UNIVERSITE DE CARTHAGE Octobre 2024

ISTEUB Master EEC

Chapitre 2
Le modèle probabiliste
2.1 Introduction

On appellera expérience aléatoire toute action ou processus dont on ne peut prédire avec
certitude le résultat.

Exemple :

[Link] d’une pièce de monnaie ;

2. Jet d’un ou plusieurs dés ;
3. Durée d’attente dans un supermarché ;

2.2 Espace des possibles, événements :

 Chaque résultat possible d’une expérience aléatoire est appelé éventualité

Dans l’exemple 2 les résultats {1} ; {2} ; {3} ; {4} ; {5} ; {6} sont des éventualités.

 L’ensemble formé par toutes les éventualités est appelé univers, il est très souvent
noté Ω.

Exemple :

[Link] lance une pièce de monnaie. Les résultats possibles sont P et F. Alors , on a Ω = {P, F }

2. On lance un dé, alors les résultats possibles sont 1,2,3,4,5,6. Donc, on a Ω = {1,2,3,4,5,6}.

 Un événement d’une expérience aléatoire est une partie quelconque de l’univers,

Dans l’exemple 1 : soit A"avoir un nombre pair".Alors A = {2; 4; 6} est un événement.

 Un événement ne comprenant qu’une seule éventualité est un événement

élémentaire.

Dans l’exemple 1 : les événements {1} ; {2} ; {3} ; {4} ; {5} ; {6} sont des événements
élémentaires

Exemples :
- Match OL-OM : Ω = {OL gagne, OM gagne, match nul}. Donc Ω est composé de trois
événements élémentaires. On peut considérer par exemple l’événement qui correspond à
“Lyon ne gagne pas”.
- On lance deux dés : Ω = {1, ..., 6} × {1, ..., 6} = {(i, j) : 1 ≤ i ≤ 6, 1 ≤ j ≤ 6}. Ici, un
événement élémentaire ω est un couple (i, j), où i représente le résultat du premier dé et j

p. 1
UNIVERSITE DE CARTHAGE Octobre 2024
ISTEUB Master EEC

celui du second.
- On lance trois fois une pièce de monnaie. Les événements élémentaires vont décrire le plus
précisément possible le résultat de cette expérience. Donc un événement élémentaire ω est un
triplet (r1,r2,r3) qui donne les résultats des trois lancers (dans l’ordre). L’événement B : “on
obtient pile au deuxième lancer” est B = {(f,p,f),(f,p,p),(p,p,f),(p,p,p)}

L’événement B est réalisé si on obtient l’un des événements élémentaires listés ci-avant. Il
n’est parfois pas nécessaire de connaître tous ces détails. On pourra choisir : ω représente le
nombre de “face” obtenus. Alors, Ω = {0, 1, 2, 3}. Le modèle est beaucoup plus simple, mais
ne permet pas de décrire des événements tels que B.

Il existe un vocabulaire propre aux événements, différent du vocabulaire ensembliste.

2.3 Probabilité

On se limite dans ce cours à étudier les univers dénombrables. La probabilité d’un événement
est une valeur numérique qui représente la proportion de fois où l’événement va se réaliser,
quand on répète l’expérience dans des conditions identiques. On peut déduire de cette
définition qu’une probabilité doit être entre 0 et 1 et que la probabilité d’un événement est la
somme des probabilités de chacun des événements élémentaires qui le constituent. Enfin, la
somme des probabilités de tous les éléments de Ω est 1.
Important : rappelons qu’un événement n’est rien d’autre qu’une partie de Ω. Une probabilité
associe à chaque événement un nombre entre 0 et 1. Il s’agit donc d’une application de
l’ensemble des parties de Ω, noté P(Ω), dans [0,1].
Exemple : soit Ω = {0, 1, 2}. Construisons P (Ω).

P(Ω) = {∅, {0}, {1}, {2}, {0, 1}, {0, 2}, {1, 2}, Ω }

Définition 1 :

p. 2
UNIVERSITE DE CARTHAGE Octobre 2024
ISTEUB Master EEC

Une probabilité est une application sur P(Ω), l’ensemble des parties de Ω,

telle que :

 0 ≤ P (A) ≤ 1, pour tout événement A ⊂ Ω

 P(A)= ∑ P ( ω )
ω∈ A

 P(Ω) = ∑ P (ω)
ω ∈Ω

Que signifie “un événement A a pour probabilité...”?

0.95 : A va très probablement se produire.

0.03 : A a très peu de chance d’être réalisé.
4.0 : incorrect.
-2 : incorrect.
0.4 : A va se produire dans un peu moins de la moitié des essais.
0.5 : une chance sur deux.
0 : aucune chance que A soit réalisé.

De la définition, on peut facilement déduire la proposition suivante, fort utile pour faire
quelques calculs :

Proposition 2

1) Si A et B sont incompatibles, P(A ∪ B) = P(A) + P(B).

Soient A et B deux événements.

2) P(Ac) = 1 − P(A).
3) P (∅) = 0.
4) P(A∪B)=P(A)+P(B)−P(A∩B).
5) P(A)= P(A∩B)+ P(A∩ Bc).

preuve : 1) immédiat d’après le second point de la définition d’une probabilité.

2) Comme A et Ac sont incompatibles, 1 = P(Ω) = P(A ∪ Ac) = P(A) + P(Ac).
3) P(∅) = 1 − P(∅c) = 1 − P(Ω) = 0.
4) La technique est très souvent la même pour calculer la probabilité d’une réunion
d’ensembles: on écrit cette réunion comme une union d’ensembles incompatibles, puis on
utilise le 1). Ici, on écrit A∪B = A∪(B∩Ac) et on obtient : P(A∪B) = P(A)+P(B∩Ac). Puis
on écrit B = (B ∩ A) ∪ (B ∩ Ac) pour déduire P(B) = P(B ∩ A) + P(B ∩ Ac). En
rassemblant ces deux égalités, on obtient la proposition.

p. 3
UNIVERSITE DE CARTHAGE Octobre 2024
ISTEUB Master EEC

Exercice 1 :
Soient A et B deux évènements tels que : P(A) = 1/7, P(B) = 1/5 et P(A ∩ Bc ) = 1/8. Calculer
P( B ), P(A∩B), P(A∪B), P(Ac ∩ B ) et P(Ac ∪ B ).
c c c

Signalons une définition plus générale de probabilité, valable pour des espaces des possibles
non dénombrables.

Définition 3

Soit une expérience aléatoire et Ω l’espace des possibles associé. Une probabilité sur Ω est
une application, définie sur l’ensemble des événements, qui vérifie :

- axiome 1 : 0 ≤ P(A) ≤ 1, pour tout événement A

- axiome 2 : pour toute suite d’événements (Ai)i∈N, deux à deux incompatibles,

P¿

- axiome 3 : P(Ω)=1

NB : les événements (Ai)i∈N sont deux à deux incompatibles, si pour tous i≠ j, Ai∩Aj = ∅.

Exemple important : probabilité uniforme

Soit Ω un ensemble fini. Il arrive, comme quand on lance un dé équilibré, que les événements
élémentaires ont tous la même probabilité. On parle alors d’événements élémentaires
équiprobables. Notons p la probabilité de chaque événement élémentaire. Alors

1=P ( Ω ) = ∑ P(¿ ω)= ∑ p=p∗card(Ω)¿

ω ∈Ω ω ∈Ω

1
D’où p = P(ω) = , pour tout ω. La probabilité ainsi définie sur l’ensemble Ω card(Ω)
card (Ω)

s’appelle probabilité uniforme. La probabilité d’un événement A se calcule facilement :

card ( A)
P ( A )= ∑ P ( ω )=
ω∈ A card (Ω)

p. 4
UNIVERSITE DE CARTHAGE Octobre 2024
ISTEUB Master EEC

Attention ! Cette formule n’est valable que lorsque les événements élémentaires sont bien
équiprobables. Dans ce cas, il suffit de savoir calculer le cardinal des ensembles considérés
pour calculer les probabilités.

On est maintenant en mesure de modéliser des expériences aléatoires simples, c’est-à- dire :
- choisir Ω,
- choisir une probabilité sur Ω en justifiant ce choix.

Attention, pour décrire une probabilité, il faut donner P(A) pour tout A ⊂ Ω. Ou alors, on
peut plus simplement donner P(ω) pour tout ω ∈ Ω. Le lecteur déduira P(A) pour tout A
d’après la définition d’une probabilité.

Exemples :

1) On lance un dé équilibré, la probabilité d’avoir un nombre pair est : P ({2, 4, 6}) = ……..

2) On lance une pièce de monnaie trois fois. La probabilité de l’événement A :"Avoir deux
faces" est : ……….

2.4 Indépendance et conditionnement

Exemple 4

Quelle est la probabilité d’avoir un cancer du poumon?

Information supplémentaire : vous fumez une vingtaine de cigarettes par jour. Cette
information va changer la probabilité.

L’outil qui permet cette mise à jour est la probabilité conditionnelle.

Définition 5

Etant donnés deux événements A et B, avec P(A) > 0, on appelle probabilitéde B

conditionnellement à A, ou sachant A, la probabilité notée P(B|A) définie

par

P( A ∩ B)
P ( B∨ A ) =
P( A)

On peutécrire aussi P (A ∩ B) = P (B|A)P (A).

Utilisation 1 : quand P (A) et P (A ∩ B) sont faciles à calculer, on peut en déduire P (B|A).

Utilisation 2 : Quand P (B|A) et P (A) sont faciles à trouver, on peut obtenir P (A ∩ B).

p. 5
UNIVERSITE DE CARTHAGE Octobre 2024
ISTEUB Master EEC

De plus, la probabilité conditionnelle sachant A, P(.|A), est une nouvelle probabilité et

possède donc toutes les propriétés d’une probabilité.

Exemple 6

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’avoir deux boules rouges?

Choisissons Ω qui décrit les résultats de l’expérience précisément.

Ω = {rouge, verte} × {rouge, verte}

Un événement élémentaire est un couple (x,y) où x est la couleur de la première boule tirée et
y la couleur de la seconde.
Soit A l’événement “la première boule est rouge” et B l’événement “la seconde boule est
rouge”.

r −1 r
P(A∩B)=P(B|A)P(A)= .
r +v −1 r + v

Proposition 7 (Formule des probabilités totales)

Soit A un événement tel que 0 < P(A) < 1. Pour tout événement B, on a

P (B) = P(B|A)P(A) + P(B|Ac) P(Ac)

preuve : Comme A∪Ac = Ω, P(B) = P(B∩(A∪Ac)) = P((B∩A)∪(B∩Ac)).

Or B∩A et B ∩ Ac sont incompatibles. On en déduit

P(B) = P(B ∩ A) + P(B ∩ Ac)

La définition de la probabilité conditionnelle permet de conclure.

Exemple 6 (suite) :

Quelle est la probabilité pour que la seconde boule tirée soit rouge ? On garde le même
formalisme.

P(B)= P (B|A)P (A) + P (B|Ac)P (Ac)

r −1 r r v r
= . + . =
r +v −1 r + v r + v−1 r +v r + v

Définition 8

p. 6
UNIVERSITE DE CARTHAGE Octobre 2024
ISTEUB Master EEC

Soit (Ai)i∈I une famille d’événements. On l’appelle partition de Ω si elle vérifie les deux

(i) ∪i∈I Ai = Ω
conditions :

(ii) les Ai sont deux à deux incompatibles : pour tous i≠ j, Ai ∩ Aj = ∅.

Proposition 9 (Formule des probabilités totales généralisée)

Soit (Ai)i∈I une partition de Ω, telle que P(Ai) > 0, pour tout i ∈ I. Alors, pour tout
événement B,

P(B) =∑ P (B∨A i )P( Ai ¿

i ∈I
La formule des probabilités totales permet de suivre les étapes de l’expérience aléatoire

dans l’ordre chronologique.

Proposition 10 (Formule de Bayes)

Soit A et B deux événements tels que 0 < P (A) < 1 et P(B) > 0. Alors,

P ( B∨A ) . P( A )
P ( A∨B ) =
P ( B∨ A ) P ( A ) + P ( B∨ AC ) P( A C )

preuve :

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

et on conclut en remplaçant P (B) par son expression donnée par la formule des probabilités
totales.

Proposition 11 (Formule de Bayes généralisée)

Soit (Ai)i∈I une partition de Ω, telle que P(Ai) > 0, pour tout i ∈ I. Soit un événement B, tel
que P(B) > 0. Alors, pour tout i ∈ I,

P ( B∨ A i ) P (A i )
P ( A i∨B ) =
∑ P ( B∨ A j ) P( A j )
j ∈I

Exemple 12

Deux opérateurs de saisie, A et B, entrent respectivement 100 et 200 tableaux sur

informatique. Les tableaux de A comportent des fautes dans 5,2% des cas et ceux de B dans

p. 7
UNIVERSITE DE CARTHAGE Octobre 2024
ISTEUB Master EEC

6,7% des cas. On prend un tableau au hasard. Il comporte des fautes. Quelle est la
probabilitépour que A se soit occupé de ce tableau?

Soient les événements :

TA =“ le tableau est entré par A”,
TB = (TA)c“ le tableau est entré par B”,

F =“ le tableau comporte des fautes”.

D’après le théorème de Bayes,

0.052∗1
P(F∨T A ) P(T A ) 3
P(TA|F) = = =0.279
P ( F∨T A)P (T A)+ P(F∨T B)P(T B) 0.052∗1 0.067∗2
+
3 3

Définition 13

Deux événements A et B sont dits indépendants si P(A ∩ B) = P(A)P(B)

S’il sont de probabilité non nulle, alors

P(B|A) = P(B) ⇐⇒ P(A|B) = P(A) ⇐⇒ P(A ∩ B) = P(A)P(B)

Remarque 1 : A et B sont donc indépendants si la connaissance de la réalisation de l’un

n’influence pas la probabilité de l’autre.

jamais indépendants. En effet, A ∩ B = ∅ entraîne P (A ∩ B) = 0 ≠ P (A)P (B).

Remarque 2 : Deux événements incompatibles A et B, avec P(A) > 0 et P(B) > 0, ne sont

2.5 Répétitions indépendantes

Quand on étudie une expérience aléatoire qui peut se décomposer en plusieurs petites
expériences aléatoires indépendantes, les calculs sont aisés. Et quand on a la probabilité
uniforme pour chacune de ces petites expériences aléatoires, on a encore la probabilité
uniforme sur l’expérience aléatoire totale.

Proposition 14

Soit Ω = E×F où E est de cardinal n et F de cardinal p. Supposons que l’on choisisse avec la
probabilité uniforme un élément de E, et, de manière indépendante, un élément de F toujours
avec la probabilité uniforme. Alors chaque élément ω = (x,y) de Ω a la même probabilité, qui
vaut

1 1
P(ω) = P((x,y)) ¿ = =P ( { x }) . PF ( { y } )
Card (Ω) np

p. 8
UNIVERSITE DE CARTHAGE Octobre 2024
ISTEUB Master EEC

Exemple 15 On lance une pièce de monnaie équilibrée et un dé équilibré.

Ω = {P, F } × {1, ..., 6}

Comme on a la probabilité uniforme sur {P, F } et sur {1, ..., 6}, on a finalement la
probabilité uniforme sur Ω et

∀ω ∈ Ω, P ( ω ) =
1 1
=
Card (Ω) 12

Proposition 16

On répète N fois, de manière indépendante, la même expérience aléatoire modélisée par un

univers Ω et par une probabilité P. Alors le nouvel univers est ΩN = Ω × · · · Ω, et la
probabilité associée est

PN (ω1,...,ωN) = P(ω1)···P(ωN)
En particulier, si P est la probabilité uniforme sur Ω, alors PN est la probabilité uniforme

sur ΩN.

p. 9