21.

Compléments de probabilité
21.1 Espaces probabilisés : cas général 1
21.1.1 Quelques exemples et motivations
21.1.2 Généralisation de la notion de probabilités

21.2 Théorème de la limite monotone 6

21.3 Probabilités conditionnelles : cas général 9

21.3.1 Définition
21.3.2 Formule des probabilités composées
21.3.3 Formule des probabilités totales
21.3.4 Formule de Bayes

21.4 Indépendance : cas général 10

Si bien doué que l’on soit, on ne fait rien

de grand sans travail.
Henri Poincaré

Ce chapitre complète et généralise les résultats établis au Chapitre 11 dans le cas des
univers finis. Les principales notions sont reprises dans ce nouveau cadre. Certaines
changent peu, d’autres au contraire nécessitent de prendre des précautions supplémen-
taires. Ainsi, les sommes qui intervenaient dans le Chapitre 11 sont remplacées par des
séries dont il faut d’abord s’assurer de la convergence.

21.1 Espaces probabilisés : cas général

21.1.1 Quelques exemples et motivations
Dans le Chapitre 11, nous nous sommes intéressés à la modélisation d’expériences aléatoires
dont l’ensemble des issues possibles (l’univers Ω) est fini. Cependant, il existe une multitude
de situations ou l’univers Ω est infini :

Exemple 21.1 1. On jette une pièce et on note le premier rang pour lequel le résultat
est « Pile ». Alors, Ω = N∗ .

2. On jette un dé à six faces une infinité de fois et on note la suite des résultats
obtenus. Alors, Ω = J1; 6KN (l’ensemble des suites d’éléments de J1; 6K).

3. On note le temps d’attente d’un bus, qui est un nombre aléatoire dans R+ .

1
2 CHAPITRE 21. COMPLÉMENTS DE PROBABILITÉ

Définition 21.1 Un ensemble E est dit dénombrable s’il existe une bijection de N sur
E.

Remarque : Un ensemble dénombrable est un ensemble dont on peut numéroter les éléments,
même si il a un nombre infini d’éléments.

Exemple 21.2 1. N, N∗ , Z, Z × Z, Q sont dénombrables.

2. R n’est pas dénombrable.

3. J1; 6KN n’est pas dénombrable.

Dans la suite, on va vouloir calculer la probabilité de certaines parties de l’univers Ω.

Malheureusement, lorsque Ω sera infini non dénombrable, on ne pourra pas s’intéresser à
l’ensemble P (Ω) de toutes les parties de Ω car celui-ci est beaucoup « trop gros ». On
se restreindra donc à un sous-ensemble A de P (Ω) qui constituera l’ensemble des parties
dont on peut calculer la probabilité. Afin d’obtenir un modèle aussi cohérent que possible,
il faut imposer certaines conditions de stabilité à A : par union, intersection, passage au
complémentaire, etc.

Définition 21.2 Soit l’univers Ω des issues d’une expérience donnée . L’ensemble des
événements noté A vérifiera les propriétés suivantes :

• Ω∈A ;

• A est stable par passage au complémentaire : si A ∈ A, alors A ∈ A ;

• A est∪stable par union dénombrable : si (An )n∈N est une suite d’éléments de A,
alors An ∈ A.
n∈N

Le couple (Ω, A) est alors appelé espace probabilisable, et les éléments de A sont appelés
les événements.

Remarque :

• La condition Ω ∈ A peut être remplacée par ∅ ∈ A car l’ensemble A est stable par passage
au complémentaire.

• De même la condition de stabilité par union dénombrable est équivalente à la condition

de stabilité par intersection dénombrable.
A est ∩
stable par intersection dénombrable : si (An )n∈N est une suite d’éléments de A ,
alors An ∈ A.
n∈N
Encore une fois c’est une conséquence de la stabilité par passage au complémentaire. En
∩ ∪ ∪ ∩
effet, on rappelle que : An = An et An = An .
n∈N n∈N n∈N n∈N
21.1. ESPACES PROBABILISÉS : CAS GÉNÉRAL 3

Exemple 21.3 1. P (Ω) vérifie bien les points de la Définition 21.2. C’est l’ensemble
des événements que l’on utilisait dans le cas d’un univers fini.

2. Si A ⊆ Ω, alors A = {∅, A, A, Ω} vérifie bien les points de la Définition 21.2.

Remarque : Comparaison avec la notion d’espace probabilisable dans le cas fini

Un ensemble d’événements A vérifiant les points de la Définition 21.2 doit être considéré
comme notre nouveau modèle d’ensemble regroupant les événements.

• Dans le cas où Ω est fini, on choisissait P (Ω) (cf Chapitre 11) : (Ω, P (Ω)) espace
probabilisable.

• Dans le cas où Ω est infini, P (Ω) vérifie encore les points de la Définition 21.2 (elle
contient tous les événements que l’on peut définir sur Ω) donc (Ω, P (Ω)) est bien un
espace probabilisable.

• Mais alors pourquoi ne pas prendre toujours P (Ω) qui regroupe tous les événements que
l’on peut former sur Ω?

En fait, si Ω = R (infini non dénombrable) le choix de (Ω, P (Ω)) comme espace probabilisable
a peu de sens. Le but d’un espace probabilisable est d’accueillir une fonction de probabilité qui
en fait un espace probabilisé. On peut démontrer (largement hors de notre portée) que l’on ne
peut définir de probabilité sur P (R) tout entier : on ne peut mesurer la probabilité de certaines
parties de R.

Remarque :

• Les éléments de A vérifiant les points de la Définition 21.2 sont des ensembles.

• En pratique, c’est l’énoncé qui précisera l’ensemble A à considérer.

Définition 21.3 (Union et intersection infinies dénombrables) Pour tout n ∈ N, soit An

un événement:
∪
+∞ ∪
• La réunion An = An est l’événement « au moins un des événements An se
n=0 n∈N
réalise ». ∪
x∈ An ⇐⇒ ∃n0 ∈ N, x ∈ An0
n∈N

∩
+∞ ∩
• L’intersection An = An est l’événement « tous les événements An se
n=0 n∈N
réalisent». ∩
x∈ An ⇐⇒ ∀n ∈ N, x ∈ An
n∈N
4 CHAPITRE 21. COMPLÉMENTS DE PROBABILITÉ

Exemple 21.4 On lance une pièce une infinité de fois. On note An l’événement « obtenir
pile au n-ème lancer ».
∪
+∞
• L’événement An est l’événement « obtenir au moins un pile ». En terme
n=1
mathématique, on écrit ∃k ∈ N∗ tel que Ak soit réalisé.
∩
+∞
• L’événement An est l’événement « n’obtenir que des piles ». En terme math-
n=1
ématique, on écrit ∀k ∈ N∗ , Ak est réalisé.

Définition 21.4 (Système complet d’événements) Soit (Ω, A) un espace probabilisable

et I une partie (finie ou non) de N. Une famille (Ai )i∈I d’événements est un système
complet d’événements si :

• Les événements sont deux à deux incompatibles : pour tout (i; j) ∈ I 2 avec i , j,
Ai ∩ Aj = ∅.
∪
• Leur réunion est Ω : Ai = Ω.
i∈I

Remarque : Un système complet d’événements peut comporter une infinité d’événements !

Exemple 21.5 On lance un dé jusqu’à obtenir un premier 6. On note A0 l’événement

«ne jamais obtenir un 6» et An l’événement «on obtient le premier 6 au n-ième lancer».

La famille d’événements (An )n∈N forme un système complet d’événements.

21.1.2 Généralisation de la notion de probabilités

Définition 21.5 (Espace probabilisé) Soit (Ω, A) un espace probabilisable. On appelle

probabilité sur l’espace probabilisable (Ω, A) toute application P de A dans [0; 1] véri-
fiant :

• P (Ω) = 1

• Si (An )n∈N est une suite d’événements deux à deux incompatibles, alors :
  +∞
 ∪  ∑
P  An  = P (An ) .
n∈N n=0

Le triplet (Ω, A, P ) est alors appelé espace probabilisé, et pour tout A ∈ A, P (A) est la
probabilité de l’événement A.
21.1. ESPACES PROBABILISÉS : CAS GÉNÉRAL 5

Remarque :
∑
• La série P (An ) est bien convergente.
n⩾0

• Toutes les formules du Chapitre 11 restent vraies, car la définition précédente généralise
celle donnée dans ce chapitre :

1. P (A) = 1 − P (A) .
2. P (∅) = 0 .
3. Croissance de P : Si A ⊂ B, alors P (A) ⩽ P (B) .
4. P (A) = P (A ∩ B) + P (A ∩ B̄) .
5. P (A ∪ B) = P (A) + P (B) − P (A ∩ B) .

Proposition 21.1 Soit (Ω, A, P ) un espace probabilisé.

• Si A1 , A2 , . . . , An sont des événements alors :

 n 
∪  ∑ n

 

P  Ai  ⩽ P (Ai ).
i=1 i=1

• Si (An )n∈N∗ est une suite d’événements alors :

 +∞  +∞
∪  ∑
P  Ai  ⩽ P (Ai ).
i=1 i=1

Exercice 21.1 On considère l’espace probabilisable (N∗ , P (N∗ )). Montrer que la proba-
bilité définie sur cet espace en posant :
1
∀n ∈ N∗ , P ({n}) = ,
2n
vérifie bien P (Ω) = 1.
On considère A = {2k ; k ∈ N∗ } et B = {2k + 1 ; k ∈ N}. Calculer P (A) et P (B).
∪
P (Ω) = P (N∗ ) or N∗ = {n}, ainsi :
n∈N∗
  +∞
 ∪  ∑
P (Ω) = P  {n} = P ({n}).
n∈N∗ n=1

∑ ∑ +∞ ( )
1 ∑ 1 1 ∑ 1 n
+∞ +∞ +∞
On a alors : P ({n}) = = − = −1
2n 2n 20 2
n=1 n=1 n=0 n=0
6 CHAPITRE 21. COMPLÉMENTS DE PROBABILITÉ

1
On reconnaît la somme de la série géométrique de raison ∈] − 1; 1[ et
2
∑
+∞
1 1
n
= − 1 = 2 − 1 = 1.
n=1
2 1 − 12
∪
Ainsi définie, P vérifie bien P (Ω) = 1. Par ailleurs, on peut écrire A = {2n}.
n∈N∗
  +∞
 ∪  ∑ 1 ∑
+∞
1 ∑ 1
+∞
1 ∑ 1
+∞
P (A) = P  {2n} = = = − = − 1.
n∈N ∗ 22k 4k 4k 40 4k
k=1 k=1 k=0 k=0

1
On reconnaît la somme de la série géométrique de raison . Ainsi,
4
1 4 1
P (A) = −1 = −1 = .
1− 4
1 3 3

Par ailleurs, il est clair que N∗ = A ∪ B, et que A et B sont incompatibles. Dès lors :
1 2
P (B) = 1 − P (A) = 1 − = .
3 3

Définition 21.6 Soit (Ω, A, P ) un espace probabilisé.

• Si A est un évènement de probabilité nulle (P (A) = 0), alors on dit que A est
négligeable.

• Si A est un évènement de probabilité égale à 1 (P (A) = 1), alors on dit que A est
presque sûr.

Attention ! Dans le cas d’un univers fini, les notions d’événements impossibles et d’événements
négligeables se confondent. De même pour les notions d’événements certains et presque sûrs.
Mais, dans le cas d’un univers infini, ce n’est plus le cas.

21.2 Théorème de la limite monotone

Soit (Ω, A, P ) un espace probabilisé.

Définition 21.7 Soit (Bn ) une famille d’événements de A.

• La famille (Bn )n∈N est croissante lorsque :
∀n ∈ N , Bn ⊆ Bn+1 .
La famille (Bn )n∈N est décroissante lorsque :
∀n ∈ N , Bn+1 ⊆ Bn .
21.2. THÉORÈME DE LA LIMITE MONOTONE 7

Théorème 21.1 • Si (Bn )n∈N est une famille croissante d’événements de A, alors la
suite (P (Bn ))n∈N converge et :
 +∞ 
∪ 
P  Bn  = lim P (Bn ) .
n→+∞
n=0

• Si (Bn )n∈N est une famille décroissante d’événements de A, alors la suite (P (Bn ))n∈N
converge et :  +∞ 
∩ 
P  Bn  = lim P (Bn ) .
n→+∞
n=0

Ce théorème permet de démontrer le résultat (très important) suivant :

Corollaire 21.1 Si (An ) est une famille quelconque d’événements de A, alors on a :

 +∞   n   +∞   n 
∪  ∪  ∩  ∩ 
P  Ak  = lim P  Ak  et P  Ak  = lim P  Ak  .
n→+∞ n→+∞
k=0 k=0 k=0 k=0

Exemple 21.6 On lance une infinité de fois une pièce de monnaie non truquée. On
note An l’événement « obtenir pile au n-ième lancer ». L’événement A : « obtenir Pile
à chaque lancer » est négligeable.

Obtenir Pile à chaque lancer signifie que ∀n ∈ N, An est réalisé. On a donc l’égalité
∩
+∞
A= An .
n=1

1
La pièce étant non truquée, on a P (An ) = .
2
D’après le corollaire du théorème de limite monotone, on a :
 +∞   n 
∩  ∩ 
P  An  = lim P  Ak  .
  
n→+∞
n=1 k=1

Les événements (An )n étant deux à deux indépendants, on a :

 n 
∩  ∏n ∏
n ( )n
  1 1
 
P  Ak  = P (Ak ) = = .
2 2
k=1 k=1 k=1
( )n
1 1
Or ∈] − 1, 1[ donc lim = 0. Ainsi
2 n→+∞ 2
 +∞ 
∩ 
P (A) = P  An  = 0.
n=1

L’événement A est donc bien négligeable.

8 CHAPITRE 21. COMPLÉMENTS DE PROBABILITÉ

Exercice type 21.1 On effectue une succession de lancers d’un dé équilibré jusqu’à
obtenir le premier 6. On note A l’événement «on effectue un nombre fini de lancers».
Autrement dit, A est l’événement «on obtient au moins un 6». On souhaite calculer
P (A). Pour cela, on considère les événements An «on obtient 6 pour la première fois au
n-ième lancer».

1. Comment écrire A à l’aide des événements An ?

2. Exprimer P (An ) en fonction de n.

 n 
∪ 
3. Pour tout n ⩾ 1, calculer P  Ak  en fonction de n.
k=1

4. En déduire P (A). Que peut-on dire de l’événement A?

Correction:

1. L’événement A est réalisé, si et seulement si, il existe un entier n ∈ N tel que An

est réalisé. Autrement dit,
∪
+∞
A= An .
n=0

2. An est réalisé si on a obtenu un nombre autre que 6 aux n − 1 premiers lancers et

un 6 au n-ième lancer. Ainsi,
( )n−1
5 1
P (An ) = × .
6 6

3. Les événements A1 , . . . , An sont deux à deux incompatibles, donc :

 n  n ( ) n ( ) n ( )
∪  ∑ n
1 ∑ 5 k−1 1 6 ∑ 5 k 1 ∑ 5 k
P  Ak  = P (Ak ) = = × = .
6 6 6 5 6 5 6
k=1 k=1 k=1 k=1 k=1

On est donc ramené au calcul d’une somme géométrique. Dès lors :

 n  ( )n
∪  1 5 1 − 56 ( )n
  5
 
P  Ak  = × × = 1− .
k=1
5 6 1− 65 6

4. D’après le corollaire du théorème de la limite monotone, et avec les résultats des

questions précédentes, on a :
 +∞   n  ( ( )n )
∪  ∪  5
   
P (A) = P  An  = lim P  Ak  = lim 1 − = 1.
n→+∞ n→+∞ 6
n=0 k=1

L’événement A est donc presque-sûr.

21.3. PROBABILITÉS CONDITIONNELLES : CAS GÉNÉRAL 9

21.3 Probabilités conditionnelles : cas général

Presque tout ce qui a été vu dans le cas fini fonctionne à l’identique dans le cas infini :
définition de la probabilité conditionnelle, indépendance d’événements, formule de Bayes,
formule des probabilités composées. Il faut cependant adapter les notions d’indépendance
mutuelle d’événements et la formule des probabilités totales.

21.3.1 Définition

Définition 21.8 Soit (Ω, A, P ) un espace probabilisé et A ∈ A un évéenement tel que

P (A) , 0. Soit B ∈ A. On appelle probabilité conditionnelle de B sachant A le nombre :

P (A ∩ B)
PA (B) = .
P (A)

Théorème 21.2 Soit (Ω, A, P ) un espace probabilisé et A ∈ A un événement tel que

P (A) , 0. L’application PA ainsi définie est une probabilité sur (Ω, A) et l’espace
(Ω, A, PA ) est un espace probabilisé.

21.3.2 Formule des probabilités composées

Proposition 21.2 Soit (Ω, A, P ) un espace probabilisé et soient A1 , A2 , · · · , An des

événements de A tels que P (A1 ∩ · · · An−1 ) , 0. Alors :

P (A1 ∩ · · · ∩ An ) = P (A1 )PA1 (A2 )PA1 ∩A2 (A3 ) · · · PA1 ∩···An−1 (An ) .

21.3.3 Formule des probabilités totales

Proposition 21.3 Soit (An )n∈N∗ un système complet d’événements non négligeables d’un
espace probabilisé (Ω, A, P ). Pour tout événement B ∈ A, on a :

∑
+∞
P (B) = P (B ∩ Ak ) .
k=1

Si de plus, pour tout n ∈ N∗ , P (An ) , 0, alors on a aussi :

∑
+∞
P (B) = PAk (B)P (Ak ) .
k=1

∑
Remarque : En particulier, la formule des probabilités totales assure que les séries P (B∩An )
∑ n⩾1
et PAn (B)P (An ) sont convergentes.
n⩾1
10 CHAPITRE 21. COMPLÉMENTS DE PROBABILITÉ

Exemple 21.7 On considère une infinité d’urnes numérotées par les entiers de N∗ ,
et telles que pour i ∈ N∗ , l’urne Ui contienne i! boules numérotées de 1 à i!. On
choisit une urne au hasard selon la loi suivante : pour tout i ∈ N∗ , on choisit l’urne
1
Ui avec probabilité i . Puis on tire une boule au hasard dans cette urne. Calculer la
2
probabilité de tirer la boule numéro 1.

Soit i ∈ N∗ , on note Ai l’événement « l’urne i est choisie », et G l’événement « on tire

la boule numéro 1 ». Comme les Ai forment un système complet d’événements et que
1
∀i ∈ N∗ , P (Ai ) = i , 0, la formule des probabilités totales donne:
2
∑
+∞ ∑
+∞ ∑
+∞
1 1 1
P (G) = P (G ∩ Ai ) = P (Ai ) PAi (G) = i
× = e 2 − 1 ≃ 0, 35.
2 i!
i=1 i=1 i=1

21.3.4 Formule de Bayes

Proposition 21.4 1. Si A et B sont deux événements de probabilité non nulles, alors

on a :
P (A)PA (B)
PB (A) = .
P (B)

2. Soit I une partie (finie ou non) de N et (Ai )i∈I un systéme complet d’événements
tel que P (Ai ) , 0 pour tout i ∈ I. Si B est un événement de probabilité non nulle,
alors pour tout k ∈ I :
P (Ak )PAk (B)
PB (Ak ) = ∑ .
i∈I P (Ai )PAi (B)

21.4 Indépendance : cas général

Définition 21.9 Soit (An )n∈N∗ une famille d’événements d’un espace probabilisé (Ω, A, P ).

• On dit que les événements A1 , A2 , · · · , An , · · · sont deux à deux indépendants si:

∀(k; l) ∈ (N∗ )2 , k,l ⇒ P (Ak ∩ Al ) = P (Ak )P (Al ) .

• On dit que les événements A1 , A2 , · · · , An , · · · sont mutuellement indépendants si:

 
∩  ∏
pour tout partie finie I ⊆ N∗ P  Ai  = P (Ai ) .
i∈I i∈I
21.4. INDÉPENDANCE : CAS GÉNÉRAL 11

Remarque : Il est plutôt rare en pratique d’avoir à démontrer une telle indépendance. Elle
provient la plupart du temps d’un choix de modélisation.

Exemple 21.8 Si on lance une infinité de fois une pièce donnant pile avec une probabilité
p ∈]0; 1[ et que l’on appelle An l’événement «obtenir pile au n-ème lancer», on peut
considérer que les An pour n ∈ N∗ sont indépendants. Ainsi la probabilité que pile
apparaisse pour la première fois au n-ème lancer est :

P (An ∩ An−1 ∩ An−2 ∩ . . . ∩ A1 ) = p(1 − p)n−1 .