
3. Les événements A et Ā sont incompatibles, donc 1 = P (Ω) = P (A) + P (Ā),
d’où P (Ā) = 1 − P (A). b) E2 ="l’as apparait pour la première fois au cinquième lancer et
4. Découle du fait que B = A ∪ B \A, avec une incompatibilité des événe- les lancers ultérieurs donnent que des as"
ments.
c) E3 ="L’as apparait au moins une fois à partir du cinquième
5. Découle de la propriété précédente.
lancer".
6. A ∪ B = A ∪ (B \A ∩ B ), une réunion qui est disjointe et donc P (A ∪ B ) =
P (A) + P (B \A ∩ B ) = P (A) + P (B ) − P (A ∩ B ). 2. Cn = ∪ A i .
i ≥n

Remarque 5 3. Mathématiquement parlant et en terme d’ensembles la suite (Cn )

est bien décroissante. Ce qui se traduit par le fait que si on obtient
Dans le cas où Ω est fini la propriété de σ-additivité n’a pas beau- l’as au moins une fois à partir du n+1-ième lancer alors il sera
coups d’intérêt dans la mesure où une famille (A i )i ∈ dénombrable abtenu au moins une fois à partir du n-ième lancer.
+∞
d’événements de T deux à deux incompatibles ne peut exister que si ∩ Ck ="L’as ne cesse pas de réapparaître ", c’est à dire qu’on ne
k =1
seul un nombre fini d’événement A i ne sont pas vide. Elle remplaçée risque pas de voir l’as dispaitre définitivement.
par l’additivité

Proposition 3.2 - Formule d’Henri poincarrée

4 Probabilité sur un ensemble au plus dénom-
Si (A 1 , ..., A n ) ∈ T . Alors : brable
n  X n
1.4
1
X
P ∪ Ai = (−1)k +1 P (A i 1 ∩ .. ∩ A i k ) Cas ni
i =1
k =1 1≤i 1 <i 1 ...<i k ≤n
Supposons Ω est fini, d’après la propriété d’additivité une propabilité
est parfaitement déterminée par la probabilité des événements élémen-
Preuve taires et nous avons pour tout événement A :
X
Par une simple récurrence. P (A) = P ({ω})
ω∈A

Théorème 3.1 - Propriété de la limite monotone Si en plus tous les événements élémentaires ont la même chance d’être
1. Soit (A n )n ∈N est une suite croissante d’événement. Alors : réalisés, et du fait que P (Ω) = 1, alors pour tout événement A la proba-
+∞ bilité de réalisation de A, sera :
P ( ∪ A n ) = lim P (A n )
n=0 n→+∞
Card(A)
2. Soit (A n )n ∈N une suite décroissante d’événements. Alors : P (A) =
+∞
Card(Ω)
P ( ∩ A n ) = lim P (A n )
i =0 n→+∞
On dit dans ce cas que l’univers Ω est équiprobable ou que
La probabilité P est uniforme sur Ω

Preuve
Exemples 2
1. Soit (Bn ) la suite d’événements définis par

B0 = A 0 , ∀n ≥ 1, Bn = A n \A n−1 1. On considère une urne contenant dix boules noires et trois

(Bn )n ∈N est une suite d’événements deux à deux incompatibles, donc la rouges. On en tire simultanément deux. soit A="on ne tire
+∞ aucune boule rouge", Calculons p (A)
série P (Bn ) converge et P (Bn ) = P ( ∪ Bn ) = P ( ∪ A n ).
P P
n=0 n∈N n∈N L’univers Ω est l’ensemble des parties à deux
éléments d’un
Mais P (Bn ) = P (A n ) − P (A n−1 ). D’où la convergence de la suite (P (A n )), et 13 13!
+∞ ensemble à 13 éléments, donc Card(Ω) = 2 = 2!11! . On en
par téléscopement, on obtient : P ( ∪ A n ) = lim P (A n ).
n=0 n →+∞ déduit
10


2. S’obtient par complémentation de 1). 2 90
p (A) = 13
=
156
Exercice 1 2

2. L’expérience aléatoire consiste au jet de deux pièces de mon-

On effectue une suite infinie de lancers d’un dé. Pour tout i ∈ N∗ ,
naie distinguables. Soit A l’événement : "On obtient au moins
on note :
une fois Pile".
A i = { Obtention de l’as au i-ème lancer} L’univers peut être modélisé par

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

1. Définir par une phrase ne comportant aucun vocabulaire ma-
thématique chacun des événements : Chaque événement à la même chance d’être réalisé.
+∞
a) E1 = ∩ A i A = {(P, F ), (F, P ), (F, F )}
i =5
 4  T +∞ 
b) E2 = ∩ A¯i ∩ Ai Card(A) 3
i =1 i =5 P (A) = =
Card(Ω) 4
c) E3 = ∪ A i
i >4 3. L’expérience aléatoire consiste en le jet d’un dé pipé où le 6
2. Ecrire à l’aide des A i l’événement " on obtient au moins une apparait 2 fois plus que les autres. Calculer la probabilité de
fois l’as au-delà du n-ième lancer ". l’événement A="Le lancer est pair".
3. On pose Cn = ∪ A i . Montrer que la suite (Cn ) est décroissante. L’univers Ω = {1, 2, 3, 4, 5, 6} est non équilibré, notons pi la
i ≥n
Caractériser d’une phrase ne comportant pas de vocabulaire probabilité de réalisation de l’événement ωi = i , i = 1, .., 6,
mathématique l’événement C = ∩ Cn on a
n ≥1 p1 = p2 = p3 = p5 = p , p6 = 2p , 5p + 2p = 1

[email protected] 3
 PROBABILITÉS

Donc p = 17 . Solution
4 1. Les étudiants étant numérotés de 1 à n, il y a n ! répartitions pos-
P (A) = p2 + p4 + p6 =
7 sibles des manteaux parmi les n étudiants.
n
2. A = ∩ A i
i =1
Exercice 2 3. D’après la formule de Poincarré.
n €P Š
P (A) = 1− (−1)k +1 1≤i 1 <i 2 <...<i k ≤n P (A i 1 ∩ ... ∩ A i k ) .
P
Une urne contient 9 boules numérotées de 1 à 9. On tire deux boules
k =1
de cette urne. Calculer la probabilité d’obtenir 2 boules portant des Card(A i1 ∩ ... ∩ A ik ) = (n − k)!, et comme pour k fixé il y’a
n


p-listes
k
numéros de même parité dans les différents cas suivants : strictement croissantes, on déduit le résultat.
1. On tire les 2 boules simultanément, 4. On peut réecrire la probabilité précédente comme suit :
2. On tire une boule, on ne la remet pas, puis on tire la seconde, n n
X (−1)k +1 X (−1)k
3. On tire une boule, on la remet, puis on tire la seconde. P (A) = 1− = ÷ e −1 ÷ 0, 37
k =1
k! k =0
k!

Remarque : La série étant alternée, on peut même donner une

Solution Notons Ω l’ensemble des résultats possibles,
majoration de l’erreur d’approximation
A l’événement : " on obtient des boules de même parité ", et
B (resp. C) l’événement : " on obtient des boules de numéros pairs (resp. 1 1
|P (A) − |≤
impairs)". e (n + 1)!
Ainsi
A = B ∪C 5. Le nombre d n de dérangements est donc

Les événements B et C sont incompatibles. n

X (−1)k
1. Dans ce cas dn = n !
k =0
k!
— Ω est l’ensemble des parties à deux éléments de |[1, 9]|.
9


Card(Ω) = 2 .
— B est l’ensemble des parties à deux éléments de {2, 4, 6, 8}.
2.4
2 Cas au plus dénombrable
— C est l’ensemble des parties à deux éléments de {1, 3, 5, 7, 9}. Ω un ensemble au plus dénombrable. T = P (Ω). P une probabilité sur
Donc
4

5
(Ω, T ).
2 + 2 4
P (A) = 9

=
2
9 Proposition 4.1
2. Dans ce cas : La famille (pω )ω∈Ω définie par
— Ω est l’ensembles des arrangements à deux de |[1, 9]|. pω = P ({ω})

— B est l’ensemble arrangements à deux éléments de {2, 4, 6, 8}. est sommbale de somme :
X
pω = 1
— C est l’ensemble des arrangements à deux éléments de ω∈Ω
{1, 3, 5, 7, 9}.
A2 + A2 4
P (A) = 4 2 5 =
A9 9 Preuve
On remarque qu’on trouve le même résultat que précédement. Distinguons les cas
3. Dans ce cas — Si Ω = {ω1 , ..., ωn }, avec les ωi qui sont distncts. Alors :
n n
9


— Ω est l’ensemble des couples de |[1, 9]|. Card(Ω) = 2 . pωi = P ( ∪ P ({ωi }) = P (Ω) = 1
P
i =1 i =1
— B est l’ensemble des couples de {2, 4, 6, 8}. — Si Ω = {ωn , n ∈ N} est dénombrable avec les ω qui sont distincts. Alors :
P
d’après la remarque 4, pωn converge et :
— C est l’ensemble des couples de {1, 3, 5, 7, 9}. +∞ +∞
pωn = P ( ∪ {ωn }) = P (Ω) = 1
P
Donc n=0 n=0
42 + 52 41
P (A) = =
92 81 Remarque 6
Exercice 3: Nombres de dérangements
On déduit de cette propriété que l’équiprobabilité sur l’univers N
Les 32 étudiants de MP3 font un repas de djaj un mardi pluvieux au est impossible.
restaurant de l’internat et laissent leur manteau au vestiaire en arri-
vant. Au moment de partir, une panne d’électricité fait que l’employé Théorème 4.1
rend à chacun l’un des manteaux au hasard. Le but de l’exercice est Si (pω )ω∈Ω est une famille de réels positifs, sommable et de somme
de déterminer la probabilité qu’aucun des étudiants ne récupère le égale à 1 alors il existe une unique probabilité P sur (Ω, T ) vérifiant
sien. Les étudiants sont numérotés de 1 à n=32. ∀ω ∈ Ω, P ({ω}) = pω
1. Combien y a-t-il de répartitions possibles des manteaux parmi
De plus, celle-ci est déterminée par
les 32 étudiants ? X
∀A ∈ Ω, P (A) = pω
2. L’événement A i signifie : “l’étudiant i a récupéré son manteau”.
ω∈A
Exprimer grâce aux A i l’événement : A : “aucun des étudiants
ne récupère son manteau”.
n
(−1)k −1 Preuve
3. Montrer que P (A) = 1−
P
k! .
k =1 Supposons qu’une telle probabilité existe, alors pour tout A ∈ T , si
4. En utilisant la série exponentielle, montrer qu’il y a environ A = ∪ω∈A {ω},alors X
37% de chances que ce soit le mardi gras absolu en fin de P (A) = pω
ω∈A
soirée.
D’où son unicité. Inversement
5. On appelle dérangement d’un ensemble à n éléments une Supposons P : P (Ω) → R+∗ définie par
permutation de cet ensemble qui ne laisse aucun point fixe. X
∀A ∈ Ω, P (A) = pω
Exprimer le nombre d n de dérangements d’un tel ensemble.
ω∈A

[email protected] 4
 PROBABILITÉS

L’application P est bien définie à valeurs dans R+. P (Ω) = 1. P

2. (A n )n∈N forme une partition de N2 , donc (A n ) = P (N2 ) = 1.
P
+∞
Soit (A n )n ∈N une suite d’événements deux à deux incompatibles et A = ∪ A n . Par n=0
n =0
sommation par paquets f définit ainsi bien une probabilité sur (N , P (N)).
X +∞ X
X
pω = pω
ω∈A n=0 ω∈A n
X
P1 ({n }) = g (i , j )
et donc (i , j ),i + j =n
+∞
X
n
P (A) = P (A n ) X
n =0 = g (i , n − i )
i =0
n
X
Exemple 2: la loi zêta = ab (1 − a )i (1 − b )n −i
i =0
1−( 1−b )
( 1−a n+1

Pour a un réel strictement supérieur à 1, on peut définir une pro- a b (1 − b )n , si a 6= b

=
1−a
1− 1−b
babilité Pa sur N∗ , en posant (n + 1)a 2 (1 − a ) , si a = b n

1 Àprès simplification, on obtient :

pk = Pa ({k }) = ¨
a b (1−b )n+1 −(1−a )n+1
k a ζ(a ) , si a 6= b
P1 ({n }) = a −b 1−b
(n + 1)a (1 − a ) , si a = b
2 n
appelée loi Zêta de paramètre a
3.
X
P (B ) = g (i , j )
Exercice 4 (i , j )∈B
+∞
Avec les notations de l’exemple précédent déterminer X
= a b (1 − a )i (1 − b )i
i =0
Pa (2N∗ ) ab
=
1 − (1 − a )(1 − b )
+∞ +∞
Solution Pa (2N∗ ) =
P
p2k = 1
P 1
= 1 ab
ζ(a ) 2a k a 2a =
k =1 k =1 a +b −ab

Exercice 5 X
P (C ) = g (i , j )
Soient a et b deux réels strictement compris entre 0 et 1 et g la (i , j )∈C
+∞ X
+∞
fonction à valeurs positives définies sur N2 par : X
= a b (1 − a )i (1 − b ) j
2 i j j =0 i = j +1
∀(i , j ) ∈ N , g (i , j ) = a b (1 − a ) (1 − b )
+∞
X (1 − a ) j +1
= ab (1 − b ) j
1. Vérifier que g permet de définir une probabilité notée P sur j =0
1 − (1 − b )
l’espace probabilisable (N2 , P (N2 )). Rappeler l’expression de a (1 − a )
P (A) pour tout A ∈ P (N2 ). =
1 − (1 − a )(1 − b )
2. Pour n ∈ N, pososns A n = {(i , j ) ∈ N2 , i + j = n }. Montrer a (1 − a )
=
que l’application f définie par, f (n) = P (A n ) pour tout n ∈ N, a +b −ab
caractérise une probabilité sur (N, P (N)) que l’on notera P1 .
Calculer P1 ({n}) pour tout n ∈ N.
X
P (D ) = g (i , j )
3. Soient B = {(i , j ) ∈ N , i = j }, C = {(i , j ) ∈ N , i > j } et D =
2 2 (i , j )∈D
+∞ X
+∞
{(i , j ) ∈ N2 , i < j }. Calculer P (B ), P (C ) et P (D ). X
= a b (1 − a )i (1 − b ) j
4. Soit h l’application définie sur (N2 , P (N2 )) par i =0 j =i +1
+∞
 X (1 − b )i +1
= ab (1 − a )i
1 si i et j sont pairs

1 − (1 − a )
i =0
h (i , j ) = −1 si i et j sont impairs
b (1 − b )
=

0 si i et j sont de parité différente
1 − (1 − a )(1 − b )
b (1 − b )
Soit h g la fonction produit. =
a +b −ab
Démontrer que la famille ((h g )(i , j ))(i , j )∈N2 est sommable, puis
calculer sa somme. 4. Posons :
I1 = {(i , j ) ∈ N2 , i et j sont pairs }
I2 = {(i , j ) ∈ N2 , i et j sont impairs }
Solution I3 = {(i , j ) ∈ N2 , i et j sont de parité différente } (Ii )i =1,2,3 . La som-
1. ∀(i , j ) ∈ N2 g (i , j ) ≥ 0, on montre ensuite que la famille mabilité de ((h g )(i , j ))(i , j )∈N2 revient à celle des ((h g )(i , j ))(i , j )∈Ii .
(g (i , j ))(i , j )∈N2 est sommable. La sommabilité de ((h g )(i , j ))(i , j )∈I3 est triviale.
série i g (i , j ) converge par convergence de la
P
Pour j fixé, on a la P Pour (i , j ) ∈ I1 , hg (i , j ) = g (i , j ). Par sommabilité de g (i , j )(i , j )∈N2 et
série géométrique i (1 − a )i et on a du fait que I1 ⊂ N2 , on aura aussi la sommabilité de ((h g )(i , j ))(i , j )∈Ii .
+∞
X 1
g (i , j ) = a b (1 − a ) j = b (1 − b ) j
i =0
1 − (1 − a )

P +∞
g (i , j ) converge par convergence de la série
P
Ensuite la série i
j =0
géométrique j (1 − b ) j . D’où la sommabilité et on a :
P

+∞X
+∞
X X 1
g (i , j ) = g (i , j ) = b =1
i,j j =0 i =0
1 − (1 − b )

[email protected] 5
 PROBABILITÉS

De même pour ((h g )(i , j ))(i , j )∈I2 . mis les r boules rouges, donc p (A ∩ B ) = A 2r = r (r − 1), d’où :
X X X X
h g (i , j ) = hg (i , j ) + h g (i , j ) + hg (i , j ) r r −1
p (A ∩ B ) =
(i , j )∈N2 (i , j )∈I1
X X
(i , j )∈I2 (i , j )∈I3 r +v r +v −1
= g (i , j ) − g (i , j )
(i , j )∈I1 (i , j )∈I2
+∞X
+∞
2.5
2 Indépendance
X
= a b (1 − a )2p (1 − b )2q
p =0 q =0
+∞X
X +∞ Soient A et B deux événements de probabilité non nulle. Il peut arriver
− a b (1 − a )2p +1 (1 − b )2q +1 que la connaissance de la réalisation de A ne modifie pas notre infor-
p =0 q =0 mation sur celle de B, autrement dit que P (B /A) = P (B ). C’est le cas par
ab a b (1 − a )(1 − b ) exemple lorsque l’on fait un tirage avec remise et que la réalisation de A
= −
(1 − (1 − a )2 )(1 − (1 − b )2 ) (1 − (1 − a )2 )(1 − (1 − b )2 ) ne dépend que du résultat du premier tirage, celle de B que du deuxième.
a +b −ab Par symétrie on aura dans cet exemple P (A/B ) = P (A).
=
(2 − a )(2 − b )
Théorème définition 5.1
Si A et B sont des événements de probabilité non nulle d’un espace pro-
5 Probabilité conditionnelle, indépendance
babilisé (Ω,T ,P), alors les trois égalités suivantes sont équivalentes :

1.5
1 1. P (B /A) = P (B ),
Probabilité conditionnelle
2. P (A/B ) = P (A),
On cherche maintenant à voir comment la connaissance et l’influence
3. P (A ∩ B ) = P (A)P (B ).
d’une information supplémentaire modifie les probabiltés. Pour cela,
on définit la probabilité conditionnelle d’un événement A sachant que A, B vérifiant l’une de ces propriétés sont dits indépendants.
l’événement B est réalisé.

Définition 5.1 Preuve

Soit (Ω, T , P ) un espace probabilisé, Soit B un événement tel que L’équivalence découle de l’égalité : P (A ∩ B ) = PB (A)P (B )
P (B ) 6= 0. Pour tout événement observable A, on définit :
Remarque 7
P (A ∩ B )
PB (A) =
P (B ) Deux événements non presque-impossibles et incompatibles ne
peuvent jamais être indépendants.
On trouve également souvent la notation P (A/B ).
appelée probabilité conditionnelle de l’événement A sous l’hypothèse
B ou probabilité de A sachant B . Exemple 4

Proposition 5.1 On jette deux fois le même dé. Les événements :

Soit B un événement non presque-impossible. Alors PB définit une A = "obtention d’un chiffre pair au premier lancer",
mesure de probabilité sur l’espace probabilisable (Ω, T ). B = "obtention du 1 au deuxi‘eme lancer"
sont indépendants.
En effet, en prenant Ω = {1, 2, .., 6}2 , T = P (Ω) et P l’équiproba-
bilité, on vérifie que :
Exemple 3
P (A) = 3×6 1 6×1 1
36 = 2 , P (B ) = 36 = 6 .
3×1
P (A ∩ B ) = 36 = 12 , P (A)P (B ) = 12 × 16 = 12
1 1
= P (A)P (B )
Une urne contient r boules rouges et v boules vertes. On en tire deux
l’une après l’autre, sans remise. Quelle est la probabilité d’obtenir
deux rouges ?
Notons : Définition 5.2
A :"La première boule tirée est rouge" (Ω, T , P ) un espace probabilisé. (A i )i ∈I une famille d’événement de
B :"La deuxème boule tirée est rouge" l’espace probabilisé.
Il s’agit de calculer p (A ∩ B ). Pour cela il suffit d’utiliser la formule : Les événements A i , i ∈ I sont dits mutuellements indépendants si
p (A ∩ B ) = p (A)pA (B ). Y
r ∀J (fini) ⊂ I , P ( ∩ A j ) = P (A j )
p (A) = r +v . j ∈J
j ∈J
Sachant qu’on a tiré au premier une boule rouge, il reste encore
r − 1 boule rouge dans l’ensemble des r − 1 + v boules couleurs
r −1
confondues. Donc pA (B ) = r +v −1 . Finalement Remarque 8
r r −1 Si les événements A 1 , ..., A n sont indépendants, alors on a en parti-
p (A ∩ B ) =
r +v r +v −1 culier :
n
n Y
Remarquons qu’on peut répondre directement à la question et sans p ( ∪ Ai ) = p (A i )
i =1
passer par les probabilités conditionnelles en utilisant l’univers i =1

La réciproque est fausse comme le montre l’exemple suivant :

Ω = {(x1 , x2 ) ∈ U 2 , x1 6= x2 }

L’ensemble des arrangements de deux boules parmis les r + v Exemple 5

boules.
Card(A ∩ B)
p (A ∩ B ) = On fait des tirages à pile ou face on considère les événements :
Card(Ω)
A="Le premier tirage est Pile".
Card(Ω) = A2r+v = (r + v)(r + v − 1). B="lors des 3 premiers tirages, il y a au plus un Pile".
A ∩ B est l’ensemble des arrangements de deux boules rouges par- C = B.

[email protected] 6
 PROBABILITÉS

Du fait que A=B les événements ne sont clairement pas mutuelle- Exercice 6
ment indépendants .
Mais A ∩ B ∩ C ="Le premier tirage est pile et les deux autres sont On considère une urne qui contient deux boules vertes et une boule
faces". Donc p (A ∩ B ∩ C ) = 12 × 21 × 12 . rouge dans laquelle on effectue une infinité de tirages successifs et
p (A) = 21 . avec remise.
B="(f,f,f)" ou "(p,f,f )" ou "(f,p,f )" ou "(f,f,p)". On définit E l’événement : " on obtient au moins une boule rouge ".
Donc p (B ) = 243 = 12 . On souhaite calculer P (E ) par trois méthodes différentes. Pour cela,
Ainsi p (A ∩ B ∩ C ) = p (A)p (B )p (C ). on note pour tout n de N∗ les événements suivants :
— A n : "on obtient la première boule rouge au n-ième tirage ",
— Bn : " on obtient au moins une boule rouge au cours des n
Remarque 9 premiers tirages ",
— Cn : " on obtient n boules vertes au cours des n premiers tirages
Si les événement A 1 , ..., A n sont mutuellement indépendants, alors
".
ils sont bien évidement deux à deux indépendants, mais la réci-
proque est fausse comme le montre l’exemple suivant : 1. Calculer, pour tout n de N∗ , P (A n ), P (Cn ) et P (Bn ).
2. Exprimer E à l’aide des événements A n , pour n ∈ N∗ , et en
déduire P (E ).
Exemple 6
3. Exprimer E à l’aide des événements Bn , pour n ∈ N∗ , et retrou-
On modifie les événements de l’exemple 5. ver P (E ).
On procède à trois tirages à Pile ou Face. Notons : 4. Exprimer E¯ à l’aide des événements Cn , pour n ∈ N∗ , et en
A="Obtenir exactement 1 Pile lors des tirages 2 et 3". déduire P (E¯ ) puis P (E ).
B="Obtenir exactement 1 Pile lors des tirages 1 et 3 5. Que dire de l’événement E ? Interpréter ce résultat.
C="Obtenir exactement 1 Pile lors des tirages 1 et 2.
Les événements A, B et C sont 2 à 2 indépendants, mais pas mutuel-
lement. Solution
Compte tenu du fait qu’il y’a possibilité de répétition et que les Notons Rk (resp Vk ), l’événement "On obtient la boule rouge ( resp verte
questions posées posées interessent l’ordre l’univers Ω sera ) au kième tirage. Les événements Rk et Vk sont indépendants, nous
avons
Ω = {p , f }3 1 2
P (Rk ) = , P (Vk ) =
3 3
A = {(p , p , f ), (f , p , f ), (p , f , p ), (f , f , p },
B = {(p , p , f ), (p , f , f ), (f , p , p ), (f , f , p )}, 1. — A n = V1 ∩ V2 ... ∩ Vn−1 ∩ Rn , et par indépendance des événe-
C = {(p , p , f ), (p , f , f ), (f , p , p ), (f , f , p )}. ments :
A ∩ B = {(p , p , f ), (f , f , p )},  ‹n−1
2 1
A ∩ C = {(p , p , f ), (f , f , p )}, P (A n ) = P (V1 )..P (Vn−1 )P (Rn ) =
3 3
B ∩ C = {(p , p , f ), (f , f , p }.
p (A∩B ) = 28 = p (A)p (B ), p (A∩C ) = p (A)p (C ), p (B ∩C ) = p (B )p (C ). — Cn = V1 ∩ V2 ... ∩ Vn , donc
A ∩ B ∩ C = {(p , p , f ), (f , f , p )}, p (A ∩ B ∩ C ) 6= p (A)p (B )p (C ).
 ‹n
2
P (Cn ) =
3
Proposition 5.2
— Bn = Cn , donc
Si A et B sont indépendants, alors A et B̄ le sont aussi.  ‹n
2
P (Bn ) = 1 −
3
+∞
Preuve 2. L’événement E s’écrit : E = ∪ A n . D’après le corollaire 4 et par
n=1
Nous avons A = (A ∩ B ) ∪ (A ∩ B̄ ), une réunion disjointe, donc P (A) = P (A ∩ B ) + indépendances des événements A n
P (A ∩ B̄ ), et donc P (A ∩ B̄ ) = P (A) − P (A ∩ B ) = P (A) − P (A)P (B ) = (1 − P (A))P (B ) =
P (Ā)P (B ). D’où l’independance des deux événements. +∞ +∞ ‹n −1
X X 2 1
P (E ) = P (A n ) = =1
n=1 n =1
3 3
Proposition 5.3
Si les événements A 1 , ..., A n sont indépendants (mutuellement), alors +∞
les événements A 1 , ..., A n−1 , A¯n le sont aussi. 3. L’événement E s’écrit aussi : E = ∪ Bn . Les Bn forment une suite
n=1
croissante d’événements, donc d’après le théorème la limite mo-
Remarque 10 notone.
P (E ) = lim Bn = 1
n→+∞
En itérant cette propriété plusieurs fois, on peut complémenter
autant d’événements qu’on veut. +∞
4. L’événement E¯ s’écrit : E = ∩ Cn , la suite (Cn ) est décroissante,
n=1

3.5
3 donc P (E¯ ) = lim Cn = 0, et P (E ) = 1 − P (E¯ ) = 1
Épreuves répétées n→+∞
5. L’événement E est donc un événement presque sûr : on est
Considérons une suite (Ei )i ∈I (I une partie de N) d’épreuves réalisées
presque sûr d’obtenir, au moins une fois, une boule rouge.
dans les mêmes conditions expérimentales. Par exemple tirages avec
remise dans la même urne, lancers successifs d’un dé, ... Il est alors
raisonnable de supposer que les résultats de tout sous ensemble fini 6 Les théorèmes fondamentaux de probabilités
d’épreuves n’ont aucune influence sur ceux des autres épreuves.
On dit dans ce cas que les épreuves sont indépendantes et auquel
cas toute suite (A i )i ∈I avec A i un résultat de Ei est une suite d’évé-
1.6
1 Formule des probabilités totales
nements mutuellements indépendants.

[email protected] 7
 PROBABILITÉS

Définition 6.1 — Système complet d’événements Théorème 6.2

Un système complet d’événements est une famille {A i , i ∈ I } formant Soient A et B deux événements non presque-impossibles, alors
une partition de Ω. Autrement dit : P (B /A)P (A)
— Les événements A i sont non vides ; P (A/B ) =
P (B )
— La famille est constituée d’événements deux à deux incompa-
tibles ;
Etant donné mainetant un système complet (A i ) d’événements et sup-
— ∪i ∈I A i = Ω.
posons qu’on connaisse les probabilités P (B /A j ) et que l’on veut la
formule inverse, alors l’expression de P (A j /B ) est donnée par la for-
Exemple 7 mule

1. (A, Ā) forme un système complet. Théorème 6.3

Soit (A i )i ∈I un système complet au plus dénombrable d’événements
non presque impossibles, et B un événement non presque-impossible.
Théorème 6.1 - Formule des probabilités totales Alors
P (A j )P (B /A j )
Si (A i )i ∈I est un système complet d’événements de l’espace
proba- P (B |A j ) = P
i ∈I P (A i )P (B /A i )
bilisé (Ω, T , p ), alors pour tout B ∈ T : la famille pA i (B )p (A i ) i ∈I est
sommable et on a :
X
p (B ) = pA i (B )p (A i )
Exemple 9
i ∈I

Un test sanguin a une probabilité de 0.95 de détecter un certain virus

Preuve lorsque celui ci est effectivement présent. Il donne néanmoins un
faux résultat positif pour 1% des personnes non infectées. Si 0.5% de
la population est porteuse du virus, quelle est la probabilité qu’une
Corollaire 6.1 personne ait le virus sachant qu’elle a un test positif ?
Si A est un événement non presque-impossible, non presque certain, Notons les événements.
alors pour tout événement B : T="La personne testée à réellement le virus".
p (B ) = pA (B )p (A) + pĀ (B )p (Ā) V="La personne testée a un test positif".
Il s’agit de calculer P (V /T ).
Les données se traduisent en terme de probabilités par.

Exemple 8 P (T /V ) = 0.95, P (T /V¯ ) = 0.01, P (V ) = 0.005

On considère deux urnes U1 et U2 . L’urne U1 contient r1 boules rouges C’est donc la formules de Bayes au système complet (V , V¯ ) qui
et v1 boules vertes. L’urne U2 contient contient r2 boules rouges et v2 s’applique :
boules vertes. On lance un dé. S’il indique le chiffre 1, on choisit l’urne
P (T /V )P (V )
U1 , sinon on choisit U2 . Dans chaque cas on effectue deux tirages P (V /T ) = ' 0.32
P (T /V )P (V ) + P (T /V¯ )P (V¯ )
avec remise dans l’urne choisie. Quelle est la probabilité d’obtenir
une rouge au premier tirage ? deux rouges en tout On conclue ainsi que contrairement à ce que l’on aurait pu croire
Notons les événements : le test n’est pas fiable : si la personne présente un test positif, la
A 1 =" Le dé donne le chiffre 1". probabilité qu’elle ne soit pas porteuse du virus est deux fois plus
A 2 =" Le dé donne le chiffre 2". élevée que celle qu’elle le soit.
A="On obtient rouge au premier tirage".
B="On obtient deux rouges en tout".
(A 1 , A 2 ) est un système complet d’événements. Donc

P (A) = P (A/A 1 )P (A 1 )+P (A/A 2 )P (A 2 ), P (B ) = P (B /A 1 )P (A 1 )+P (B /A 2 )P (A 2 ) 3.6

3 Formule des probabilités composées

Nous avons Connaissant la probabilité de réalisation d’un événement A et de l’évé-

1 5 nement B sachant que l’évenement A à été réalisé, permet de donner la
P (A 1 ) = , P (A 2 ) =
6 6 probabilité de réalisation de l’événement " A et B" par la formule des
Sachant que A i a été réalisé, la probabilité de réalisation de A (resp probabilités conditionnelles :
€ Š2
ri ri
B) est ri +v (resp ri +v ). Donc
i i
p (A ∩ B ) = p (A)pA (B )
1 r1 5 r2
P (A) = + Cette formule se généralise à plusieurs événements.
6 r1 + v1 6 r2 + v2
‹2 ‹2
1 r1 5 r2
 
Proposition 6.1
P (B ) = +
6 r1 + v1 6 r2 + v2 Soit n ≥ 2, si A 1 , ..., A n sont des événements tel que A 1 ∩....∩ A n −1 n’est
pas presque impossible, alors :
P (A 1 ∩ A 2 ... ∩ A n ) = P (A 1 )P (A 2 /A 1 )P (A 3 /A 1 ∩ A 2 )...P (A n /A 1 ∩ ...A n−1 )
2.6
2 Formule de Bayes
Remarque 11
Connaisant P (B /A) et qu’on souhaite inverser , alors P (A/B ) est donnée
par : Cette formule trouve son interet notament dans le cas d’une succés-
sion d’épreuves et pour le calcul de la probabilité d’un événement
qui peut s’interpréter par une intersection d’événements de ces
épreuves.

[email protected] 8
 PROBABILITÉS

Exemple 10 (A, Ā) est un système complet d’événements, donc

P (Bk ) = P (A)P (Bk /A) + P (Ā)P (Bk /Ā)

On sait que si le flash d’un appareil photo n’a pas eu panne durant les 1 k 1 1 1
n premiers déclenchements (n entier positif ou nul), la probabilité = + =
2 k +1 2 k +1 2
pour qu’il fonctionne au (n + 1)-ième est égale à p (0 < p < 1).
Si on y réflechit un peu, le résultat est tout à fait normal !.
Quel est la probabilité pour qu’il n’ait pas de panne au cours des 100
premiers déclenchements ? 2. D’après la formule de Bayes :
k 1
P (Bk /A)P (A) k
Notons A n =" le flash fonctionne au n-ième déclenchement, vu les P (A/Bk ) = P (Bk ) = k +1 2
1 = k +1
2
hypothèes, on 3. Il s’agit du calcul de P (B1 ∩B2 ...∩Bk ). Là encore on utilise le système
complet (A, Ā).
P (A n +1 /A 1 ∩ A 2 ∩ .. ∩ A n ) = p , ∀n ≥ 1 et P (A 1 ) = p
P (B1 ∩ B2 ... ∩ Bk ) = P (A ∩ B1 ∩ B2 ... ∩ Bk ) + P (Ā ∩ B1 ∩ B2 ... ∩ Bk )
Il s’agit du calcul de (A 1 ....A 100 ).
Par la formule des probabilités composées, on a Par la formule des probabilités composées, on a
P (A 1 ∩ A 2 ∩ ...A 100 ) = P (A 1 )P (A 2 /A 1 )P (A 3 /A 1 ∩ A 2 )....P (A 100 /A 1 ∩ .. ∩ A 99 ) = p 100
P (A ∩ B1 ∩ ..Bk ) = P (A)P (B1 /A)P (B2 /A ∩ B1 )...P (B3 /A ∩ B1 .. ∩ Bk )
112 k
= ....
2 2 3 k +1
Exercice 7
1 1
=
Une urne contient initialement une boule blanche et une boule 2 k +1
noire. On effectue dans cette urne une suite de tirages. À chaque
tirage, on note la couleur de la boule tirée, on la remet dans l’urne P (Ā ∩ B1 ∩ ..Bk ) = P (Ā)P (B1 /Ā)P (B2 /Ā ∩ B1 )...P (B3 /Ā ∩ B1 .. ∩ Bk )
et on ajoute en plus une boule noire. Pour tout n de N∗ , on définit 111 1
= ....
les événements : 2 2 3 k +1
En : " on obtient la première boule blanche au n-ième tirage ", 1 1
=
Fn : " on obtient la première boule noire au n-ième tirage ". 2 (k + 1)!
1. Soit n ∈ N∗ . Montrer : Enfin
1 k!+1
1 P (B1 ∩ B2 ... ∩ Bk ) =
P (En ) = 2 (k + 1)!
n (n + 1)

2. En déduire que l’on obtient presque surement une boule 7 Applications : Démonstrations probabilistes
blanche.
de certains résultats mathématiques
3. Soit n ∈ N∗ , montrer que

1 1 1.7
1 Calcul de l'indicateur d'Euler
P (Fn ) = −
n! (n + 1)!
Exercice 9
4. En déduire que l’on obtient presuqe sûrement au moins une
• Pour un entier naturel n supérieur ou égal à 2, on notera respecti-
boule noire
vement :
Solution Notons, pour tout k de N∗ , Bk (resp. Nk ) l’événement : « on
Sn = {k ∈ |[1, n ]|, k ∧ n = 1}
obtient une boule blanche (resp. noire) au k-ième tirage ».
1. L’événement En s’écrit : En = N1 ∩ ..Nn −1 ∩ Bn . Par la formule des
probabilités composées : Dn = {d ∈ |[1, n]|, d /n} l’ensemble des diviseurs de n
P (En ) =P (N1 )P (N2 /N1 )P (N3 /N1 ∩N2 )...P (Nn−1 /N1 ∩N2 ∩...Nn−2 )P (Bn /N1 ∩..∩Nn−1 )
= 12 23 .. n−1 1 1 • ϕ(n ) désigne l’indicateur d’Euler de n. On rappelle que
n n +1 = n (n +1)

Exercice 8 ϕ(n) = cardSn

On lance, une seule fois, une pièce équilibrée, puis on effectue des On chosit de manière équiprobable un entier compris entre 1 et n .
tirages successifs dans une urne, contenant initialement une boule Soient d ∈ Dn et A d l’événement :
blanche et une boule noire, selon le protocole suivant : A d = "Le nombre choisi est divisible par d "
1. Calculer P (A d ).
— on tire une boule, on note sa couleur et on la remet dans l’urne, 2. Montrer que si p1 , ... , pr sont les diviseurs premiers de n , alors
— on rajoute une boule blanche si l’on a obtenu pile, et une boule les événements A p1 , ..., A pr sont mutuellements indépendants.
noire si l’on a obtenu face.
Ainsi, au moment du k -ième tirage, l’urne contient k + 1 boules. 3. Montrer que :
r 
1
Y ‹
1. Calculer la probabilité de tirer une boule blanche au k -ième ϕ(n ) = n 1−
i =1
pi
tirage.
2. Sachant que l’on a tiré une boule blanche au k -ième tirage, 4. Soit d un diviseur de n et a un entier naturel non nul ; montrer
calculer la probabilité pk d’avoir obtenu pile. que a ∧ n = d si, et seulement si, il existe un entier k premier
avec dn tel que a = k d . En déduire le nombre des entiers a tels
3. Calculer la probabilité d’obtenir k boules blanches lors des k
que 1 ≤ a ≤ n et a ∧ n = d .
premiers tirages.
5. Pour tout entier d diviseur de n, on note Cd l’événement
Solution Cd = "Le pgcd de n et du nombre choisi est égal à d".
Exprimer P (Cd ) à l’aide de n, d et de la fonction ϕ.
1. Notons les événements : A="On obtient pile". Bk ="Obtenir une
6. En déduire que d ∈Dn n1 ϕ( dn ) = 1
P
boule blanche ou k-ième tirage.
Nk ="Obtenir une boule noire au k-ième tirage.

[email protected] 9
 PROBABILITÉS

7. Montrer que l’application u qui, à tout diviseur d de n associe 7. Si d ∈ Dn , n/d est également un diviseur de n compris entre 1 et n :
u (d ) = dn , est une bijection de Dn dans lui-même. l’application u est donc à valeur dans Dn . Comme u est injective
8. En déduire l’identité d’Euler : et que Dn est fini, u est une bijection de Dn sur lui-même. Par
changement de variable, nous obtenons l’identité d’Euler :
X
ϕ(d ) = n X X X
φ(d ) = φ(u (d )) = φ(n /d ) = n .
d ∈Dn
d ∈Dn d ∈Dn d ∈Dn

Solution On se place sur (Ω, P (Ω), P ), où Ω = {1, 2, ..., n } et

2.7
2 Formule d'Euler dans les séries
1 1
∀k ∈ Ω, P ({ }) =
k n Exercice 10
1. Pour d divisant n on a n = d q et On se fixe un réel a > 1 et on consière l’espace probabilisé
(Ω, P (Ω), P ), où Ω = N∗ et
A d = {k ∈ Ω, ∃ j ∈ Ω; k = d j } = {d , 2d , ..., q d }
1 1
donc : ∀n ∈ Ω, P ({n }) =
Card(A d ) q 1 ζ(a ) n a
P (A d ) = = =
Card(Ω) n d
(cf loi Zêta : ) Pour tout n ≥ 1, on désigne par A n l’événement :
2. Soit J une partie non vide de {1, 2, ..., r }. Les entiers p j pour j ∈ J
sont premiers et distincts, donc premiers entre eux et un entier est A n = { multiples de n} = n N∗
divisible par tous les p j si, et seulement si , il est divisible par leur
produit. On a donc : 1. Calculer P (A n ) pour tout n ≥ 1.
∩ Apj = A Q
j ∈J
pj 2. Montrer que si P désigne l’ensemble des nombres premiers,
j ∈J
alors la famille (A p )p ∈P est indépendante.
et :
3. En déduire que
1 Y 1 Y
 ‹
P ∩ A p j = P (A Q j ∈J p j ) = Q = = P (A p j ) Y 1
‹
j ∈J
j ∈J pj j ∈J
pj j ∈J P ({1}) = 1−
p ∈P
pa
Donc les événements A p1 , ..., A pr sont mutuellements indépen-
dants. 4. Puis l’identité d’Euler :
3. Sn désigne en fait l’événement : "l’entier choisi est premier avec ‹−1
n ", ona alors :
Y 1
Card(S)n ϕ(n )
∀a > 1, ζ(a ) = 1−
P (Sn ) = = p ∈P
pa
Card(Ω) n
De même on a k ∈ Sn si, et suelement si, k n’est pas divisible par
aucun des pi , donc Solution
r
Sn = ∩ (Ω\A pi ) 1. On a
+∞ +∞
i =1 X 1 1 X 1 1
P (A n ) = P ({k n}) = =
Comme les événements Ω\A pi seront aussi mutuellements indé- ζ(a ) n a k =1 k a n a
k =1
pendants ( cf proposition 5.3), on en déduit que :
2. Pour p1 < p2 < ... < pr dans P , comme les pk sont premiers entre
r r 
1 eux, on a :
Y Y ‹
P (Sn ) = P (Ω\A pi ) = 1−
i =1 i =1
pi  r 
P ∩ A pk = P ({ multiples de p1 , ..., pr })
k =1
D’où ‚ r
Œ
r 
1
‹ Y
= P {multiples de
Y
ϕ(n ) = Card(A) = n 1− pk }
i=1
pi k =1
= P (A Qkr =1 pk )
4. Supposons que a ∧ n = d . On peut alors écrire a = k d et n = k d , 0

avec k et k 0 entiers. Si u divise k et k 0 , ud divise a et n , donc ud 1

= Qr
divise d , ce qui impose u = 1 ; k et k 0 sont donc premiers entre ( k =1 pk )a
eux : il existe donc un entier k tel que k soit premier avec n /d et Y r
1 Y r

a = kd. = a = P (A pk )
p
k =1 k k =1
Réciproquement, supposons qu’un tel entier existe. Comme d
divise n et a , il existe u tel que a ∧ n = ud . On en déduit que ud Les événements A p1 , ..., A pr sont donc mutuellement indépendants.
divise n et a , donc que u divise n /d et k : ceci impose u = 1 et 3. L’entier 1 n’est divisible par aucun nombre premier, donc :
a ∧n =d.
{1} = ∩ (Ω\A p )
Les entiers a compris entre 1 et n tels que a ∧ n = d sont donc les p ∈P

entiers de la forme k d avec k premier avec n /d et k d ≤ n : il en et :

existe φ(n/d ).
1
 ‹ Y Y ‹
φ(n /d )
Y
5. Nous en déduisons que P (Cd ) = n . P ({1} = P ∩ (Ω\A p ) = P (Ω\A p ) = (1−P (A p )) = 1−
p ∈P p a
p ∈P p ∈P p ∈P
6. Les évènement Cd , pour d décrivant Dn , forment un système com-
plet d’évènements de Ω, ce qui donne : 1
et comme P ({1}) = ζ(a ) , il en résulte que :
X X 1
1= P (Cd ) = φ(n/d ). Y 1 −1
‹
d ∈Dn d ∈D
n ζ(a ) = 1−
n
p ∈P
pa

[email protected] 10