Fondements de la Théorie de Probabilités : Probabilités élémentaires

Diana Nurbakova

Contents
Définition intuitive de la probabilité 1

Evénement, tribu, espace probabiliste 2

Probabilité d’un évènement 5

Exemple de calcul : vélos et trottinettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Résultats possibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Résultats favorables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Calcul final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Probabilité de deux évènements 8

A et B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
A ou B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1. P(A ∪ B) si A ∩ B = ∅ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. P(A ∪ B) si A ∩ B , ∅ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Exemple de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1. P(A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2. P(B) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Calcul final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

Probabilités conditionnelles et Indépendance 12

Examples de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Example 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Example 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Example 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

Téorème bayesien (Bayes Rule) 16

Liens utiles 17
Alea Jacta Est

Définition intuitive de la probabilité

Dans la vie de tous le jours, nous nous rencontrons souvent avec la notion de la probabilité de la survenance de certains
événements. Un des exemples typiques est celui de la météo, où les prognostiques nous affichent la chance de la pluie.

1
“La probabilité au quotidien” est aussi souvent lié à la notion du risque, notamment dans le cadre des assurances. Ainsi,
la Wikipédia définie le risque comme “la possibilité de survenue d’un événement indésirable, la probabilité
d’occurrence d’un péril probable ou d’un aléa”.
Pour l’instant on peut adopter une définition suivante de la probabilité :

La probabilité (en. probability) d’un certain événement A, notée P(A), est une mesure de la chance (certitude)
que cet événement se réalise. Cette mesure prend la valeur entre 0 et 1.

Ainsi, quand la valeur de la probabilité d’un événement est proche de 0, on est certain que l’événement ne va pas se
réaliser, tandis que quand la valeur est proche de 1, on considère que cet événement “a toutes ses chances” pour se
réaliser.

Notons ici que contrairement à la notion du risque et de la chance dans la vie quotidienne, où on opère souvent avec des
pourcentages, lors de cours nous allons privilégier l’utilisation de la plage de valeur entre 0 et 1.

Evénement, tribu, espace probabiliste

Les notions liées à celle de la probabilité nous aident à modéliser d’une manière abstraite des quantités mesurées et les
comportements aléatoires souvent dans le but prédictif.
Considérons un dé cubique à 6 faces parfaitement équilibré .
L’issue (le résultat) de lancer d’un dé cubique parfaitement équilibré ne peut pas être prévu, il est du au hasard. Dans un
cas pareil, on parle d’une expérience aléatoire.

2
 Une expérience aléatoire (en. experiment) est une expérience renouvelable, dont le résultat est aléatoire
(c’est-à-dire imprévisible) et qui, reproduite dans des conditions identiques, ne donne pas forcément le même
résultat à chaque renouovellement de l’expérience.

Les exemples typiques sont : le lancement successif d’une même pièce, d’un dé, le tirage au hasard d’une carte, etc.
Reprenons l’exemple du lancement d’un dé.
Quels sont les résultats (issues) posssibles d’une expérience ?
Les résultats possibles sont : . De point de vue mathématique, on peut réécrire cela de la façon suivante :

Ω = {1, 2, 3, 4, 5, 6}

Un ensemble des possibles ou ensemble des éventualités ou univers des possibles (en. sample space ou
possibility space) est un ensemble de tous les issues / résultats (en. outcomes) possibles que l’on pourrait
obtenir en réalisant une expérience aléatoire.

En utilisant les diagrammes de Venn, on peut présenter Ω comme suit :

Voici quelques exemples des univers : Ω = {pile, face } pour le lancer de pièce, pour le tirage de carte dans un jeu de
carte classique de 52 cartes Ω = {coeur, pique, carreau, trfle } × {2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q, K, A} donné comme le
produit cartésien de deux ensembles : couleurs et valeurs (rangs).
L’univers Ω peut être discret (fini et/ou denombrable) et non discret. Dans le cas d’un univers fini, on peut présenter Ω
comme : Ω = {ω1 , ω2 , ..., ωn }, n ∈ N. Dans le cas d’un univers infini dénombrable : Ω = {ω1 , ω2 , ...}.
Un exemple de l’univers qui n’est pas discret peut être Ω = (−∞, +∞).

Un évènement élémentaire ou issue élémentaire (en. elementary event ou atomic event ou sample point) est
un ensemble {ω} constitué d’un seul élément de l’univers ω ∈ Ω (un singleton).

Notons aussi que les issues possibles de l’expérience sont repésentée d’une manière unique.
Dans le cas de lancer d’un dé, un exemple d’un évènement élémentaire peut être {2} ou {5}, etc. Pour le lancer de deux
pièces, ça peut être {PP } ou {PF } où P correspond à pile, et F correspond à face. Dans le cas non discret, un exemple
d’un évènement élémentaire peut être tous les ensemble {x }, x ∈ R de l’univers Ω = (−∞, +∞).
Quelle proposition on cherche à vérifier à l’aide de l’expérience aléatoire ?
On parle d’un évènement lié à une expérience aléatoire.

3
 Un évènement A (en. event) est un sous-ensemble des résultats possibles Ω d’une expérience aléatoire qui
donc regroupe les évènements élémentaires (éventualités) pour lesquelles une certaine propriété est vérifiée.
Ainsi, un évènement forme les résultats favorables.
Un ensemble de tous les évènements liés à l’éxpérience aléatoire, noté A, possède une structure de tribu sur Ω
aussi appelé σ -algèbre (en. σ -algebra ou σ -field) telle que :
• Ω∈A
• ∅∈A
• stable par complémentaire : si A ∈ A, alors Ā = (Ω \ A) ∈ A
• stable par union dénombrable : si Ai ∈ A, ∀i ∈ N, alors ni=1 Ai ∈ A
S

• stable par intersection dénombrable : si Ai ∈ A, ∀i ∈ N, alors i =1 Ai ∈ A
Tn

Un évènement A ∈ A. Notons aussi que souvent un évènement est formulé par une proposition en langue
naturelle (en intention).

De point de vue des évènements, on appelle Ω l’évènement certain, car il regroupe tous les issues possibles.
Comme le contraire de Ω, on peut considérer l’ensemble vide ∅, que dans ce contexte on appelle l’évènement
impossible.
Dans le cas de l’univers discret comme celui de lancer d’un dé, on peut définir A comme le superset de Ω,
i.e. A = P(Ω) = {∅, {1}, {2}, ..., {6}, {1, 2}, ..., {1, 6}, {1, 2, 3}, ..., {2, 3, 4, 5, 6}, Ω}.
Dans le cas de l’univers continu, il ne s’agit plus de powerset. C’est à travers la notion de tribu A sur Ω qu’on restreint
les évènements pour lequels on peut définir la mesure de probabilité.
Selon le résultat obtenu lors de l’expérience, l’évènement en question peut être réalisé ou pas.
Exemple : Reprenons l’exemple de lancer d’un dé. Pour rappel, Ω = , , , , , ou bien Ω = {1, 2, 3, 4, 5, 6}.


Supposons que l’évènement qui nous intéresse est donné par “obtenir un résultat impair”. Nous pouvons donc le
réécrire de la façon suivante : A = “obtenir un résultat impair” = {1, 3, 5}.
Considérons deux résultats d’expérience : 2 et 3 :

On peut voir que d’un côté on peut vérifier la propriété du nombre impair en partant de l’intention de l’évènement
(approche en intention). De l’autre côté, on peut suivre l’approche ensembliste et vérifier si le résultat obtenu appartient
ou pas à l’ensemble de résultats favorables.
On peut représenter l’évènement A sous forme de diagramme de Venn de la façon suivante :

4
Probabilité d’un évènement

Un espace probabilisé (Ω, A) (en. measurable space) est un espace mesurable, composé par un couple (Ω, A)
où Ω est un ensemble et A une tribu sur Ω.
Un espace probabilisé (Ω, A) complété d’une mesure P est appelé un espace probabiliste (Ω, A, P) (en.
probability space ou probability triple), si P est une mesure de probabilité telle que P(Ω) = 1.

Une mesure de probabilité (en. probability measure) P est une fonction réelle à valeurs dans l’intervalle unité
[0, 1] (positivité) définie sur un espace d’évènements A dans l’espace probabiliste (Ω, A, P) qui satisfait les
propriétés de mesure :
• ∀A ∈ A, P(A) ∈ [0, 1]
• P(∅) = 0
• P(Ω) = 1 (masse unitaire)
• propriété de σ -additivité : pour toute collection dénombrable ∀{Ai }, i ∈ I (où I ⊂ N est un ensemble
d’indices), A1 , A2 , ... ∈ A telle que ∀i, j, i , j, Ai ∩ Aj = ∅ (ensembles disjoints deux à deux ou ensembles
mutuellement disjoints), la propriété suivante est vérifiée :
 
[  X
P  Ai  = P(Ai )
i ∈I i ∈I

Dans le cas où Ω = {ωi }i =1,...,n est un univers fini et toutes les issues ωi sont équiprobables, i.e. :
1
P(ω1 ) = P(ω2 ) = ... = P(ωn ) =
n

la probabilité P est appelé probabilité uniforme sur Ω.

Selon l’approche ensembliste, on peut considérer que ∀A ∈ A :
# résultats favorables card (A)
P(A) = =
# résultats possibles card (Ω)

où card (·) désigne la cordinalité de l’ensemble ·.

Remarque : notons que dans le cas d’un univers Ω infini (e.g. Ω = R ou Ω = N), il est impossible d’associer
à (Ω, A) la probabilité uniforme. Il ne s’agit donc plus d’équiprobabilité des issues, car cela impliquerait la
non-conformité de P à la propriété P(Ω) = 1 étant donné la positivité de la mesure de probabilité.

card (A)
En tenant compte de ce rapport card (Ω)
, on perçoit bien que 0 ≤ P(A) ≤ 1.
Exemple : Reprenons l’exemple de lancer d’un dé et l’évènement A = “obtenir un résultat impair” = {1, 3, 5}.
Calculons la probabilité de l’évènement A :

5
 # résultats favorables card (A) card ({1, 3, 5}) 3
P(A) = = = = = 1/2
# résultats possibles card (Ω) card ({1, 2, 3, 4, 5, 6}) 6

Quel est l’évènement contraire à A ou autrement dit, l’évènement complémentaire ?

Ā = “"ne pas obtenir de résultat impair” = {2, 4, 6}

Calculons la probabilité de Ā en appliquant la même formule que dans le cas précédent :

# résultats favorables card (Ā) card ({2, 4, 6}) 3

P(Ā) = = = = = 1/2
# résultats possibles card (Ω) card ({1, 2, 3, 4, 5, 6}) 6

On peut voir que :

card (Ω)
P(Ω) = = P(A) + P(Ā) = 1
card (Ω)

D’où :

P(A) = 1 − P(Ā)

6
Exemple de calcul : vélos et trottinettes
Une station de vélo a 18 vélos de ville et 12 trottinettes électriques. Si nous choisissons 4 transports d’une manière
aléatoire, quelle est la probabilité d’avoir 2 vélos de ville et 2 trottinettes ?
Solution
Définissons l’évènement : A = “avoir 2 vélos et 2 trottinettes”
Le nombre total de transport à disposition à la station est : 18 + 12 = 30.
On est dans le cas de l’univers fini. Alors, afin de calculer la probabilité de A, on peut se servir du rapport :
P(A) = ##résultats favorables
résultats possibles

Résultats possibles Il s’agit de choisir 4 transports à partir de 30. Combien de choix possibles ?
Lorsque l’ordre n’a pas d’importance dans ce cas-là, il s’agit des combinaisons :
!
30 30! 30! 27 × 28 × 29 × 30
4
C30 = = = = = 27 × 7 × 29 × 5 = 27405
4 4!(30 − 4)! 4!26! 4×3×2×1
vérifions avec R :

# choisir 4 parmi 30
choose(n=30, k=4)

## [1] 27405

Résultats favorables Maintenant, on va calculer le nombre de résultats favorables en se basant sur le principe
fondemantal de dénombrement. Pour cela, nous allons calculer :
!
18
• le nombre de façons de choisir 2 vélos à partir de 18 disponibles : C18 =
2
= 2!(18 −2)! = 2!16! = 2×1 = 153
18! 18! 18×17
2
!
12
• le nombre de façons de choisir 2 trottinettes à partir de 12 : C12
2
= = 2!(12
12!
−2)! = 2!10! = 2×1 = 66
12! 12×11
2
! !
18 12
et prendre leur produit : × = 153 × 66 = 10098
2 2
vérifions avec R:

# produit de 2 combinaisons : 2 à partir de 18 et 2 à partir de 18

choose(n=18, k=2)*choose(n=12, k=2)

## [1] 10098

Calcul final Reprenons la formule de la probabilité de A :

! !
18 12
×
# résultats favorables 2 2 10098
P(A) = = ! = ≈ 0.368
# résultats possibles 30 27405
4

Dans le R :

# la probabilité finale
(choose(n=18, k=2)*choose(n=12, k=2))/choose(n=30, k=4)

7
## [1] 0.3684729

Probabilité de deux évènements

Considérons maintenant deux évènements A ∈ A et B ∈ A d’un espace probabilisé (Ω, A, P). Selon les relations entre
A et B, le calcul de la probabilité va se faire de façons différentes.

Reprenons l’exemple de lancer d’un dé. Pour rappel, Ω = , , , , , ou bien Ω = {1, 2, 3, 4, 5, 6}.


A et B
Soit A = “obtenir un résultat pair” = {2, 4, 6} et B = “obtenir un résultats ≥ 4” = {4, 5, 6}. Supposons que ce qu’on
cherche est la probabilité d’avoir A et B réalisés.
De point de vue ensembliste, il s’agit de l’intersection de A et B, A ∩ B = {ω|(ω ∈ A)&&(ω ∈ B)} ou sous forme de
diagramme de Venn :

A ∩ B = {2, 4, 6} ∩ {4, 5, 6} = {4, 6} , ∅

Alors : P(A ∩ B) = card (A∩B)

card (Ω)
= card ({4,6})
card ({1,2,3,4,5,6})
= 2
6
= 1
3

card (A ∩ B)
P(A ∩ B) =
card (Ω)

A ou B
Maintenant on va s’intéresser au cas de A ou B. Deux options sont possibles :
1. A et B sont disjoints, i.e. A ∩ B = ∅
2. A ∩ B , ∅

1. P(A ∪ B) si A ∩ B = ∅ Soit A = “obtenir un résultat pair” = {2, 4, 6} et B = “obtenir un 3” = {3}.

Supposons qu’on cherche la probabilité de l’évènement “obtenir un résultat pair ou un 3". De point de vue ensembliste,
cela correspond à l’union de A et B, i.e. A ∪ B = {ω|(ω ∈ A)||(ω ∈ B)}. Notons que dans notre cas A ∩ B = ∅, les
Sous forme de diagramme de Venn, l’union de A et B où A ∩ B = ∅ est donnée par :

8
A ∪ B = {2, 4, 6} ∪ {3} = {2, 3, 4, 6}

Alors : P(A ∪ B) = card (A∪B)

card (Ω)
= card (A)+card (B)
card (Ω)
= P(A) + P(B) = card ({2,3,4,6})
card ({1,2,3,4,5,6})
= 4
6
= 2
3

Si A ∩ B = ∅, alors :
card (A ∪ B) card (A) + card (B)
P(A ∪ B) = = = P(A) + P(B)
card (Ω) card (Ω)

2. P(A ∪ B) si A ∩ B , ∅ Soit A = “obtenir un résultat pair” = {2, 4, 6} et B = “obtenir un 3 ou un 6” = {3, 6}.

Notons que dans ce cas là, A ∩ B = {6} , ∅.
En terme de diagramme de Venn :

A ∪ B = {2, 4, 6} ∪ {3, 6} = {2, 3, 4, 6, 6 } = {2, 3, 4, 6}

|{z}
doublon !

Notons qu’on ne garde qu’une seule instance de 6 dans l’ensemle obtenu car sinon on risque d’avoir les doublons. Dans
ce cas là, card (A ∪ B) , card (A) + card (B).

9
Ainsi, afin d’éviter de compter les éléments de l’intersection A ∩ B deux fois, on va les enlever :
P(A ∪ B) = card ( A ∪B )
card (Ω)
= P(A) + P(B) − P(A ∩ B) = 36 + 26 − 16 = 46 = 23

Pour A ∈ A et B ∈ A :
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Notons que si A ∩ B = ∅, alors P(A ∩ B) = P(∅) = 0. Donc, l’expression devient : P(A ∪ B) = P(A) + P(B) −
P(A ∩ B) = P(A) + P(B) − 0 = P(A) + P(B).

Cette propriété peut être généralisée pour le cas de n évènements.

Notons que dans le cas de multiples évènements (ensembles), il faudra prendre en compte les intersections de toutes les
combinaisons des ensembles.
Voici le digramme de Venn pour le cas de trois évènements :

La formule générale est donc donné par :

Soit A1 , A2 , ..., An ∈ A :
 n  n
[  X X X
P  A = P(Ai ) − P(Ai ∩ Aj ) + P(Ai ∩ Aj ∩ Ak ) + ...+
i =1 i =1 (i,j)|1≤i<j≤n (i,j,k )|1≤i<j<k ≤n

+(−1)n −1 P(Ai ∩ Aj ∩ ... ∩ An )

ou
 n  n
[  X X
P  A = (−1)k −1 P(Ai1 ∩ ... ∩ Aik )
i =1 k =1 (i1 ,...,ik )|1≤i1 <...<ik ≤n

Exemple de calcul
Nous lançons un dé deux foix. L’univers est définit comme Ω = {(i, j) ∈ N2 , 1 ≤ i ≤ 6, 1 ≤ j ≤ 6}, A = P(Ω). Quelle
est la probabilité que la somme des points soit 3 ou 4 ?
Solution

10
Décomposons l’évènement global A0 = “la somme des points soit 3 ou 4” en 2 évènements séparés A et B définits
comme suit :
A = “la somme = 3”
ou
B = “la somme = 4”

A0 = A ∩ B

Remarquons que A et B sont disjoints, i.e. A ∩ B = ∅ :

Donc,
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = P(A) + P(B) − 0 = P(A) + P(B)

Alors, la solution se restreint à la recherche de P(A) et P(B).

1. P(A) Pour rappel, A = “la somme = 3”. Regardons les cas où A se réalise :

Il n’existe que 2 options pour que A se réalise.

Le nombre total de résultats possibles est 6 × 6 = 36 (le produit de 6 possibilités pour le 1er dé et 6 possibilités pour le
2ème dé).

11
P(A) = # résultats favorables
# résultats possibles = 2
36
= 1
18

2. P(B) Pour rappel, B = “la somme = 4”. Regardons les cas où B se réalise :

Il n’existe que 3 options pour que B se réalise. Le nombre de résultats possibles reste le même, 36.
P(B) = # résultats favorables
# résultats possibles = 3
36
= 1
12

Calcul final Reprenons la formule initiale :

2 3 5
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = P(A) + P(B) − 0 = P(A) + P(B) = + =
36 36 36

Probabilités conditionnelles et Indépendance

Dans la section précédente, nous avons vu le traitement de l’union et l’intersection de deux évènements.
Ainsi, dans le cas de l’union de A ∈ A et B ∈ A quand il s’agit de la réalisation de A ou B, on a vu que
P(A ∪ B) = P(A) + P(B) − P(A ∩ B). On peut en déduire que P(A ∪ B) ≥ P(A) et P(A ∪ B) ≥ P(B).
Cepandant, nous avons moins traité le cas de l’intersection. En suivant l’intuition, on peut dire que P(A ∩ B) < P(A) et
P(A ∩ B) < P(B). Quelle serait l’opération sur les probabilités individuelles de A et B qui pourrait assurer ces
conditions, en tenant compte que P(A) ≤ 1 et P(B) ≤ 1 ?
Un bon candidat est le produit. Pour cela, on introduit ici la notion de la probabilité de B sachant A, notée P(B|A). Ce
qui peut être traduit par le fait que la réalisation de A influence la probabilité de réalisation de B.
Résumons avec le schéma ci-dessous :

12
Exemple : Soit A = “avoir un as” et B = “avoir un roi”, étant donné un jeu de 52 cartes. On cherche P(A ∩ B).
Il y a 4 as dans le jeu de 52 cartes. La probabilité de réalisation de A est alors donnée par : P(A) = # résultats favorables
# résultats possibles = 4
52
.
Une fois A est réalisé, le tirage d’une carte à partir de 52 est fait. Donc, il n’en reste que 51 pour les prochains tirages.
Ainsi, la réalisation de A a influencé la réalisation de B. Autrement dit, l’univers pour l’évènement B est modifié.
Il y a 4 rois dans le jeu de 52 cartes. La probabilité de réalisation, de B sachant que A est réalisé implique le choix
parmi les 51 cartes restantes, donc : P(B|A) = 514
ce qui est différent de P(B) = 52
4
.
Dans ce cas là, on appelle les évènements A et B dépendants.

4 4
P(A ∩ B) = P(A) · P(B|A) = · ≈ 0.006
52 51

Ainsi on cherche à calculer la probabilité de réalisation d’un évènement alors qu’une partie de l’information concernant
le résultat est connue.

Soit (Ω, A, P) un espace probabilisé, A ∈ A, B ∈ A des évènements, P(B) , 0. On appelle la probabilité de

A sachant B la probabilité définie par :
P(A ∩ B)
P(A|B) =
P(B)
Si P(B) = 0, on peut généraliser la définition pour le cas des évènements de probabilité nulle, i.e. P(A|B) = 0.

La probabilité conditionnelle sachant B (en. conditional probability) est une application :

PB : A ∈ A → P(A|B)

qui définit une probabilité sur l’espace des évènements (Ω, A).

13
 Voici quelques propriétés de la probabilité conditionnelle sachant B:
1. P(Ā|B) = 1 − P(A|B) car on peut représenter B comme B = (B ∩ A) ∪ (B ∩ Ā) où (B ∩ A) ∩ (B ∩ Ā) = ∅

2. P(A ∩ B) = P(A|B) × P(B) = P(B|A) × P(A)

Exemple : Considérons maintenant lancer d’une pièce. Soit A = “obtenir pile en lançant une pièce” et
B = “obtenir face en lançant une pièce”.

P(A) = 1/2. Notons que la réalisation de A dans ce cas là n’influence pas la réalisation de B. Donc
P(B|A) = P(B) = 1/2.
On parle des évènements indépendants.

Soit (Ω, A, P) un espace probabilisé, A, B ∈ A deux évènements. A et B sont appelés indépendants (en.
independent events), si :
P(A ∩ B) = P(A) × P(B)
En utilisant la notion de la probabilité conditionnelle, on peut considérer que A et B tel que P(B) , 0 sont
indépendants si :
P(A|B) = P(A)

Notons que si les évènements A et B sont indépendants, alors les couples d’évènements suivants sont indépendants :
• A et B̄
• Ā et B
• Ā et B̄

Les événements A1 , ..., An ∈ A dans l’espace probabilisé (Ω, A, P) sont mutuellement indépendants, si
∀k ∈ {1, ..., n } et ∀(i1 , ..., ik ) ∈ N k } tel que 1 ≤ i1 ≤ i2 ≤ ... ≤ ik ≤ n , on a :

P(Ai1 ∩ ... ∩ Aik ) = P(Ai1 ) × ... × P(Aik )

Notons que pour le cas de 3 événements A, B, C ∈ A, les conditions suivantes doivent être satisfaites :
[Link]épendance 2 à 2 :
• P(A ∩ B) = P(A) × P(B)
• P(A ∩ C) = P(A) × P(C)
• P(B ∩ C) = P(B) × P(C)
2. P(A ∩ B ∩ C) = P(A) × P(B) × P(C)
Remarque : des événements peuvent être 2 à 2 indépendants sans être mutuellement indépendants

14
Examples de calcul
Example 1
Si votre anniversaire est le 2 février, quelle est la probabilité que vos 2 amis ont leur anniversaire le même jour ?
Solution
Définissons les évènements A et B comme suit :
A = “l’anniversaire d’un ami est le 2 fèvrier” et B = “l’anniversaire d’un autre ami est le 2 février”. On cherche la
probabilité P(A ∩ B).
On sait que P(A ∩ B) = P(A) × P(B|A). La question qui se pose est donc : est-ce que les évènements A et B sont
indépendants ? autrement dit, est-ce que la réalisation de A influence la réalisation de B ?
Dans le cas général, la naissance d’un ami à un jour particulier n’infuence pas le jour de naissance d’un autre ami.
Alors, P(B|A) = P(B).
Trouvons les probabilités de A et B, en considérans qu’une année contient 365 jours :
• P(A) = 1
365
• P(B) = 1
365

Reprenons la formule :
P(A ∩ B) = P(A) × P(B|A) = P(A) × P(B) = 1
365
× 1
365
= 1
3652

Example 2
Karine, Michel, Kevin, Amélie, Pierre se connectent sur la session ZOOM de la Théorie des Probabilités aux moments
différents et d’une manière aléatoire. Quelle est la probabilité que Karine se connecte la première et Kevin le dernier ?
Solution
L’ordre de connexion compte et une fois qu’une personne soit connectée, le nombre de possibilités pour les autres
devient différent. Donc, il s’agit des événements dépendants.
Définissons les évènements A et B :
• A = “Karine se connecte la 1ère”
• B = “Kevin se connecte le dernier”
On cherche la probabilité P(A ∩ B).
En utilisant la formule, nous savons que : P(A ∩ B) = P(A) × P(B|A).
Lorsqu’il y a 5 personnes, la probabilité de A, P(A) = # résultats favorables
# résultats possibles = 15 .
Une fois Karine est connectée, il ne reste que quatre “places". Ce qui nous intéresse c’est la dernière place. Donc
P(B|A) = 14 .
Alors, P(A ∩ B) = P(A) × P(B|A) = 1
5
× 1
4
= 1
20 .

Example 3
La probabilité de l’événement A est P(A) = 0.8, la probabilité de l’événement C est P(C) = 0.35 et la probabilité
P(A ∩ C) = 0.28. Est-ce que les événements A et C sont indépendants ?
Solution
Les évènements A et C sont indépendants si P(A ∩ C) = P(A) × P(C).
On connaît P(A ∩ C) = 0.28. Il reste de calculer le produit : P(A) × P(C) = 0.8 × 0.35 = 0.28.

15
Donc, on a vérifié que 0.28 = P(A ∩ C) = P(A) × P(C) = 0.8 × 0.35 = 0.28. Alors, les évènements A et C sont
indépendants.

Téorème bayesien (Bayes Rule)

Considérons un example suivant (les données sont imaginaires).
Example : La production de l’énergie d’un pays se base sur 3 sources principales. Le nucléaire produit 60% de
l’énergie, les énergies fossiles 30% et les énergies renouvelables constituent 10%. Dans le premier cas, le processus de
la production est complétement fonctionnelle dans 95% de temps, dans le 2ème cas dans 80% de temps, et dans le 3ème
cas dans 65% de temps. Quelle est la probabilité qu’en vous inscrivant au contrat, vous n’allez pas avoir de faille ?
Notons par B1 , B2 , B3 les sources de l’énergie : nucléaire, énergies fossiles et énergies renouvelables, respectivement.
Les probabilités de B1 , B2 , B3 sont alors données selon l’énnoncé par P(B1 ) = 0.6, P(B2 ) = 0.3, P(B3 ) = 0.1. Notons
par A l’évènement “contrat avec le service sans interruption”
Abordons ce problème en utilisant un arbre de probabilité.

En sachant la provenance de l’énergie pour un contrat, on sait les probabilités de bon fonctionnement. Rajoutons cette
information sur le diagramme :

La deuxième partie de cet arbre correspond aux probabilités de A en sachant Bi , i = 1, 2, 3.

Ainsi, P(A|B1 ) = 0.95, P(A|B2 ) = 0.8, P(A|B3 ) = 0.65.

Remarquons qu’il existe 3 chemins différent pour arriver à A :

16
Alors, pour répondre à la question de l’ennoncé, il faut calculer P(A). Pour cela, on va se servir de tous ces chemins,
i.e. :
P(A) = P(B1 ) · P(A|B1 ) + P(B2 ) · P(A|B2 ) + P(B3 ) · P(A|B3 ) =
= 0.6 × 0.95 + 0.3 × 0.8 + 0.1 × 0.65 = 0.57 + 0.24 + 0.065 = 0.875

La formule des probabilités totales (en. law of total probability ou elimination rule) : Soit (Ω, A, P) un
espace probabilisé. Soit B1 , B2 , ..., Bn un système exhaustif d’évènements (partition de Ω) tel que ni=1 Bi = Ω
S
et ∀(i, j) ∈ {1, ..., n }2 , i , j, Bi ∩ Bj = ∅. Soit ∀i = 1, n, P(Bi ) , 0, alors
la probabilité totale de l’évènement A ∈ A est donné par :
n
X n
X
P(A) = P(A|Bi ) · P(Bi ) = P(A ∩ Bi )
i =1 i =1

En reprenant le même example, imaginons que maintenant on s’intéresse à la probabilité de la source de l’énergie
particulière sachant que A s’est réalisé, autrement dit, on aimerait trouver P(Bi |A), i = 1, 2, 3.
Nous avons vu que la probabilité conditionnelle de A sachant B est donnée par : P(A|B) = P(A∩B)
P(B) . Alors,
P(A ∩ B) = P(A|B) × P(B).
Considérons deux probabilités conditionnelles :
1. P(A|B) = P(A∩B)
P(B) ⇒ P(A ∩ B) = P(A|B) × P(B)
2. P(B|A) = P(B∩A)
P(A)

Remplaçons P(B ∩ A) par l’expression P(B ∩ A) = P(A|B) × P(B) dans la deuxième expression. Nous obtenons :

P(B ∩ A) P(A|B) × P(B)

P(B|A) = =
P(A) P(A)

On appelle cette formule le théorème bayesien ou la formule de Bayes.

La formule de Bayes (en. Bayes rule):

Soit (Ω, A, P) un espace probabilisé. Soit B1 , B2 , ..., Bn un système exhaustif d’évènements (partition de Ω)
tel que ni=1 Bi = Ω et ∀(i, j) ∈ {1, ..., n }2 , i , j, Bi ∩ Bj = ∅. Soit ∀i = 1, n, P(Bi ) , 0. Alors :
S

P(A|Bk ) × P(Bk ) P(A|Bk ) × P(Bk )

∀A ∈ A : P(Bk |A) = Pn =
i =1 P( A |B i ) × P(B i ) P(A)

Liens utiles
1. Jeremy Orloff, and Jonathan Bloom. 18.05 Introduction to Probability and Statistics. Spring 2014. Massachusetts
Institute of Technology: MIT OpenCourseWare, [Link] License: Creative Commons BY-NC-SA.

17
2. Stéphane Balac, and Olivier Mazet. Introduction aux Probabilités. Centre de Mathématiques. Institut National
des Sciences Appliquées de Lyon, [Link]
3. MathTutor. Conditional Probability Tutorial. [Link]

18