CHAPITRE I A.S.D.

IND M1M
Chapitre 1 : Théorie des probabilités

1.1. Notions de probabilités

1.1.1. Ensemble fondamental et ´ev´enements

A) Ensemble fondamental :
On consid`ere une exp´erience dont l’issue n’est pas pr´evisible mais dont l’ensemble des r
´esultats possibles (on dit aussi issues) est connu et appel´e ensemble fondamental, not´e Ω.
Exemples :
►
si le r´esultat de l’exp´erience ´equivaut `a la d´etermination du sexe d’un nouveau n´e,
alors :
Ω = {g, f}
si le r´esultat est l’ordre d’arriv´ee d’une course entre 7 chevaux num´erot´es de 1 `a 7, alors :
Ω = {toutes les permutations de 1 ... 7}
B) Ev´enements:

Tout sous-ensemble E de Ω est appel´e un ´ev´enement.

Si le r´esultat de l’exp´erience est compris dans E , alors on dit que E est r´ealis´e. Exemples :
►
Dans le premier exemple, si E = {g } alors E est l’´ev´enemen l’enfant est un gar¸con.
►
Dans le second exemple, si E = {tous les r´esultats de Ω commen¸cant par 3} alors E
correspond `a l’´ev´enement le cheval 3 remporte la course.
C) Epreuve de Bernouli
►
une ´epreuve de Bernoulli de param`etre 0 ≥ p ≥ 1 est une exp´erience al´eatoire (c’est-
`a-dire soumise au hasard) comportant deux issues : le succ`es ou l’´echec
►
Le r´eel p repr´esente la probabilit´e d’un succ`es et le r´eel 1 – p repr´esente la probabilit´e
d’un ´echec.
►
La d´efinition du succ`es et de l’´echec est conventionnelle et est fonction des conditions de
l’exp´erience.
►
Exemple Le lancer d’une pi`ece ´equilibr´ee est une exp´erience de Bernoulli de param`etre 0,
5. Si le succ`es est l’obtention de pile, l’´echec sera l’obtention de face.
D) Opérations sur les évenements
Un ´ev´enement ´etant un ensemble, on peut combiner des ev´enements grˆace aux
op´erateurs ensemblistes :
►
Union
►
Intersection

Page 1
 ►
compl´ementation
Union:
L’´ev´enement E ∪ F est compos´e des r´esultats appartenant `a E ou a F . L’´ev´enement E ∪ F
est r´ealis´e si soit E soit F l’est.

E F

E F

Exemple :
Dans le cas du premier exemple, si E = {g } et F = {f }, alors E ∪ F = {f , g } = Ω

Intersection :

L’´ev´enement E ∩ F (not´e EF ) est compos´e des r´esultats appartenant `a

E et `a F .
EF est r´ealis´e si E est r´ealis´e et F l’est aussi.

E F

E F

Exemple :
Si E = {PP, PF , FP} (au moins une pi`ece est pile) et F = {PF , FP, FF } (au moins une
pi`ece est face), alors, l’´ev´enement EF = {PF , FP} est l’´ev´enement une pi`ece est pile et
l’autre face.

Complémentations:
Pour chaque ´ev´enement E , l’´ev´enement E est compos´e des r´esultats qui sont dans Ω et qui ne
sont pas dans E . E est appel´e le compl´ementaire de E dans Ω.

Page 2
 Exemple :
Si E= {g } alors E = {f }.

Evenement vide:

Si E = {g} et F = {f}, alors l’´ev´enement EF ne pourra jamais ˆetre r´ealis´e, on appellera un

tel ´ev´enement l’´ev´enement vide, not´e ∅.
Si EF = ∅, on dit que E et F sont mutuellement exclusifs.
1.1.2. Probabilité

On consid`ere que pour chaque ´ev´enement E de l’ensemble fondamental Ω, il

existe une valeur P(E ) appel´ee probabilit´e de E qui v´erifie les trois axiomes
suivants :
1. 0 ≤ P (E) ≤ 1

2. P(Ω) = 1
n
3. n
P(∪i=1 ) = ∑ P (E i)
i=1

Exemple
En supposant qu’`a l’issue du lancer d’un d´e les six faces ont les mˆemes chances
d’apparaˆıtre, on aura :
1
1 P ({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) =
6
Du troisi`eme axiome, il resulte que la probabilit´e de tirer un nombre pair est :
3
P ({2, 4, 6}) = P ({2}) + P ({4}) + P ({6}) =
6
1.1.3. Quelques théorems élémentaires
►
P( E ) = 1 − P(E )
►
Si E ⊂ F , alors P(E ) ≤ P(F )
►
P(E ∪ F ) = P(E ) + P(F ) − P(EF )
Demonstration
1 = P (Ω ) = P (E∪ E ) = P (E) + P ( E ¿ ¿ ( Axiome 2)
Si E ⊂ F, alors P (E) ≤ P (F)
D´emonstration :
Du fait que E ⊂ F , on peut ´ecrire :
F = E ∪ EF
E et E F ´etant mutuellement exclusifs, par l’axiome 3, on tire :

P(F ) = P(E ) + P( E F )

Page 3
 or, d’apr`es l’axiome 1 P( E F) ≥ 0, d’ou` :

P(E ) ≤ P(F )

P(E ∪F) = P(E) +P(F)-P(EF)

D´emonstration :

E F

I II III

I= E F E ∪ F= I ∪ II ∪ III
II= EF E= I ∪ II F

III= E F F= II ∪ III

E F

I II III

I, II et III ´etant disjoints, on a d’apr`es l’axiome 2 :

P(E ∪ F ) = P(I ) + P(II ) + P(III )

P(E ) = P(I ) + P(II )

P(F ) = P(II ) + P(III )

On a donc :

P(E ∪ F ) = P(E ) + P(F ) − P(II )

P(E ∪ F ) = P(E ) + P(F ) − P(EF )

1.1.4. ENS.FOND.à évenements élémentaires équiprobables

Pour de nombreuses exp´eriences, il est naturel d’admettre que chaque ´ev´enement ´el´ementaire a
la mˆeme probabilit´e d’apparaˆıtre. Si Ω = {1, 2 . . . N}, on a :

Page 4
 P({1}) = P({2}) = . . . = P({N})

Ce qui implique du fait des axiomes 2 et 3 :

1
∀i 1 ≤ i ≤ N, P({i }) = N
De ceci et de l’axiome 3, il r´esulte que pour tout ´ev´enement E :

'
Nombres d é l é ments dans E
P(E) = '
Nombres d é l é ments dans Ω
Exemple 1:

Si deux d´es sont jet´es, quelle est la probabilit´e que la somme des faces soit 7 ?

Solution : On fait l’hypoth`ese que les 36 issues possibles sont

´equiprobables.

Puisqu’il y a 6 issues qui donnent une somme de 7 : (1, 6), (2, 5), (3, 4), (4, 3), (5, 2),
(6, 1)la probabilit´e est 6/36 = 1/6.

Exemple 2:

Si deux boules sont tir´ees au hasard d’un bol en contenant 6 blanches et 5 noires, quelle est la
probabilit´e qu’une des boules tir´ees soit blanche et l’autre noire ?

Solution : On consid`ere que l’ordre dans lequel les boules sont choisies est significatif
l’ensemble fondamental comprend 11 × 10 = 110 points.
Il y a 6 × 5 = 30 mani`eres de tirer pour lesquelles la premi`ere boule est blanche et l’autre noire.
et 5 × 6 = 30 mani`eres de tirer pour lesquelles la premi`ere boule est noire et la seconde
blanche.
Si les 110 points de l’ensemble fondamental ont la mˆeme probabilit´e, la probabilit´e
cherch´ee est :

30 + 30 6
=
110 11

1.1.5.Probabilités conditionnelles :

Un des concepts les plus importants de la th´eorie des probabilit´es. L’importance de ce concept
est de deux ordres :

Page 5
 ►
On s’int´eresse souvent `a calculer des probabilit´es lorsqu’une partie de l’information
concernant le r´esultat de l’exp´erience est disponible dans une telle situation, les probabilit
´es cherch´ees sont justement des probabilit´es conditionnelles.
►
Mˆeme lorsqu’aucune information partielle n’est disponible, il est quelquefois avantageux
d’utiliser un d´etour par certaines probabilit´es conditionelles pour r´eussir le calcul des
probabilit´es cherch´ees.
►
exemple
►
On jette deux d´es, chacun des 36 ´ev´enements ´el´ementaires a la mˆeme probabilit´e de
1
survenir, soit .
36
►
Si l’on sait que le premier d´e donne un 3, quelle est la probabilit´e que la somme des
deux d´es donne 8 ?
►
le d´e initial ´etant un 3, il ne peut plus y avoir que 6 ev´enements dans notre exp´erience, `a
savoir : (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6).
►
6 Puisque chacun de ces ´ev´enements a originellement la mˆeme probabilit´e d’apparaˆıtre,
1
ils auront encore des probabilit´esegales :
6
►
Si nous d´esignons respectivement par E et F les ´ev´enements la somme des d´es est 8 et le
premier d´e donne 3, la probabilit´e pr´ec´edente est appel´ee probabilit´e conditionnelle que
E apparaisse sachant que F est r´ealis´ee, elle est not´ee P(E |F ) (probabilit´e de E sachant
F ).

E 1
P( )=
F 6

Page 6
 Généralisation 1:

On s’inspire de la mˆeme d´emarche pour d´eriver une formule g´en´erale donnant P(E |F )
pour tout ´ev´enement E et F :

Si F est r´ealis´e, alors E apparaˆıtra chaque fois que l’on aura affaire `a un ´ev´enement de E et
de F `a la fois, en d’autres termes, ce sera un ´el´ement de EF .
Par ailleurs, comme nous savons que F est r´ealis´e, cet ensemble devient le nouvel ensemble
fondamental, appel´e ensemble fondamental r´eduit.
La probabilit´e conditionnelle de l’´ev´enement E sera donn´ee par comparaison de la probabilit´e
non conditionelle de EF avec la probabilit´e non conditionnelle de F .
Généralisation 2:
►
On d´ebouche ainsi sur la d´efinition suivante : Si P(F ) > 0, la probabilit´e conditionnelle
de E sera :
P ( EF)
P(E |F ) =
P (F)
►
En multipliant par P(F ) les deux membres de l’´equation, on obtient :
P(EF ) = P(F )P(E |F )

►
Cette ´equation signifie que la probabilit´e que E et F apparaissent `a la fois est ´egale
`a la probabilit´e que F apparaisse multipli´ee par la probabilit´e conditionnelle de E si l’on
sait que F est survenu.
Exemple:

Une urne contient 8 boules rouges et 4 blanches. On tire sans remise 2 boules de l’urne et on
admet qu’`a chaque ´etape tous les tirages possibles sont ´equiprobables.
Quelle est la probabilit´e que les 2 boules tir´ees soient rouges ?
Solution :
►
R1 = la premi`ere boule est rouge
►
R2 = la seconde est rouge
►
P(R2R1) = P(R2|R1)P(R1)
►
P(R1) = 8/12
►
P(R2|R1) = 7/11;
donc
P(R2R1) = 2/3 × 7/11 = 14/33

Page 7
1.1.6. Evenements indépendants:

►
En g´en´eral P(E |F ) /= P(E )
►
Le fait de savoir que F est survenu influence la probabilit´e de E .
►
Dans les cas ou` P(E |F ) est bien ´egal `a P(E ), E est dit ind´ependant de F .

P ( EF)
Du fait que P(EF) = l’indépendance de E et F equivaut à :
P (F)

P (EF) = P (E)P (F)

►
Cette ´equation est sym´etrique en E et F , il en r´esulte que lorsque E est ind´ependant
de F , F l’est aussi de E .
Exemple1

On tire au hasard une carte d’un paquet de 52 cartes `a jouer ordinaires.

►
E = la carte tir´ee est un as
►
F = c’est un pique
E et F sont ind´ependants. En effet :
►
P(EF ) = 1/52
►
P(E ) = 4/52
►
P(F ) = 13/52.
On a bien : P(EF ) = P(E )P(F )

Exemple2

On jette deux pi`eces et on suppose que les 4 r´esultats possibles sont ´equiprobables.
►
A = la premi`ere pi`ece est pile
►
B = la seconde est face.
A et B sont ind´ependants. En effet :
►
P(AB) = P({(P, F )}) = 1/4
►
P(A) = P({(P, P), (P, F )}) = 1/2
►
P(B) = P({(P, F ), (F , F }) = 1/2
On a bien : P(AB) = P(A)P(B)

►
Il est important de ne pas confondre les deux notions d’´ev´enements mutuellement

Page 8
 exclusifs et d’´ev´enements ind´ependants
►
Des ´ev´enements mutuellement exclusifs ne sont pas ind´ependants.
►
En effet, si l’on sait que E et F sont mutuellement exclusifs alors on sait que si E est r´ealis
´e, F ne peut pas l’ˆetre, et vice versa.
►
Par cons´equent, la connaissance de E va modifier la connaissance de F , les deux ´ev
´enements ne sont donc pas ind´ependants.

1.1.7.Formule des probabilités totales

Soient E et F deux ´ev´enements quelconques. Nous pouvons ´ecrire E sous la forme E
= EF∪ E F

EF et E F étant mutuellement exclusives, on peut écrire

La probabilit´e de l’´ev´enement E est une moyenne pond´er´ee

►
de la probabilit´e conditionnelle de E lorsque F est apparu
►
et de la probabilit´e de E lorsque F n’est pas apparu
►
les poids ´etant les probabilit´es des ´ev´enements conditionnants.

L’int´erˆet de cette formule est qu’elle permet de d´eterminer la probabilit´e d’un ´ev´enement
en commencant par le conditionner selon l’apparition ou non d’un autre ´ev´enement.
Exemple

Page 9
 Une compagnie d’assurance estime que les gens peuvent ˆetre r´epartis en deux classes :
►
ceux qui sont enclins aux accidents
►
ceux qui ne le sont pas.

Les statistiques montrent qu’un individu enclin aux accidents a une probabilit´e de 0, 4 d’en avoir
un dans l’espace d’un an; cette probabilit´e vaut 0, 2 pour les gens `a risque mod´er´e.

On suppose que 30% de la population appartient `a la classe `a haut risque.

Quelle est la probabilit´e qu’un nouvel assur´e soit victime d’un accident durant l’ann´ee qui
suit la signature de son contrat ?
Solution

Nous obtiendrons la probabilit´e de l’´ev´enement cit´e en le conditionnant selon que le

signataire de la police est ou n’est pas enclin aux accidents.
►
X = le signataire aura un accident dans l’ann´ee qui suit l’´etablissement du contrat
►
A = le signataire est enclin aux accidents. La formule des probabilit´es
totales nous donne :
►
P(X ) = P(X |A)P(A) + P(X | A )P( A )

= 0.4 × 0.3 + 0.2 × 0.7 = 0.26

1.1.8. Théoreme de Bayes

Supposons que E se soit r´ealis´e et que nous cherchions `a d´eterminer la probabilit´e que
►

l’un des Fj se soit aussi r´ealis´e.

On d´eduit de la formule des probabilit´es totales le th´eor`eme suivant, appel´e th´eor`eme
►

de Bayes :
P ( E F J) P ( E / F J ) . P( F J ) n
P ( E/ F J ) . P(F J )
P( F J E) = = =∑
P(E) P(E) J =1 P ( E/ F ) . P(F J )

Exemple 1

On consid`ere deux urnes, l’une contient une bille noire et une blanche, et l’autre deux
noires et une blanche.
On d´esigne une urne au hasard, de laquelle on tire une bille.
►
Quelle est la probabilit´e qu’elle soit noire ?
►
Si l’on sait que la bille est blanche, quelle est la probabilit´e que ce soit la premi`ere urne
qui ait ´et´e d´esign´ee ?

Page 10
Loi des probabilities totales

►
Quelle est la probabilit´e qu’elle soit noire ?

►
N = la bille choisie est noire
►
B = la bille choisie est blanche
►
U1 = l’urne choisie est l’urne 1
►
U2 = l’urne choisie est l’urne 2
►
P(N) = P(N|U1)P(U1) + P(N|U2)P(U2) = ½ x ½ + 2/3 x1/2 = 7/12

Loi Bayes

►
Si l’on sait que la bille est blanche, quelle est la probabilit´e que ce soit la premi`ere urne
qui ait ´et´e d´esign´ee ?
►
N = la bille choisie est noire
►
B = la bille choisie est blanche
►
U1 = l’urne choisie est l’urne 1
►
U2 = l’urne choisie est l’urne 2
P (U 1 B) P ( B|U 1 ) P (U 1)
P(U1|B) = = = 12 / 20
P(B) P ( N)

Exemple 2

►
Un laboratoire d’analyse du sang assure avec une fiabilit´e de 95% la d´etection d’une
certaine maladie lorsqu’elle est effectivement pr´esente.
►
Cependant, le test indique aussi un r´esultat faussement positif pour 1% des personnes r
´eellement saines `a qui on le fait subir (une personne saine test´ee sera d´eclar´ee malade une
fois sur cent).
►
Si 0, 5% de la population porte effectivement la maladie, quelle est la probabilit´e qu’une
personne soit vraiment malade lorsqu’on la d´eclare telle sur la base du test ?
Solution

►
D = la personne soumise au test est porteuse de la maladie
►
E = le r´esultat du test est positif

La formule des probabilit´es totales nous donne :

Page 11
Ainsi 32% seulement des personnes dont le r´esultat au test est positif ont vraiment la
maladie !

Page 12