Probabilités

Cours de É. Bouchet – PCSI

25 mars 2024

Table des matières

1 Expériences aléatoires 2
1.1 Contexte et vocabulaire probabiliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Système complet d’événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Espaces probabilisés finis 4

2.1 Définition et premier exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Détermination d’une probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3 Probabilités conditionnelles 6
3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Formule des probabilités composées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

4 Indépendance d’événements 8
4.1 Indépendance de deux événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.2 Indépendance d’une famille finie d’événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1
1 Expériences aléatoires
1.1 Contexte et vocabulaire probabiliste
Définition 1.1 (Expérience aléatoire, univers)

Une expérience aléatoire est une expérience dont le résultat n’est pas connu à l’avance. L’ensemble de
toutes les issues possibles d’une expérience est noté Ω et est appelé l’univers de l’expérience.

Définition 1.2 (Événement)

Soit Ω un univers fini. On appelle événement tout élément de P(Ω).

Remarque. Dans le cas d’un univers fini (seul cas envisagé en PCSI), un événement est un sous-ensemble de Ω.

Exercice 1. On lance un dé à six faces. On note A l’événement "obtenir un 6" et B l’événement "obtenir un
nombre pair". Déterminer l’univers associé, puis les écritures ensemblistes de A et B.
Solution : Ω = {1, 2, 3, 4, 5, 6} = [[1, 6]], A = {6} et B = {2, 4, 6}.

Exercice 2. On lance deux dés : un rouge et un noir. On note A l’événement "obtenir un double 6", B l’événement
"obtenir un double" et C l’événement "obtenir au moins un 6". Déterminer l’univers associé, puis les écritures
ensemblistes de A, B et C.
Solution : On choisit arbitrairement de donner le résultat du dé rouge enSpremier.
Ω = [[1, 6]]2 , A = {(6, 6)}, B = {(1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6)} = 6i=1 {(i, i)} = {(i, i)|i ∈ [[1, 6]]}
et C = ([[1, 6]] × {6}) ∪ ({6} × [[1, 6]]) = Ω \ ([[1, 5]]2 ).

Exercice 3. Soit n ∈ N∗ . On lance une pièce n fois, avec la convention que 1 représente pile et 0 face. On note A
l’événement "n’obtenir que des piles", B l’événement "obtenir un pile au second lancer" et C l’événement "obtenir
au moins un pile". Déterminer l’univers associé, puis les écritures ensemblistes de A, B et C.
SolutionS: Ω = {0, 1}n , A = {1}n = {(1, . . ., 1)}, B = {0, 1} × {1} × {0, 1}n−2
et C = nj=1 ({0, 1}j−1 × {1} × {0, 1}n−j ) = Ω \ {0}n .

Exercice 4. Soit (n, N ) ∈ (N∗ )2 . On effectue n tirages successifs avec remise d’une boule, dans une urne de N
boules numérotées de 1 à N . On note A l’événement "ne jamais obtenir la boule N " et B l’événement "toujours
tirer le même numéro". Déterminer l’univers associé,S puis les écritures ensemblistes de A et B.
Solution : Ω = [[1, N ]]n , A = [[1, N − 1]]n et B = N
i=1 {i}n.

Remarque. Le vocabulaire des événements est lié à celui des ensembles :

Vocabulaire des événements Vocabulaire des ensembles Notation

événement élémentaire singleton {ω}, avec ω ∈ Ω

événement contraire de A complémentaire de A A=Ω\A

événement certain ensemble Ω Ω

événement impossible ensemble vide ∅

les événements A et B sont réalisés on est dans l’intersection de A et B A∩B

les événements A ou B sont réalisés on est dans la réunion de A et B A∪B

les événements A et B sont incompatibles les ensembles A et B sont disjoints A∩B =∅

l’événement A implique l’événement B l’ensemble A est inclus dans l’ensemble B A⊂B

2
Exemple. Soit Ω un univers fini, B un événement et (Ai )i∈[[1,n]] une famille d’événements.
S
1. i∈[[1,n]] Ai correspond à l’événement : au moins un des événements Ai est réalisé (A1 ou A2 ou . . .ou An ).
T
2. i∈[[1,n]] Ai correspond à l’événement : les événements Ai sont tous réalisés (A1 et A2 et . . .et An ).
S T
3. i∈[[1,n]] Ai = i∈[[1,n]] Ai correspond à l’événement : aucun des événements Ai n’est réalisé.
T S
4. i∈[[1,n]] Ai = i∈[[1,n]] Ai correspond à l’événement : au moins un des événements Ai n’est pas réalisé.
S T S 
5. i∈[[1,n]] (B ∩ Ai ) = B i∈[[1,n]] Ai correspond à l’événement : l’événement B est réalisé, ainsi qu’au
moins un des événements Ai .
T S T 
6. i∈[[1,n]] (B ∪ Ai ) = B A
i∈[[1,n]] i correspond à l’événement : l’événement B est réalisé ou tous les
événements Ai sont réalisés.

1.2 Système complet d’événements

Définition 1.3 (Système complet d’événements)

Soit n ∈ N∗ , Ω un univers fini et (Ai )i∈[[1,n]] ∈ P(Ω)n . On dit que (Ai )i∈[[1,n]] est un système complet
d’événements de Ω lorsque :
— les événements Ai sont deux à deux incompatibles
[ : ∀ (i, j) ∈ [[1, n]]2 , i ̸= j =⇒ Ai ∩ Aj = ∅.
— les événements Ai recouvrent l’univers : Ai = Ω.
i∈[[1,n]]

Remarque. Cela correspond (en vocabulaire ensembliste) à la notion de partition d’un ensemble.

Remarque. De manière évidente,

— ({ω})ω∈Ω est un système

complet d’événements de Ω.
— Si A ⊂ Ω alors A, A est un système complet d’événements de Ω.

Exemple. Soit Ω = [[1, 6]] l’univers associé à un lancer de dé.

({1, 3, 5}, {2, 4, 6}) est un système complet d’événements de Ω.
({1, 2}, {3, 4}, {5, 6}) est un système complet d’événements de Ω.
({1}, {2}, {3}, {4}, {5}, {6}) est un système complet d’événements de Ω.
({1}, {2, 3, 4}, {5, 6}) est un système complet d’événements de Ω.

Proposition 1.4 (Décomposition d’un événement sur un système complet d’événements)

Soit n ∈ N∗ , Ω un univers fini et (Ai )i∈[[1,n]] un système complet d’événements. Tout événement B peut se
[
décomposer comme B = (B ∩ Ai ), où les événements B ∩ Ai sont incompatibles deux à deux.
i∈[[1,n]]

Démonstration. On a par la définition d’un système complet d’événements et par distributivité :

 
[ [
B =B∩Ω=B∩ Ai  = (B ∩ Ai ) .
i∈[[1,n]] i∈[[1,n]]

De plus, soit (i, j) ∈ [[1, n]]2 . Si i ̸= j, (B ∩ Ai ) ∩ (B ∩ Ai ) = B ∩ (Ai ∩ Aj ) = B ∩ ∅ = ∅ par incompatibilité des Ai .

D’où le résultat.

Remarque. Ce résultat est pratique quand on cherche à faire apparaître des disjonctions de cas.

3
2 Espaces probabilisés finis
2.1 Définition et premier exemple
Définition 2.1 (Probabilité)

Soit Ω un univers fini. On appelle probabilité toute application P définie de P(Ω) dans [0, 1], vérifiant
P (Ω) = 1 et telle que si A et B sont deux événements incompatibles alors P (A ∪ B) = P (A) + P (B).

Remarque. On montre ensuite par récurrence que pour toute famille d’événements (Ai )i∈[[1,n]] deux à deux in-
compatibles,
n n
!
[ X
P Ai = P (Ai ) .
i=1 i=1
n n
!
X [
En particulier, si (A1 , . . . , An ) est un système complet d’événements de Ω, P (Ai ) = P Ai = P (Ω) = 1.
i=1 i=1

Définition 2.2 (Espace probabilisé)

Si P est une probabilité, on dit que (Ω, P ) est un espace probabilisé.

Définition 2.3 (Probabilité uniforme)

Card(A)
Soit Ω un univers fini. L’application P qui à un événement A associe Card(Ω) est une probabilité, appelée
probabilité uniforme.

Démonstration. L’application P est bien définie de P(Ω) dans [0, 1], puisque si A ⊂ Ω, 0 ⩽ Card(A) ⩽ Card(Ω).
Card(Ω)
Il est aussi immédiat que P (Ω) = Card(Ω) = 1. Enfin, si A et B sont deux événements incompatibles,

Card(A ∪ B) Card(A) + Card(B)

P (A ∪ B) = = = P (A) + P (B).
Card(Ω) Card(Ω)
La fonction P est donc bien une probabilité.

Remarque. La relation P (A) = Card(A)

Card(Ω) est rencontrée au lycée sous la forme
nombre de cas favorables
nombre de cas total . On parle aussi
de situation d’équiprobabilité (car tous les événements élémentaires ont la même probabilité).
Card ({i}) 1
Exemple. On lance un dé équilibré. La probabilité d’obtenir le numéro i ∈ [[1, 6]] est alors = .
Card ([[1, 6]]) 6
Exemple. Une urne contient n ∈ N∗ boules identiques numérotées de 1 à n. On en tire une au hasard : la
Card ({i}) 1
probabilité que ce soit la boule numéro i ∈ [[1, n]] est alors = .
Card ([[1, n]]) n
Exercice 5. On lance deux dés équilibrés de couleurs différentes (un noir et un rouge), quelle est la probabilité
d’obtenir une somme égale à 6 ?
Solution : On note A l’événement "obtenir une somme égale à 6". Alors, par équiprobabilité,
Card(A) Card({(1, 5), (5, 1), (3, 3), (2, 4), (4, 2)}) 5
P (A) = = = .
Card(Ω) Card([[1, 6]]2 ) 36

2.2 Détermination d’une probabilité

Définition 2.4 (Distribution de probabilités)

Soit E un ensemble fini. On appelle distribution de probabilités sur E toute famille d’éléments de R+
indexée par E et dont la somme est égale à 1.

4
Exemple. Soit E = [[1, n]], on pose ∀i ∈ E, pi = n1 . Alors (pi )i∈E forme une distribution de probabilités.

Proposition 2.5 (Détermination d’une probabilité sur les événements élémentaires)

Soit Ω un univers fini et (pω )ω∈Ω une distribution de probabilités sur Ω.

Il existe une et une seule probabilité P sur Ω telle que ∀ω ∈ Ω, P ({ω}) = pω .

Démonstration. On raisonne par analyse-synthèse :

— Supposons que P est une telle probabilité. Soit A un événement de Ω, on obtient en se ramenant à une
réunion d’événements deux à deux incompatibles :
!
[ X X
P (A) = P {ω} = P ({ω}) = pω .
ω∈A ω∈A ω∈A
X
— Réciproquement, soit P l’application définie sur P(Ω) par ∀A ∈ P(Ω), P (A) = pω . Alors :
X X ω∈A
— Soit A ∈ P(Ω), P (A) ∈ [0, 1] car 0 ⩽ pω ⩽ pω = 1.
X ω∈A ω∈Ω
— P (Ω) = pω = 1.
ω∈Ω
— Soit ω ∈ Ω, on obtient bien P ({ω}) = pω . X X X
— Soit A et B deux événements incompatibles, P (A ∪ B) = pω = pω + pω = P (A) + P (B).
ω∈A∪B ω∈A ω∈B
Donc P convient.
Donc il existe une et une seule probabilité P sur Ω telle que ∀ω ∈ Ω, P ({ω}) = pω .
X
Remarque. On a au passage montré que pour tout événement A, P (A) = pω .
ω∈A

Exercice 6. On lance un dé pipé à 6 faces qui donne 1 avec probabilité 14 et chacune des autres faces avec
3
probabilité 20 . Calculer la probabilité d’obtenir une face impaire.
Solution : Pour modéliser ce lancer, on se place dans l’univers Ω = [[1, 6]]. On utilise la probabilité P définie par la
3 3 3 3 3
distribution de probabilités ( 14 , 20 , 20 , 20 , 20 , 20 ) sur Ω (les valeurs se somment bien à 1).
Soit I l’événement "on obtient une face impaire", on trouve alors :
1 3 3 11
P (I) = P ({1}) + P ({3}) + P ({5}) = + + = .
4 20 20 20

2.3 Propriétés
Proposition 2.6 (Lien avec les opérations sur les événements)
2

espace probabilisé et (A, B) ∈ P(Ω) . Alors :
Soit (Ω, P ) un
— P A = 1 − P (A),
— P (∅) = 0,
— Si A ⊂ B, alors P (B \ A) = P (B) − P (A),
— P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

Démonstration.
— Comme A et A sont incompatibles, l’additivité donne P (A) + P (A) = P (A ∪ A) = P (Ω) = 1.
— Par le point précédent, P (∅) = P (Ω) = 1 − P (Ω) = 1 − 1 = 0.
— Comme A ⊂ B, P (B) = P (A∪(B\A)) = P (A)+P (B\A), où on peut utiliser l’additivité car A∩(B\A) = ∅.
D’où le résultat.
— P (A ∪ B) = P (A ∪ (B \ A)) = P (A) + P (B \ A), par additivité, car A ∩ (B \ A) = ∅. Donc P (A ∪ B) =
P (A) + P (B \ (A ∩ B)) = P (A) + P (B) − P (A ∩ B) par le point précédent, car A ∩ B ⊂ B.

5
 Proposition 2.7 (Croissance de P )

Soit (Ω, P ) un espace probabilisé. P est une application croissante (au sens de l’inclusion) :

∀ (A, B) ∈ P(Ω)2 , A ⊂ B =⇒ P (A) ⩽ P (B).

Démonstration. Soit (A, B) ∈ P(Ω)2 , on suppose que A ⊂ B. On a alors P (B \ A) = P (B) − P (A). Comme de
plus P est positive, on trouve P (B) = P (B \ A) + P (A) ⩾ P (A), ce qu’il fallait démontrer.

Exercice 7. On effectue une succession de pile ou face. Soit n ∈ N∗ , on pose An l’événement "il y a au moins un
pile dans les n premiers lancers" et un = P (An ). Montrer que la suite u est convergente.
Solution : On remarque que ∀n ∈ N∗ , An ⊂ An+1 . En effet, s’il y a au moins un pile dans les n premiers
lancers, il y en aura aussi au moins un dans les n + 1 premiers lancers. Donc par croissance de la probabilité,
un = P (An ) ⩽ P (An+1 ) = un+1 . Ce qui signifie que la suite u est croissante.
Or u est également majorée par 1 (c’est une suite de probabilités). Elle est donc croissante et majorée : c’est une
suite convergente.

3 Probabilités conditionnelles
3.1 Définition
Définition 3.1 (Probabilité conditionnelle)

Soit (Ω, P ) un espace probabilisé et soit B ∈ P(Ω) tel que P (B) ̸= 0. On définit un nouvel espace probabilisé
(Ω, PB ) en posant :
P (A ∩ B)
∀A ∈ P(Ω), PB (A) = .
P (B)
On appelle PB la probabilité conditionnelle relative à B et PB (A) la probabilité de A sachant B.

Remarque. On utilise parfois la notation P (A|B) à la place de PB (A).

Démonstration. Il faut montrer que PB est bien une probabilité :
— Soit A ∈ P(Ω), par croissance de la probabilité, 0 ⩽ P (A ∩ B) ⩽ P (B), donc en divisant par P (B) > 0, on
trouve bien 0 ⩽ PB (A) ⩽ 1.
P (Ω ∩ B) P (B)
— PB (Ω) = = = 1.
P (B) P (B)
— Soit A1 et A2 deux événements incompatibles. Alors A1 ∩ B et A2 ∩ B sont incompatibles, donc :
P ((A1 ∪ A2 ) ∩ B) P ((A1 ∩ B) ∪ (A2 ∩ B)) P (A1 ∩ B) + P (A2 ∩ B)
PB (A1 ∪A2 ) = = = = PB (A1 )+PB (A2 ).
P (B) P (B) P (B)
Donc PB est bien une probabilité.

Remarque. Soit A et B deux événements avec P (B) ̸= 0. Alors P (A ∩ B) = P (B)PB (A). Le conditionnement
donne donc une méthode pour calculer certaines probabilités d’intersections.
Remarque. Quand P (B) = 0, on ne sait pas définir PB (A). On décide par convention que P (A∩B) = P (B)PB (A)
reste quand même vraie. Cette convention se justifie car si P (B) = 0, la croissance de P donne les inégalités
0 ⩽ P (A ∩ B) ⩽ P (B), donc P (A ∩ B) = 0.
Exercice 8. Un sac contient cinq boules : trois noires et deux blanches. On y tire deux boules successivement sans
remise. Quelle est la probabilité qu’elles soient noires toutes les deux ?
Solution : On pose N1 l’événement « la première boule est noire » et N2 l’événement « la deuxième boule est
noire ». Alors par équiprobabilité des tirages,
3 2 3
P (N1 ∩ N2 ) = P (N1 )PN1 (N2 ) = × = .
5 4 10

6
3.2 Formule des probabilités composées
Proposition 3.2 (Formule des probabilités composées)

Soit (Ω, P ) un espace probabilisé. Soit n ∈ N∗ et (Ai )i∈[[1,n]] une famille d’événements. Alors :

n
!
\
P Ai = P (A1 )PA1 (A2 )PA1 ∩A2 (A3 ) . . . PA1 ∩···∩An−1 (An ).
i=1

Démonstration. Si P (A1 ∩ · · · ∩ An−1 ) = 0, comme A1 ∩ . . . ∩ An ⊂ A1 ∩ . . . ∩ An−1 , la croissance de P donne

directement P (A1 ∩ . . . ∩ An ) = 0 et on a 0 = 0.
Sinon P (A1 ∩ · · · ∩ An−1 ) > 0, ce qui garantit par croissance de P que tous les conditionnements sont bien définis.
Un produit télescopique donne alors :
n n n
!
Y Y P (A1 ∩ . . . ∩ Ak ) \
P (A1 )PA1 (A2 ) . . . PA1 ∩···∩An−1 (An ) = P (A1 ) PA1 ∩. . .∩Ak−1 (Ak ) = P (A1 ) =P Ai .
P (A1 ∩ . . . ∩ Ak−1 )
k=2 k=2 i=1

Exercice 9. On tire trois fois de suite, sans remise, dans une urne composée de 7 boules blanches et 6 rouges.
Pour i ∈ [[1, 3]], on pose Bi ="le i-ème tirage donne une boule blanche" et Ri ="le i-ème tirage donne une boule
rouge". Calculer P (B1 ∩ B2 ∩ R3 ).
Solution : La formule des probabilités composées donne :
7 6 6 21
P (B1 ∩ B2 ∩ R3 ) = P (B1 )PB1 (B2 )PB1 ∩B2 (R3 ) = × × = .
13 12 11 143

3.3 Formule des probabilités totales

Proposition 3.3 (Formule des probabilités totales)

Soit (Ω, P ) un espace probabilisé, n ∈ N∗ et (A1 , . . ., An ) un système complet d’événements. Alors pour tout
événement B,
Xn Xn
P (B) = P (B ∩ Ai ) = P (Ai )PAi (B).
i=1 i=1

Démonstration. On décompose l’événement B sur le système complet d’événements (A1 , . . ., An ) : B = ni=1 (B ∩ Ai )

S
n
X
et les (B ∩ Ai ) sont incompatibles deux à deux. L’additivité de la probabilité donne alors : P (B) = P (B ∩ Ai ).
i=1
Par définition de la probabilité conditionnelle (et la convention établie dans le cas d’une probabilité nulle), pour
tout i ∈ [[1, n]], P (B ∩ Ai ) = P (Ai )PAi (B). En remplaçant cette expression dans la formule précédente, on obtient
la deuxième égalité.

Remarque. En particulier soit A et B deux événements. Comme (A, A) est un système complet d’événements, la
formule des probabilités totales donne :



P (B) = P (A ∩ B) + P A ∩ B = P (A) PA (B) + P A PA (B) .
Exercice 10. On considère trois urnes U1 , U2 et U3 . On choisit une urne au hasard, et on pioche une boule dedans.
On suppose que ∀i ∈ [[1, 3]], l’urne Ui contient i boules blanches et 3 boules noires. Quelle est la probabilité que la
boule piochée soit noire ?
Solution : On note A l’événement "piocher une boule noire" et ∀i ∈ [[1, 3]], Bi l’événement "piocher dans l’urne Ui ".
(B1 , B2 , B3 ) forme un système complet d’événements, on peut donc appliquer la formule des probabilités totales :
1 3 1 3 1 3 1 1 1 37
P (A) = P (B1 )PB1 (A) + P (B2 )PB2 (A) + P (B3 )PB3 (A) = × + × + × = + + = .
3 4 3 5 3 6 4 5 6 60
On peut faire le dessin avec un arbre pour illustrer, mais attention : ça n’est pas une preuve !

7
3.4 Formule de Bayes
Proposition 3.4 (Formule de Bayes)

Soit (Ω, P ) un espace probabilisé et soit A, B deux événements tels que P (B) ̸= 0. Alors :

P (A) PA (B) P (A) PA (B)

PB (A) = =
.
P (B) P (A) PA (B) + P A PA (B)

P (A ∩ B) P (A)PA (B)
Démonstration. La définition du conditionnement donne PB (A) = =
P (B) P (B)
On applique ensuite la formule des probabilités totales au système complet d’événements (A, A) :

P (B) = P (A)PA (B) + P (A)PA (B),

ce qui donne la deuxième égalité.

Exercice 11. Un laboratoire propose un test de dépistage d’une maladie, qui touche une personne sur 100 000 :
— lorsque le test est appliqué à une personne malade, le test est positif dans 99,8% des cas.
— lorsqu’il est appliqué à une personne saine, il est négatif dans 99,6% des cas.
Sachant que le test est positif, quelle est la probabilité que la personne soit réellement malade ?
Solution : On note M l’événement "la personne est malade" et T l’événement "le test est positif". L’énoncé nous
donne :
1
PM (T ) = 0, 998 PM (T ) = 0, 996 P (M ) = ,
100000
et on cherche à calculer PT (M ). On commence par calculer P (T ), pour vérifier qu’il est non nul. Pour cela, on
applique la formule des probabilités totales au système complet d’événements (M, M ) :

P (T ) = P (M )PM (T ) + P (M )PM (T ) = 0, 00001 × 0, 998 + 0, 99999 × (1 − 0, 996) = 0, 00400994 ̸= 0.

On obtient alors par la formule de Bayes :

P (M )PM (T ) 0, 00001 × 0, 998 0, 00000998
PT (M ) = = = = 0, 0025.
P (T ) 0, 00400994 0, 00400994

Donc même si le test est positif, il y a très peu de chances que la personne soit malade (0, 25%).
Ce résultat contre-intuitif est dû au nombre très faible de personnes malades dans la population.

4 Indépendance d’événements
4.1 Indépendance de deux événements
Définition 4.1 (Indépendance de deux événements)

Soit (Ω, P ) un espace probabilisé et soit (A, B) ∈ P(Ω)2 . On dit que A et B sont indépendants lorsque

P (A ∩ B) = P (A) P (B) .

Remarque. ATTENTION, ne pas confondre INDÉPENDANCE et INCOMPATIBILITÉ :

— L’indépendance ne peut se juger qu’en rapport à la probabilité. A et B sont indépendants pour P lorsque
P (A ∩ B) = P (A)P (B).
— L’incompatibilité est une notion ensembliste, qui ne dépend pas de la probabilité. A et B sont incompatibles
lorsque A ∩ B = ∅ et on a alors (mais c’est une conséquence) : P (A ∪ B) = P (A) + P (B).
Exercice 12. On dispose de deux pièces, une équilibrée et une truquée. On lance un dé équilibré à 6 faces :
— si on obtient le chiffre 1, on lance deux fois la pièce équilibrée ;
— si on obtient un chiffre différent de 1, on lance deux fois la pièce truquée (pile avec probabilité 31 ).

8
On note A ="obtenir pile au premier lancer de la pièce", B ="obtenir pile au second lancer de la pièce" et C ="le
lancer du dé donne le chiffre 1". Étudier l’indépendance de A et B pour P et PC .
Solution : Si C est réalisé, on sait que c’est la pièce équilibrée qui est utilisée. On a donc par équiprobabilité :
1 1 1
PC (A ∩ B) = = × = PC (A)PC (B),
4 2 2
donc il y a indépendance de A et B sous PC .
Par ailleurs, en appliquant la formule des probabilités totales au système complet d’événements (C, C), on obtient :
1 1 5 1 29
P (A ∩ B) = P (C)PC (A ∩ B) + P (C)PC (A ∩ B) = P (C)PC (A ∩ B) + P (C)PC (A)PC∩A (B) = × + × =
6 4 6 9 216
et
1 1 5 1 13
P (B) = P (A) = P (C)PC (A) + P (C)PC (A) = × + × = 2.
6 2 6 3 6
132 29
Donc P (A)P (B) = 64
̸= 216 . Donc A et B ne sont pas indépendants sous P .

Proposition 4.2 (Indépendance et probabilité conditionnelle)

Soit (Ω, P ) un espace probabilisé et soit (A, B) ∈ P(Ω)2 tels que P (A) ̸= 0. Les événements A et B sont
indépendants si et seulement si P (B) = PA (B).

Démonstration. Cela découle directement des équivalences suivantes, dues à la définition de probabilité condition-
nelle :
P (B) = PA (B) ⇐⇒ P (B)P (A) = PA (B)P (A) ⇐⇒ P (B)P (A) = P (A ∩ B).

Proposition 4.3 (Complémentaire et indépendance)

Soit (Ω, P ) un espace probabilisé et soit (A, B) ∈ P(Ω)2 . Les assertions suivantes sont équivalentes :
— A et B sont indépendants.
— A et B sont indépendants.
— A et B sont indépendants.
— A et B sont indépendants.

Démonstration. On va montrer que (A et B indépendants) implique (A et B indépendant), toutes les équivalences

en découlent ensuite directement. Supposons donc que A et B sont indépendants. Alors

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

où la dernière égalité se montre en appliquant la formule des probabilités totales à A et au système complet
d’événements (B, B) ou en remarquant que A ∩ B ⊂ A et P (A ∩ B) = P (A \ (A ∩ B)).
Donc A et B sont indépendants. D’où le résultat.

Remarque. Ce résultat se généralisera sans difficulté au cas de n événements.

4.2 Indépendance d’une famille finie d’événements

Définition 4.4 (Indépendance d’une famille d’événements)

Soit (Ω, P ) un espace probabilisé et soit n ∈ N∗ . (Ai )i∈[[1,n]] est une famille d’événements (mutuellement)
!
\ Y
indépendants si pour tout J ⊂ [[1, n]], P Ak = P (Ak ).
k∈J k∈J

9
 n n
!
\ Y
Remarque. ATTENTION : vérifier P Ak = P (Ak ) n’est pas suffisant. Pas plus qu’il ne suffit de vérifier
k=1 k=1
que les événements sont indépendants deux à deux.

Exercice 13. On effectue un lancer de pile ou face. Déterminer une famille d’événements (A, B, C) qui vérifient
P (A ∩ B ∩ C) = P (A)P (B)P (C), mais qui ne forment pas une famille d’événements mutuellement indépendants.
Solution : Il suffit de choisir un événement impossible pour A, et B = C. On pose par exemple A ="ne tirer ni
pile ni face", B = C ="tirer pile", et on a :
1 1
P (A ∩ B ∩ C) = P (∅) = 0 = 0 × × = P (A)P (B)P (C).
2 2
Il n’y a pourtant pas indépendance mutuelle car B et C ne sont pas indépendants :
1 1
P (B ∩ C) = P (B) = ̸= = P (B)P (C).
2 4
Exercice 14. On lance deux fois une pièce équilibrée. Déterminer une famille d’événements (A, B, C) qui sont
indépendants deux à deux, mais qui ne forment pas une famille d’événements mutuellement indépendants.
Solution : On pose A = "le premier lancer donne pile", B = "le deuxième lancer donne pile", et C = "les deux
lancers donnent le même résultat".
1 1
Pour i = 1 ou 2, on pose de plus Fi = "le i-ème lancer donne face. Alors P (A) = P (F1 ) = , P (B) = P (F2 ) = et
2 2
1
P (C) = P ((F1 ∩ F2 ) ∪ (F1 ∩ F2 )) = (par dénombrement direct ou en remarquant que les événements de l’union
2
sont incompatibles et les lancers sont indépendants). On a de plus :
1
P (A ∩ B) = P (F1 ∩ F2 ) = = P (A)P (B), donc A et B sont indépendants.
4
1
P (A ∩ C) = P (F1 ∩ F2 ) = = P (A)P (C), donc A et C sont indépendants.
4
1
P (B ∩ C) = P (F1 ∩ F2 ) = = P (B)P (C), donc B et C sont indépendants.
4
1 1
Par contre, P (A∩B∩C) = P (P1 ∩P2 ) = ̸= = P (A)P (B)P (C). Donc il ne s’agit pas d’une famille d’événements
4 8
mutuellement indépendants.

10