FSGA, FSAE, FSEA

STATISTIQUE ET PROBABILITE 1

Partie II (Calculs de Probabilité)

Professeur : Dario-Styve CELESTIN

MODULE 2 : PROBABILITE CONDITIONNELLE

SOMMAIRE
Définition ............................................................................................................................................ 2
Probabilités Composées et Arbres de Probabilités ........................................................................... 3
Evénements Indépendants ................................................................................................................ 7
Formule de Bayes (Thomas Bayes, philosophe anglais, 1702-1761) ................................................. 8
Conclusion ........................................................................................................................................ 12

Référence bibliographique

Ambroise, P. Introduction à la Statistique, Volume II. Calcul des Probabilités. Edition 2018.

1
Définition

Toutes les fois que l’on veut calculer la probabilité d’un événement E alors qu’on sait qu’un autre
événement A s’est déjà réalisé, on parlera de la probabilité conditionnelle de E sachant, ou étant
donné, A. Cette probabilité sera notée P(E/A).

Puisque A est le nouvel espace échantillon, pour trouver P(E/A), c’est dans A qu’il faudra aller
chercher les résultats qui rendent E vrai. Ces résultats rendent alors vrais A et E simultanément.
L’ensemble de ces résultats n’est alors autre que 𝐴 ∩ 𝐸. C’est donc le « poids » de ces résultats (ou
la probabilité de l’événement 𝐴 ∩ 𝐸) par rapport à celui du nouvel espace échantillon A qui
constituera la probabilité de E étant donné A. C’est-à-dire que :
𝑃(𝐸 ∩ 𝐴)
𝑃(𝐸/𝐴) =
𝑃(𝐴)

Dans notre exemple du lancer d’un dé équilibré, où, on veut trouver la probabilité de l’événement
E : « Obtenir un nombre supérieur à 3 » alors qu’on sait que l’événement A : « Obtenir un nombre
pair » s’est déjà réalisé, on aura :

𝑃(𝐸 ∩ 𝐴) 𝑃({4, 6}) 2⁄6

𝑃(𝐸/𝐴) = = = = 2/3 = 0.666 𝑜𝑢 66.6%
𝑃(𝐴) 𝑃({2, 4, 6}) 3⁄6

Exemple

Dans l’exemple traité précédemment, on avait, comme l’indique le tableau suivant, les données sur
16,000 employés d’une manufacture concernant leur âge et leur sexe :

AGE / SEXE Masculin Féminin TOTAL

Moins de 30 ans 1,200 1,700 2,900
30 à 40 ans 2,600 4,200 6,800
Plus de 40 ans 4,000 2,300 6,300
TOTAL 7,800 8,200 16,000

Si on choisit au hasard un employé de cette manufacture, quelle est la probabilité que ce soit un
employé de sexe masculin sachant qu’il a plus de 40 ans ?

Solution :

Puisqu’on sait que l’employé choisi a plus de 40 ans, on n’a plus les 16,000 possibilités de départ,
car cette information exclut les 9,700 employés qui ont au plus 40 ans. Notre nouveau référentiel est
donc les 6,300 employés qui ont plus de 40 ans. C’est donc parmi ceux-là qu’il faut aller chercher
combien sont de sexe masculin. Puisqu’on choisit au hasard, chaque employé de cette catégorie
d’âge aura la même chance d’être choisi. La probabilité recherchée est alors le rapport entre le
nombre d’employés hommes ayant plus de 40 ans et le nombre d’employés de plus de 40 ans, soit
4,000/6,300 = 0.635 ou 63.5%.

2
Définition
Soient deux événements A et E tels que l’événement A est de probabilité non nulle (P(A) > 0). On appelle
probabilité de E étant donné (par rapport à ou sachant) A, la probabilité de réalisation de E sachant que
l’événement A s’est déjà réalisé. Cette probabilité se note P(E/A), et sa valeur est donnée par :
𝑷(𝑬 ∩ 𝑨)
𝑷(𝑬/𝑨) =
𝑷(𝑨)

Probabilités Composées et Arbres de Probabilités

A partir de la définition de la probabilité conditionnelle, on déduit un résultat intéressant que l’on

n’a pas encore abordé jusqu’ici. Il s’agit de la probabilité que deux événements se réalisent en même
temps. On sait déjà que si deux événements sont incompatibles, alors cette probabilité est nulle.
Sinon, de la probabilité conditionnelle de A étant donné B et de celle de B étant donné A, on déduit
la relation suivante, qui porte le nom de probabilités composées ou règle de multiplication :

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

On dit alors que la probabilité de l’intersection de deux événements est égale à la probabilité de
l’un de ces deux événements, multipliée par celle du deuxième étant donné le premier.

Les probabilités composées peuvent s’étendre à plus de deux événements. On peut par exemple
s’intéresser à 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) ou 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ∩ 𝐴4 ) ou de manière générale à 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 … ∩
𝐴𝑛−1 ∩ 𝐴𝑛 )

On prouve facilement que :

𝑃(𝐴1 ). 𝑃(𝐴2 ⁄𝐴1 ). 𝑃(𝐴3 ⁄(𝐴1 ∩ 𝐴2 ) = 𝑃(𝐴1 ). 𝑃(𝐴3 ⁄𝐴1 ). 𝑃(𝐴2 ⁄(𝐴1 ∩ 𝐴3 )
𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = {𝑃(𝐴2 ). 𝑃(𝐴1 ⁄𝐴2 ). 𝑃(𝐴3 ⁄(𝐴1 ∩ 𝐴2 ) = 𝑃(𝐴2 ). 𝑃(𝐴3 ⁄𝐴2 ). 𝑃(𝐴1 ⁄(𝐴2 ∩ 𝐴3 )
𝑃(𝐴3 ). 𝑃(𝐴1 ⁄𝐴3 ). 𝑃(𝐴2 ⁄(𝐴1 ∩ 𝐴3 ) = 𝑃(𝐴3 ). 𝑃(𝐴2 ⁄𝐴3 ). 𝑃(𝐴1 ⁄(𝐴2 ∩ 𝐴3 )

Ces six possibilités se résument ainsi dans la phrase suivante :

« La probabilité de l’intersection de 3 événements est égale à la probabilité d’un premier événement,

multipliée par celle d’un deuxième étant donné le premier, multipliée par celle du troisième étant
donné les deux premiers ».

De manière générale,
« La probabilité de l’intersection de « n » événements est égale à la probabilité d’un premier
événement, multipliée par celle d’un deuxième étant donné le premier, multipliée par celle d’un
troisième étant donné les deux premiers, multipliée par celle d’un quatrième étant donné les trois
premiers, …, multipliée par celle du nième étant donné les n-1 premiers.

Les résultats des probabilités composées tiennent encore avec les probabilités
conditionnelles, pourvu que la même condition soit maintenue. Par exemple, on aura que :
𝑃(𝐴1 ∩ 𝐴2 ⁄𝐴3 ) = 𝑃(𝐴1 ⁄𝐴3 ). 𝑃(𝐴2 /𝐴1 ∩ 𝐴3 ) Ou encore
𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 /𝐴4 ∪ 𝐴5 ) = 𝑃(𝐴1 /𝐴4 ∪ 𝐴5 ). 𝑃[𝐴2 ⁄𝐴1 ∩ (𝐴4 ∪ 𝐴5 )]. 𝑃[𝐴3 /𝐴1 ∩ 𝐴2 ∩ (𝐴4 ∪ 𝐴5 ) ]
3
Exemple

Une urne contient 6 boules rouges, 4 boules blanches et 8 boules noires. On choisit,
successivement sans remise et au hasard à chaque fois, 3 boules. Calculer les probabilités
suivantes :

a) Obtenir une boule rouge au premier tirage

b) Obtenir une boule blanche au premier tirage et une boule rouge au deuxième tirage
c) Obtenir une boule noire au deuxième tirage
d) Obtenir trois boules de la même couleur
e) Obtenir trois boules de couleurs différentes

Solution

Définissons les événements suivants :

𝑅𝑖 : « Obtenir une boule rouge au ième tirage » (i = 1, 2 ou 3)
𝑁𝑖 : « Obtenir une boule noire au ième tirage » (i = 1, 2 ou 3)
𝐵𝑖 : « Obtenir une boule blanche au ième tirage » (i = 1, 2 ou 3)

Puisque à chaque tirage, le choix se fait au hasard, donc toutes les boules qui restent au
moment de ce tirage ont toujours la même chance d’être choisies. On peut alors appliquer les
résultats du modèle uniforme.
a) P(obtenir une boule rouge au premier tirage) = P(R1 )

nombre de cas favorables au premier tirage 6

P(R1 ) = = = 0.333 ou 33.3%
nombre de cas possibles au premier tirage 18

b) P(obtenir une boule blanche au 1er tirage et une boule rouge au 2ème) = P(B1 ∩ R 2 )

4 6
P(B1 ∩ R 2 ) = P(B1 ). P(R 2 ⁄B1 ) = × = 0.078 ou 7.8%
18 17

c) Pour avoir la probabilité d’avoir une boule noire au deuxième tirage, il faut tenir compte
de tout ce qui pourrait se passer au premier tirage. On aura ainsi :

P(N2 ) = P[(R1 ∩ N2 ) ∪ (N1 ∩ N2 ) ∪ (B1 ∩ N2 )]

Or, puisqu’au premier tirage on n’aura exclusivement qu’une seule couleur, les
événements (R1 ∩ N2 ), (N1 ∩ N2 ) et (B1 ∩ N2 ) ne peuvent pas se réaliser en même temps.
Ils sont donc incompatibles. On aura :

P(N2 ) = P(R1 ∩ N2 ) + P(N1 ∩ N2 ) + P(B1 ∩ N2 )

D’après les résultats des probabilités composées et du modèle uniforme, on a :

4
 P(N2 ) = P(R1 ) ⋅ P(N2 /R1 ) + P(N1 ) ⋅ P(N2 /N1 ) + P(B1 ) ⋅ P(N2 /B1 )
P(N2 ) = (6⁄18)(8⁄17) + (8⁄18)(7⁄17) + (4⁄18)(8⁄17) = 0.444 ou 44.4%

d) P(obtenir 3 boules de la même couleur) = P[(R1 ∩ R 2 ∩ R 3 ) ∪ (B1 ∩ B2 ∩ B3 ) ∪ (N1 ∩ N2 ∩

N2 )]
Or, puisque à chaque tirage on n’aura exclusivement qu’une seule couleur, les
événements (R1 ∩ R 2 ∩ R 3 ), (B1 ∩ B2 ∩ B3 ) et (N1 ∩ N2 ∩ N2 ) ne peuvent pas se réaliser en
même temps. Ils sont donc incompatibles. On aura alors :

P(obtenir 3 boules de la même couleur) = P(R1 ∩ R 2 ∩ R 3 ) + P(B1 ∩ B2 ∩ B3 ) + P(N1 ∩

N2 ∩ N2 )

D’après les résultats des probabilités composées et du modèle uniforme :

P(R1 ) ∙ P(R 2 /R1 ) ∙ P(R 3 /R1 ∩ R 2 ) + P(B1 ) ∙ P(B2 /B1 ) ∙ P(B3 /B1 ∩ B2 )
+ P(N1 ) ∙ P(N2 /N1 ) ∙ P(N3 /N1 ∩ N2 )
= (6/18)(5/17)(4/16)+(4/18)(3/17)(2/16)+(8/18)(7/17)(6/16) = 0.098 ou 9.8%

e) P(obtenir 3 boules de couleurs différentes) =

P[(R1 ∩ B2 ∩ N3 ) ∪ (R1 ∩ N2 ∩ B3 ) ∪ (B1 ∩ R 2 ∩ N3 ) ∪ (B1 ∩ N2 ∩ B3 ) ∪ (N1 ∩ R 2 ∩ B3 )
∪ (N1 ∩ B2 ∩ R 3 )]

Or, puisqu’au premier tirage on n’aura exclusivement qu’une seule couleur, les
événements (R1 ∩ B2 ∩ N3 ), (R1 ∩ N2 ∩ B3 ), (B1 ∩ R 2 ∩ N3 ), (B1 ∩ N2 ∩ B3 ), (N1 ∩ R 2 ∩ B3 )
et (N1 ∩ B2 ∩ R 3 ) ne peuvent pas se réaliser en même temps. Ils sont donc incompatibles.
On aura alors pour la probabilité voulue :
P(R1 ∩ B2 ∩ N3 ) + P(R1 ∩ N2 ∩ B3 ) + P(B1 ∩ R 2 ∩ N3 ) + P(B1 ∩ N2 ∩ B3 ) + P(N1 ∩ R 2 ∩
B3 ) + P(N1 ∩ B2 ∩ R 3 )]

Ce qui donne d’après les résultats des probabilités composées et du modèle uniforme :
P(R1 ) ∙ P(B2 /R1 ) ∙ P(N3 /R1 ∩ B2 ) + P(R1 ) ∙ P(N2 /R1 ) ∙ P(B3 /R1 ∩ N2 ) +
P(B1 ) ∙ P(R 2 /B1 ) ∙ P(N3 /B1 ∩ R 2 ) + P(B1 ) ∙ P(N2 /B1 ) ∙ P(R 3 /B1 ∩ N2 ) +
P(N1 ) ∙ P(R 2 /N1 ) ∙ P(B3 /N1 ∩ R 2 ) + P(N1 ) ∙ P(B2 /N1 ) ∙ P(R 3 /N1 ∩ B2 ) =
(6/18)(4/17)(8/16) + (6/18)(8/17)(4/16) + (4/18)(6/17)(8/16) + (4/18)(8/17)(6/16)
+ (8/18)(6/17)(4/16) + (8/18)(4/17)(6/16) = 0.235 𝑜𝑢 23.5%

La notion de probabilité conditionnelle évoque une démarche séquentielle ou encore une certaine
chronologie. En effet, lorsqu’on écrit P(A/B), cela sous-entend que dans un premier temps, B s’est
déjà réalisé et que dans un deuxième temps on s’intéresse à la probabilité que A se réalise, sachant
que B s’est déjà réalisé. Cette séquence peut être illustrée par ce qu’on appelle un arbre de
probabilités. On utilise souvent l’arbre des probabilités pour construire l’espace échantillon d’une
expérience aléatoire. Voici comment on illustrerait toutes les situations possibles dans l’exemple
précédent :

5
6
Evénements Indépendants

Nous savons maintenant que lorsqu’on écrit P(A/B), nous parlons de la probabilité que A se réalise
alors que B s’est déjà réalisé. Si P(A/B) est la même que P(A), cela voudrait dire que le fait que B se
soit réalisé n’a pas changé les chances de réalisation de A. Ces deux événements se comporteraient
donc de manière indépendante l’un vis-à-vis de l’autre. En effet, toutes les fois que P(A/B)=P(A) on
dira que les événements A et B sont indépendants. De manière générale, deux événements A et B
sont dits indépendants, si la réalisation (ou non) de l’un ne modifie pas les chances de l’autre de se
réaliser. Ce qui se traduit par les relations suivantes :

𝑃(𝐴/𝐵) = 𝑃(𝐴/𝐵 𝐶 ) = 𝑃(𝐴) et 𝑃(𝐵/𝐴) = 𝑃(𝐵/𝐴𝐶 ) = 𝑃(𝐵)

La relation d’indépendance est symétrique, c’est pour cela que l’on devrait plutôt dire que les
événements sont mutuellement indépendants.

On voit immédiatement que si deux événements A et B sont indépendants, la formule des

probabilités composées devient : 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ⋅ 𝑃(𝐵). Ce qui traduit que la probabilité de
l’intersection de deux événements indépendants est égale au produit des probabilités de ces
événements.

La notion d’indépendance peut s’étendre à plus de deux événements. On peut facilement vérifier
que si « n » événements sont mutuellement indépendants (indépendants 2 à 2, 3 à 3, 4 à 4, …, « n »
à la fois), alors,

𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 … ∩ 𝐴𝑛−1 ∩ 𝐴𝑛 ) = 𝑃(𝐴1 ) ⋅ 𝑃(𝐴2 ) ⋅ 𝑃(𝐴3 ) … 𝑃(𝐴𝑛−1 ) ⋅ 𝑃(𝐴𝑛 )

Exemple II.3

On lance une pièce de monnaie non équilibrée (P(pile) = 0.30) trois fois de suite et on observe les
résultats successifs. Calculons la probabilité des événements suivants :
a) Obtenir face au premier lancer
b) Obtenir pile au deuxième lancer
c) Obtenir face au premier lancer et pile au deuxième
d) Obtenir pile aux trois lancers

Solution

Définissons l’événement : Fi : « Obtenir face au ième lancer » (i = 1, 2, 3), c’est-à-dire

𝑃(𝐹𝑖𝑐 ) = 0.30
a) P(obtenir face au premier lancer) :
𝑃(𝐹1 ) = 1 − 𝑃(𝐹1𝑐 ) = 1 − 0.30 = 0.70 𝑜𝑢 70%
b) P(obtenir pile au deuxième lancer) = 𝑃(𝐹2𝑐 ) = ?

Puisqu’il s’agit du deuxième lancer, on devrait tenir compte de ce qui s’était passé au premier lancer.
Cependant, le résultat qui s’est produit au premier lancer n’a aucun effet sur ce qui va se passer au
7
deuxième lancer, car la pièce n’a pas de mémoire. La probabilité d’obtenir pile au deuxième lancer
n’est donc pas influencée par le premier résultat. Elle reste la même.

Ceci se traduit comme suit : 𝑃(𝐹2𝑐 /𝐹1 ) = 𝑃(𝐹2𝑐 /𝐹1𝑐 ) = 𝑃(𝐹2𝑐 ) = 𝑃(𝐹1𝑐 ) = 0.30

c) P(obtenir face au premier lancer et pile au deuxième) = 𝑃(𝐹1 ∩ 𝐹2𝑐 )

Puisqu’on vient de voir que les événements étaient indépendants alors on aura :

𝑃(𝐹1 ∩ 𝐹2𝑐 ) = 𝑃(𝐹1 ) ∙ 𝑃(𝐹2𝑐 ) = 0.70 × 0.30 = 0.21 𝑜𝑢 21%

d) P(obtenir pile aux trois lancers) = 𝑃(𝐹1𝑐 ∩ 𝐹2𝑐 ∩ 𝐹3𝑐 )

On peut poursuivre la remarque plus haut en disant que ce qui se passe au troisième lancer
ne dépend pas non plus de ce qui s’était passé aux deux premiers lancers. De manière
générale, d’un lancer à un autre, les résultats sont indépendants et les probabilités restent les
mêmes. On a donc :

𝑃(𝐹1𝑐 ∩ 𝐹2𝑐 ∩ 𝐹3𝑐 ) = 𝑃(𝐹1𝑐 ) ∙ 𝑃(𝐹2𝑐 ) ∙ 𝑃(𝐹3𝑐 ) = 0.30 × 0.30 × 0.30 = 0.027 𝑜𝑢 2.7%

Formule de Bayes (Thomas Bayes, philosophe anglais, 1702-1761)

Nous allons, dans cette section, établir un résultat très important en calcul des probabilités connu
sous le nom de formule de Bayes. Nous y arriverons à partir d’un exemple duquel nous dégagerons
une généralisation, en identifiant, d’une manière générale les conditions dans lesquelles ce résultat
s’applique.

Supposons que vous attendez à l’extérieur d’un supermarché un ami qui doit payer à l’une des
quatre caisses, son panier de provision. Il n’a pas le choix, pour sortir, il lui faut absolument choisir
l’une des quatre caisses. Cela fait donc quatre éventualités possibles dont exactement une devra
nécessairement se produire. On peut les représenter par les quatre événements suivants, exprimés
dans un seul énoncé :

𝐴𝑖 : « Votre ami choisit la caisse # i » (i = 1, 2, 3, 4)

Supposons qu’on connaisse les probabilités de ces événements. De plus, on peut raisonnablement
faire l’hypothèse que la durée du service n’est pas la même à toutes les caisses, c’est-à-dire qu’elle
dépend de la caisse choisie. Ainsi, si on définit un événement E : « Le service est lent », dire que la
durée du service dépend de la caisse choisie veut dire que les probabilités P(E/Ai) ne sont pas toutes
pareilles. Supposons qu’elles soient également connues.

Les événements concernant le choix de la caisse et la durée du service suivent un ordre

chronologique. En effet, votre ami aura d’abord à choisir une caisse et ensuite il se rendra compte,
selon certains critères bien sûr, si le service à été lent ou non à la caisse qu’il a choisie. A sa sortie du
supermarché, votre ami vous donne une information sur l’événement le plus récent. Il vous apprend
que le service a été lent, sans vous dire quelle caisse il a utilisée. Pouvez-vous calculer à partir de

8
cette information qu’il vous a donnée, la probabilité qu’il ait utilisé telle ou telle caisse ? Par exemple,
peut-on calculer P(A1/E) ? Ce qui est la probabilité qu’il ait utilisé la caisse # 1 alors qu’il vous a dit
que le service a été lent. Essayons de calculer cette probabilité.

On sait que P(A1 /E) = P(A1 ∩ E) ∕ P(E) et puisque d’après la règle de la multiplication et en tenant
compte de l’ordre chronologique, P(A1 ∩ E) = P(A1 ) ⋅ P(E/A1 ), alors on aura P(A1 /E) = P(A1 ) ⋅
P(E/A1 ) ∕ P(E). De plus, P(A1 ) et P(E/A1 ) étant supposées connues, il ne nous reste qu’à trouver
P(E), qui est la probabilité que le service soit lent tout court (i.e indépendamment de la caisse). Or,
nous savons qu’il y a quatre façons différentes d’avoir un service lent : ou bien c’est en choisissant
la caisse #1, ou alors la caisse #2, la caisse #3 ou la caisse #4 ; ce qui donne l’équation suivante :
P(E) = P[(A1 ∩ E) ∪ (A2 ∩ E) ∪ (A3 ∩ E) ∪ (A4 ∩ E)]

Puisque l’ami ne devra choisir qu’une seule caisse, les événements (A1 ∩ E), (A2 ∩ E), (A3 ∩ E) et
(A4 ∩ E) ne peuvent se réaliser en même temps. Ils sont incompatibles. Donc,
P(E) = P(A1 ∩ E) + P(A2 ∩ E) + P(A3 ∩ E) + P(A4 ∩ E)
(Ce résultat est connu sous le nom de formule ou règle de probabilités totales)

P(E) = P(A1 ) ⋅ P(E/A1 ) + P(A2 ) ⋅ P(E/A2 ) + P(A3 ) ⋅ P(E/A3 ) + P(A4 ) ⋅ P(E/A4 )

= ∑ P(Aj ) ⋅ P(E/Aj )
j=1
On conclut alors que :
P(A1 ) ⋅ P(E/A1 )
P(A1 /E) =
∑4j=1 P(Aj ) ⋅ P(E/Aj )

On peut montrer de la même manière que :

P(A2 ) ⋅ P(E/A2 )
P(A2 /E) = 4
∑j=1 P(Aj ) ⋅ P(E/Aj )

Et de manière plus générale, quelle que soit la caisse i (i = 1, 2, 3, 4), que :

P(Ai ) ⋅ P(E/Ai )
P(Ai /E) =
∑4j=1 P(Aj ) ⋅ P(E/Aj )

Ce résultat ne dépend pas non plus du nombre de caisses qu’il y aurait dans le supermarché. S’il y
a « n » caisses, il se généralise encore plus comme suit :

P(Ai ) ⋅ P(E/Ai )
P(Ai /E) = ∀ i = 1, 2, 3, 4, … , n
∑nj=1 P(Aj ) ⋅ P(E/Aj )

On peut établir un tel résultat à toutes les fois que les conditions suivantes sont réalisées :
a) On dispose de « n » événements A1 , A2 , A3 , A4 , … , An (Ai ≠ ∅), tels que :
1) A1 ∪ A2 ∪ A3 ∪ A4 … ∪ An = Ω, (i.e les événements sont collectivement exhaustifs)
2) Ai ∩ Aj = ∅ ∀ i ≠ j, (i.e les événements sont mutuellement incompatibles)
9
 Lorsque ces deux conditions se réalisent, les événements Ai forment une partition de Ω,
et on a :
P(A1 ∪ A2 ∪ A3 ∪ A4 … ∪ An ) = P(Ω) = 1 ou ∑n1 P( Ai ) = 1
Dans notre exemple, ces événements représentent les choix possibles des quatre caisses.

b) On a un autre événement E dont la réalisation dépend des événements

A1 , A2 , A3 , A4 , … et An , i.e les P(E/Ai ) ne sont pas toutes pareilles.

Dans notre exemple, cet événement est celui qui décrit la durée (ou la lenteur) du service à la caisse
choisie.

Alors, on obtient, grâce à la formule des probabilités totales :

P(Ai ) ⋅ P(E/Ai )
P(Ai /E) = n
∀ i = 1, 2, 3, 4, … , n
∑j=1 P(Aj ) ⋅ P(E/Aj )

Ce résultat établi par le statisticien philosophe anglais Thomas Bayes (1702-1761) est connu sous
le nom de formule de Bayes.

Les probabilités P(Ai ) sont dites a priori, parce qu’elles ne tiennent compte d’aucune information
préalable ; alors que les probabilités P(Ai /E) sont appelées probabilités a posteriori à cause du fait
que l’on sait que E s’est déjà réalisé.

Exemple

Parmi les élèves rentrant à l’école secondaire aujourd’hui, 18% ne complèteront pas leurs cours, 40%
arrêteront leurs études après avoir obtenu leur Bac II, 10% fréquenteront l’Université sans terminer
et 32% termineront des Etudes Supérieures. La probabilité qu’un élève rentrant à l’école secondaire
aujourd’hui soit chômeur à un moment ou un autre durant les 15 prochaines années est de 0.60 pour
ceux qui ne termineront pas leurs cours secondaires, de 0.40 pour ceux qui s’arrêteront au Bac II, de
0.15 pour ceux qui auront suivi quelques cours à l’Université et de 0.05 pour ceux qui termineront
des Etudes Supérieures.

a) Pour un élève quelconque rentrant aujourd’hui à l’école secondaire, quelle est la

probabilité qu’il ait à subir une période de chômage durant les 15 prochaines années ?
b) 15 ans après, on interroge un ancien élève choisi au hasard et il nous apprend qu’il n’a
jamais été chômeur. Quelle est la probabilité qu’il eût terminé des Etudes
Supérieures ?

Solution

a) Pour un élève quelconque choisi au hasard, définissons les événements suivants :

𝐴1 : « L’élève choisi ne complétera pas ses cours secondaires »
𝐴2 : « L’élève choisi arrêtera ses études après le Bac II »

10
 𝐴3 : « L’élève choisi fréquentera l’Université sans terminer »
𝐴4 : « L’élève choisi terminera ses études universitaires »

Ce sont quatre événements mutuellement exclusifs, dont un doit nécessairement se réaliser. Ils sont
donc exhaustifs et mutuellement incompatibles.

On nous donne 𝑃(𝐴1 ) = 0.18, 𝑃(𝐴2 ) = 0.40, 𝑃(𝐴3 ) = 0.10 et 𝑃(𝐴4 ) = 0.32
4

(∑ 𝑃(𝐴𝑖 ) = 1)
1
Soit un autre événement :
E : « L’élève subira une période de chômage durant les 15 prochaines années »

Cet événement dépend des événements précédents. En effet, on peut voir que plus un élève est
éduqué, moins il court le risque de subir une période de chômage durant les 15 prochaines années.
Ce qui se traduit dans les données suivantes :

𝑃(𝐸/𝐴1 ) = 0.60, 𝑃(𝐸/𝐴2 ) = 0.40, 𝑃(𝐸/𝐴3 ) = 0.15 et 𝑃(𝐸/𝐴4 ) = 0.05

On demande de calculer 𝑃(𝐸). Il y a quatre (4) façons différentes pour qu’un élève subisse une
période de chômage durant les 15 prochaines années : ou bien c’est en ne complétant pas son cours
secondaire, ou en s’arrêtant après le Bac II, ou en fréquentant l’Université sans terminer, ou bien
alors c’est après avoir terminé ses Etudes Supérieures. Ce qui s’exprime comme suit :

𝐸 = (𝐴1 ∩ 𝐸) ∪ (𝐴2 ∩ 𝐸) ∪ (𝐴3 ∩ 𝐸) ∪ (𝐴4 ∩ 𝐸), d’où

𝑃(𝐸) = 𝑃[(𝐴1 ∩ 𝐸) ∪ (𝐴2 ∩ 𝐸) ∪ (𝐴3 ∩ 𝐸) ∪ (𝐴4 ∩ 𝐸)]

Puisque l’élève ne devra suivre, de manière exclusive, que l’un des quatre cheminements possibles,
alors, les événements (𝐴1 ∩ 𝐸), (𝐴2 ∩ 𝐸), (𝐴3 ∩ 𝐸) et (𝐴4 ∩ 𝐸) ne peuvent pas se produire en même
temps. Ils sont incompatibles. On aura donc :
4

𝑃(𝐸) = 𝑃(𝐴1 ∩ 𝐸) + 𝑃(𝐴2 ∩ 𝐸) + 𝑃(𝐴3 ∩ 𝐸) + 𝑃(𝐴4 ∩ 𝐸) = ∑ 𝑃(𝐴𝑖 ) ⋅ 𝑃(𝐸/𝐴𝑖 )

𝑖=1
i.e 𝑃(𝐸) = 0.18 × 0.60 + 0.40 × 0.40 + 0.10 × 0.15 + 0.32 × 0.05 = 0.299 𝑜𝑢 29.9%

b) Les 15 ans sont passés, et on nous donne l’information sur l’événement le plus récent dans le
temps, à savoir qu’un élève choisi au hasard n’a pas subi de période de chômage pendant
cette période. On nous demande alors, compte tenu de cette information, de trouver la
probabilité que cet élève eût terminé des études supérieures, soit 𝑃(𝐴4 /𝐸 𝑐 ). On obtient alors,
d’après la formule de Bayes :

𝑐
𝑃(𝐴4 ) ⋅ 𝑃(𝐸 𝑐 /𝐴4 ) 𝑃(𝐴4 ) ⋅ 𝑃(𝐸 𝑐 /𝐴4 )
𝑃(𝐴4 /𝐸 ) = 4 =
∑𝑗=1 𝑃(𝐴𝑗 ) ⋅ 𝑃(𝐸 𝑐 /𝐴𝑗 ) 1 − ∑4𝑗=1 𝑃(𝐴𝑗 ) ⋅ 𝑃(𝐸/𝐴𝑗 )

0.32 × 0.95
𝑃(𝐴4 /𝐸 𝑐 ) = = 0.4337 𝑜𝑢 43.37%
1 − 0.299

11
Conclusion

Pour conclure, voici la démarche que nous recommandons aux étudiants pour résoudre les
problèmes sur les probabilités.
1) Suite à l’énoncé du problème, bien identifier l’expérience aléatoire et faire, s’il y a lieu, la liste
des événements élémentaires qui lui sont associés. Décrire alors le contenu de l’espace
échantillon.
2) Associer, s’il y a lieu, à chaque événement élémentaire, sa probabilité correspondante ou bien
en donnant de bonnes justifications sur l’équiprobabilité éventuelle de ces événements ou en
identifiant ces probabilités dans les données du problème. Dans tous les cas, assurez-vous
que :
∑ 𝑃({𝑟}) = 1
𝑟∈Ω
3) Identifier et décrire les événements dont les probabilités sont données dans l’énoncé du
problème. Leur attribuer alors les probabilités correspondantes.
4) Identifier et décrire les événements dont on demande de calculer les probabilités, s’il s’agit
d’événements simples. Autrement décrire les événements simples de base qui permettront
d’exprimer les événements composés dont on demande de calculer les probabilités.
5) Appliquer les formules appropriées permettant de calculer leur probabilité. On trouvera plus
facilement ces formules, d’abord en faisant très attention à ce qui est donné et demandé, tout
en se posant les questions suivantes : s’agit-il d’un événement complémentaire, de
probabilité conditionnelle, de probabilités composées, d’événements incompatibles,
indépendants ou d’une probabilité bayésienne ?

12