Cours de StatsProba2

Gino Kpogbezan

Chapitre 1

Probabilités
Dans le monde économique, les notions de risque et de probabilité sont om-
niprésentes. La statistique, d’une manière globale, peut être définie comme
la branche des mathématiques consacrée à la modélisation du risque. Mais la
notion du risque est associée à celle de probabilité. Alors, qu’est-ce que la prob-
abilité? Avant de définir de manière rigoureuse la notion de probabilité, nous
avons d’abord besoin de quelques définitions.

Pré-requis: Connaître les principales notions d’analyse combinatoire.

Ce support de cours est inspiré du livre Statistique et Probabilités en économie-
gestion de Christophe Hurlin et Valérie Mignon

1 Definitions
1.1 Expérience aléatoire et univers des possibles
Definition 1: Une expérience aléatoire est une expérience dont on ne peut
pas prévoir le résultat de facon certaine. On ne s’interesse qu’aux expériences
aléatoires dont on peut indiquer l’ensemble des résultats possibles Ω.
Exemple 1: «Lancer un dé et noter le résultat obtenu» est une expérience
aléatoire comportant 6 résultats ou issues. L’ensemble Ω de toutes les issues est
dans cet exemple: Ω = {1, 2, 3, 4, 5, 6}.
Definition 2: L’univers des possibles (ou univers), noté Ω (prononcer grand
omega), est défini par l’ensemble de tous les résultats possibles qui peuvent être
obtenus au cours d’une expérience aléatoire.
On distingue les univers comprenant un nombre fini de résultats de ceux com-
prenant un nombre infini de résultats. Parmi les univers infinis, on distingue les
univers infinis non dénombrables des univers infinis dénombrables. Par exemple,
l’univers Ω = {ω1 , · · · , ωn , · · · } = {ωi , i ∈ N} est un univers infini dénombrable
puisque l’on peut identifier chacun des éléments de Ω, même s’il en existe une
infinité. En revanche, Ω = R ou Ω =] − ∞, a], a ∈ R sont des exemples d’univers
infinis non dénombrables. Dans le cas d’un univers fini ou infini dénombrable,
la taille de l’univers est appelée cardinalité et est représentée par l’opérateur
card (Ω). Dans l’exemple 1, card (Ω) = 6.

1
1.2 Événements
Definition 3: Un événement A est un sous-ensemble de l’univers des pos-
sibles Ω, vérifiant A ⊂ Ω. Un événement constitué d’un seul élément est un
événement élémentaire (ou singleton).
Exemple 2: On considère une expérience aléatoire correspondant au lancer
d’un dé à 6 faces, telle que Ω = {1, 2, 3, 4, 5, 6}. L’événement «nombre pair »,
noté A, correspond au sous-ensemble de l’univers Ω défini par A = {2, 4, 6}.
L’événement «nombre impair », noté B, correspond au sous-ensemble B =
{1, 3, 5}. L’événement C = {1} est un événement élémentaire.
L’univers des possibles Ω est appelé un événement certain et un événement
impossible est un événement qui ne se réalise jamais. Il correspond à l’ensemble
vide, noté φ.
Remarque : Il est important de noter que l’événement impossible est un en-
semble vide, mais qu’un ensemble vide reste un ensemble. Par convention, cet
ensemble fait toujours partie de l’univers des possibles, i,e. φ ⊂ Ω.
Definition 4: Soient deux événements A et B. La réalisation de l’événement
C, défini par C = A∪B (lire A union B), implique la réalisation de l’événement
A ou de l’événement B, ou des deux événements A et B simultanément.
Definition 5: Soient deux événements A et B. La réalisation de l’événement
D, défini par C = A ∩ B (lire A inter B), implique la réalisation de l’événement
A et de l’événement B.
Definition 6: Deux événements A et B sont disjoints s’ils n’ont pas d’élément
en commun, i,e. A ∩ B = φ. Ces deux événements sont donc incompatibles: la
réalisation simultanée de ces événements est impossible.
Definition 7: Deux événements A et Ā appartenant à un ensemble B sont
complémentaires si leur union correspond à B i,e. A ∪ Ā = B.
Dans l’exemple 2 (lancer d’un dé à 6 faces) A ∪ B = Ω et A ∩ B = φ. Les
événements A et B sont donc à la fois complémentaires et disjoints.
Definition 8: L’ensemble des parties, noté P(Ω), correspond à l’ensemble de
tous les événements réalisables à partir des événements élémentaires de l’univers
Ω. Par convention Ω ∈ P(Ω) et φ ∈ P(Ω).
Exemple 3: Soit Ω = {1, 2, 3}.
P(Ω) = {φ, Ω, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}}
Remarque : Pour un univers des possibles Ω de dimension finie, de cardinalité
card (Ω) = n, la cardinalité de l’ensemble des parties P(Ω) est égale à:
card(P(Ω)) = 2n .

1.3 Tribu d’ événements et espace probabilisable

Une tribu ou σ-algèbre (prononcer sigma-algèbre) sur un univers fini ou infini
est un ensemble d’événements de cet univers vérifiant deux principales pro-
priétés: la stabilité par passage au complémentaire et la stabilité par réunion
dénombrable.
Definition 9: Une tribu ou σ-algèbre sur un univers Ω est un ensemble
d’événements ou de parties, notée F, vérifiant:

2
 1. F ⊆ P(Ω), Ω ∈ F et φ ∈ F
2. L’ensemble F est stable par passage au complémentaire: pour tout
événement A de F, l’événement complémentaire Ā appartient à l’ensemble
F.
∀A ∈ F on a Ā ∈ F

3. L’ensemble F est stable par réunion dénombrable: pour toute suite

d’événements (An )n∈N appartenant à F, l’union de ces événements appar-
tient à l’ensemble F.
[
∀(An )n∈N ∈ F on a An ∈ F
n∈N

Par convention, on note les tribus par des lettres avec une police de caractère
dite caligraphique, comme par exemple A, B, F, etc.
Exemple 4: F = {φ, Ω} est la plus petite tribu sur Ω et est appelée tribu
triviale. F = P(Ω) est la grande tribu sur Ω. Soit Ω = {1, 2, 3}, alors F =
{φ, Ω, {1}, {2, 3}} est une tribu sur Ω.
Definition 10: Un univers probabilisable est un couple (Ω, F) où F est une
tribu sur l’univers Ω.

2 Probabilités
Definition 11: Soit (Ω, F) un univers probabilisable fini ou infini dénombrable.
Une probabilité (ou mesure de probabilité) est une application P: F → [0, 1],
telle que:
1. P(Ω) = 1
2. Pour toute suite d’événements disjoints (An )n∈N de F on a (propriété de
σ-additivité): !
[ X
P An = P(An )
n∈N n∈N

Exemple 5: On considère l’expérience aléatoire qui consiste à lancer un dé à

trois faces parfaitement équilibrées avec Ω = {1, 2, 3}. L’ensemble des parties
P(Ω) est:
P(Ω) = {φ, Ω, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}}
Le couplet (Ω, P(Ω)) est univers probabilisable, on peut donc lui associer une
mesure de probabilité P: P(Ω) → [0, 1], telle que pour tout événement A de P(Ω)
il existe une probabilité P(A) ∈ [0, 1]. Puisque le dé est parfaitement équilibré,
les événements élémentaires {1}, {2} et {3} sont équiprobables et leur probabilité
est égale à 1/3. On en déduit les probabilités pour tous les événements de P(Ω).
La mesure de probabilité nous permet de définir un univers probabilisé (ou
espace probabilisé)
Definition 12: Un univers probabilisé est un triplet (Ω, F, P) où F est une
tribu sur l’univers Ω et P(.) est une mesure de probabilité.

3
Propriété: mesure de probabilité
Soit un univers probabilisé (Ω, F, P), alors quels que soient les événements
A et B de F ⊆ P(Ω), la mesure de probabilité P vérifie:

1. P(Ω) = 1
2. P(φ) = 0
3. P(Ā) = 1 − P(A)

4. P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

5. Si A ⊂ B, alors P(A) ≤ P(B).

Definition 13: Soit (An )n∈N une suite d’événements. On dit que cette suite
est croissante si ∀n ∈ N, An ⊂ An+1 et décroissante si ∀n ∈ N, An+1 ⊂ An .
Pour une suite croissante, on a:
!
[
P An = lim P(An )
n→∞
n∈N

Pour une suite décroissante, si P(A1 ) < ∞, on a:

!
\
P An = lim P(An ).
n→∞
n∈N

2.1 Fréquence d’événement

Il existe une autre facon de caractériser une probabilité associée à un événement
en utilisant la fréquence d’apparition de cet événement.
Definition 14: On considère une expérience aléatoire répétée s fois dans des
conditions strictement identiques. La fréquence d’apparition de l’événement
A ∈ P(Ω) est définie par:

Nombre de fois où A se réalise

Fs (A) =
s
Exemple 6: On considère l’expérience aléatoire qui consiste à lancer un dé à
trois faces parfaitement équilibrées avec Ω = {1, 2, 3}, pour lequel on s’intéresse
à l’événement «obtenir un 1 ». On suppose que l’on peut répéter le lancer 100
fois exactement dans les mêmes conditions. Si l’on obtient un 1 dans 37 tirages,
la fréquence de l’événement {1} sera alors égale à F100 ({1}) = 37%.
Propriété: convergence de la fréquence
Lorsqu’il est possible de réaliser l’expérience aléatoire une infinité de fois
dans les mêmes conditions, la fréquence d’apparition de tout événement
A ∈ P(Ω) converge vers sa probabilité.

lim Fs (A) = P(A)

s→∞

4
3 Probabilité conditionnelle
3.1 Définitions
Definition 15: Soit un univers probabilisé (Ω, F, P) et soient A et B deux
événements appartenant à la tribu F sur Ω, tels que P(B) > 0. La probabilité
conditionnelle de l’événement A sachant B est définie par:

P(A ∩ B)
P(A|B) =
P(B)

Remarque: On note aussi parfois la probabilité conditionnelle de A sachant B

sous la forme PB (A).
Exemple 7: On considère un patient qui peut suivre au choix deux traitements,
notés A et B. La probabilité qu’il suive le traitement A est égale à 75%. On
sait par ailleurs que la probabilité de succès du traitement A est égale à 80%,
tandis que celle du traitement B est égale à 90%. On admet que la probabilité
que ce patient soit guéri, évenement noté G, est égale à 82, 5%. Déterminons la
probabilité que le patient ait suivi le traitement A sachant qu’il est guéri.
D’après la définition de la probabilité conditionnelle, on a:

P(A ∩ G) P(G|A) × P(A) 0, 8 × 0, 75

P(A|G) = = = = 0.7273
P(G) P(G) 0, 825

La probabilité conditionnelle étant une probabilité, elle vérifie la définition de

la Section 2.
La définition de la probabilité conditionnelle implique que, pour deux éven-
ements de probabilité non nulle A et B, on peut déterminer la probabilité de
l’intersection A ∩ B, dite probabilité jointe, de deux facons.
Definition 16: Soit un univers probabilisé (Ω, F, P) et soient A et B deux
événements appartenant à la tribu F, tels que P(A) > 0 et P(B) > 0. La
probabilité jointe associée à l’événement A ∩ B est définie par:

P(A ∩ B) = P(A|B) × P(B) = P(B|A) × P(A)

Cette définition peut se généraliser à plus de deux événements par la formule

de l’intersection ou la formule des probabilités composées.
Propriété: Formule de l’intersection
Soit un ensemble d’événements (A1 , · · · , An ) ∈ F n tels que P(A1 , · · · , An ) > 0,
alors la probabilité jointe associée à l’événement (A1 , · · · , An ) est définie par:

P(A1 ∩· · ·∩An ) = P(A1 )×P(A2 |A1 )×P(A3 |A1 ∩A2 )×· · ·×P(An |A1 ∩· · ·∩An−1 )

Cette formule des probabilités composées est particulièrement utile pour cal-
culer des probabilités d’intersections, notamment dans le cas d’une succession
d’expériences aléatoires.
Exemple 8: On dispose d’une urne contenant n − 1 boules noires et 1 boule
rouge. On tire au hasard les boules une à une sans remise (il s’agit ici d’une suc-
cession d’expériences) et l’on cherche à calculer la probabilité que l’on obtienne
la boule rouge à l’issue du ieme tirage avec 1 ≤ i ≤ n. On définit Ai comme

5
l’événement «ieme tirage est un échec »et Bi comme l’événement «ieme tirage
est un succès ». Nous cherchons donc à calculer P(A1 ∩ A2 ∩ · · · ∩ Ai−1 ∩ Bi ):
Par application de la formule de l’intersection, on obient:

P(A1 ∩ A2 ∩ · · · ∩ Ai−1 ∩ Bi ) =P(A1 ) × P(A2 |A1 ) × P(A3 |A1 ∩ A2 ) × · · ·

· · · × P(Ai−1 |A1 ∩ · · · ∩ Ai−2 )×
P(Bi |A1 ∩ · · · ∩ Ai−1 )

Au premier tirage, il y a n boules dans l’urne et la probabilité d’un échec est

égale à :
n−1
P(A1 ) =
n
Au deuxième tirage, puisqu’il ne reste que n − 1 boules au total, la probabilité
conditionnelle d’un nouvel échec est égale à :
n−2
P(A2 |A1 ) =
n−1
Ainsi au tirage i − 1, il reste n − i + 2 boules dans l’urne et la probabilité
conditionnelle d’un échec est égale à :
n−i+1
P(Ai−1 |A1 ∩ · · · ∩ Ai−2 ) =
n−i+2
Enfin, au ieme tirage, il ne reste que n − i + 1 boules dans l’urne. La probabilité
conditionnelle d’obtenir la boule rouge sachant que l’on a échoué jusque-là est
égale à :
1
P(Bi |A1 ∩ · · · ∩ Ai−1 ) =
n−i+1
Par conséquent, la probabilité de réussite au ieme tirage est égale à 1/n.

n−1 n−2 n−i+1 1 1

P(Bi ) = × × ··· × × =
n n−1 n−i+2 n−i+1 n

3.2 Système complet et théorème de Bayes

Definition 17: Soit (Ai )i∈I une suite finie ou infinie dénombrable d’événements
appartenant à la tribu F. On dit que les événements Ai forment un système
complet si les trois conditions suivantes sont satisfaites:
1. Les événements Ai et Aj sont disjoints, ∀i 6= j.
S
2. i∈I Ai = Ω.
3. P(Ai ) > 0, ∀i ∈ I.
Dans le cadre d’un système complet d’événements, on peut établir deux résultats
fondamentaux qui sont très utilisés dans la pratique:

• la formule des probabilités totales;

• le théorème de Bayes (ou formule de probabilité des causes).

6
Propriété: Formule des probabilités totales
Soit (Ai )i∈I un système complet d’événements et soit B ∈ F, alors:
X
P(B) = P(B|Ai ) × P(Ai )
i∈I

Ce résultat découle de la définition du système complet. En effet, on peut

toujours écrire la probabilité P(B) comme P(B ∩Ω). Ainsi, d’après les propriétés
d’un système complet, il vient:

!! !
[ [
P(B) = P(B ∩ Ω) = P B ∩ Ai =P (B ∩ Ai )
i∈I i∈I
X X
= P(B ∩ Ai ) = P(B|Ai ) × P(Ai )
i∈I i∈I

Exemple 9: Une voiture est produite dans quatre usines, notées Ui pour i =
1, · · · , 4. On note pi = P(Ui ) la probabilité que la voiture provienne de l’usine
Ui , avec p1 = 0, 2, p2 = 0, 3, p3 = 0, 4 et p4 = 0, 1. Pour chacune de ces usines,
la probabilité que la voiture soit défectueuse est notée di , avec d1 = 0, 05,
d2 = 0, 01, d3 = 0, 01 et d4 = 0, 02. Bien évidemment, ces probabilités doivent
être comprises comme des probabilités conditionnelles de défaut sachant que
la voiture est produite dans l’entreprise i et peuvent se noter sous la forme
di = P(D|Ui ) où D représente l’événement «défaut ».
Calculons la probabilité qu’une voiture soit défectueuse. D’après la formule des
probabilités totales, on a :
4
X
P(D) = P(D|Ui ) × P(Ui )
i=1

Ainsi, on montre qu’il y a 1, 9% de chances que la voiture soit défectueuse :

P(D) = 0, 2 × 0, 05 + 0, 3 × 0, 01 + 0, 4 × 0, 01 + 0, 1 × 0, 02 = 0, 019

Théorème: Théorème de Bayes

Soit (Ai )i∈I un système complet d’événements et soit B ∈ F, tel que P(B) >
0, alors ∀i ∈ I:

P(B|Ai ) × P(Ai )
P(Ai |B) = P
j∈I P(B|Aj ) × P(Aj )

Le théorème de Bayes se déduit immédiatement de la formule de la probabilité

totale, puisque:

P(Ai ∩ B) P(B|Ai ) × P(Ai )

P(Ai |B) = =P
P(B) j∈I P(B|Aj ) × P(Aj )

Le théorème de Bayes est le fondement de la statistique et de l’économétrie

Bayesienne, dans laquelle la probabilité P(Ai |B) est appélée une probabilité a
posteriori et P(Ai ) est une probabilité a priori. La probabilité a posteriori sert

7
notamment à mettre à jour (ou actualiser) les estimations d’une probabilité ou
les connaissances sur un paramètre quelconque au moyen des observations.
Exemple 10: Une voiture est produite dans quatre usines, notées Ui pour
i = 1, · · · , 4. On note pi = P(Ui ) la probabilité que la voiture provienne de
l’usine Ui , avec p1 = 0, 2, p2 = 0, 3, p3 = 0, 4 et p4 = 0, 1. Pour chacune de ces
usines, la probabilité que la voiture soit défectueuse est notée di , avec d1 = 0, 05,
d2 = 0, 01, d3 = 0, 01 et d4 = 0, 02. Considérons une voiture défectueuse prise
au hasard et calculons la probabilité qu’elle provienne de la ième usine.
D’après le théorème de Bayes, on a:
P(D|Ui ) × P(Ui ) P(D|Ui ) × P(Ui )
P(Ui |D) = P4 =
j=1 P(D|U j ) × P(Uj ) P(D)

D’après le résultat de l’exemple précédent, nous savons que

4
X
P(D) = P(D|Uj ) × P(Uj ) = 0, 019
j=1

Par conséquent, on obtient:

0, 05 × 0, 2 0, 01 × 0, 3
P(U1 |D) = = 0, 5263 P(U2 |D) = = 0, 1579
0, 019 0, 019
0, 01 × 0, 4 0, 02 × 0, 1
P(U3 |D) = = 0, 2105 P(U4 |D) = = 0, 1053
0, 019 0, 019
Puisque le système d’événements est complet, la somme de ces probabilités
conditionnelles, par construction, est égale à 1. En conclusion, une voiture
défectueuse prise au hasard a la plus forte de chance de provenir de l’usine 1.

4 Indépendance
Intuitivement, deux événements A et B sont indépendants lorsque la connais-
sance de l’un n’apporte aucune information quant à la probabilité de survenue
de l’autre, i.e. lorsque P(A|B) = P(A) et que P(B|A) = P(B). Ce résultat
implique P(A ∩ B) = P(A) × P(B).
Definition 18: Soit un univers probabilisé (Ω, F, P) et deux événements (A, B) ∈
F 2 . Les événements A et B sont indépendants si:

P(A ∩ B) = P(A) × P(B)

Notons que la définition de l’indépendance est relative à une mesure de prob-

abilité P donnée. Les événements A et B peuvent être indépendants pour une
certaine mesure de probabilité et ne pas l’être pour une autre. Par ailleurs,
deux événements peuvent être indépendants dans une expérience aléatoire, et
non indépendants dans une autre.
Exemple 11: On considère une famille qui a 2 enfants. Soient les événements
A: «deux enfants de sexe différent »et B : «il y a au plus une fille ». Les
événements A et B ne sont pas indépendants. En effet, l’univers des possibles
est défini par:
Ω = {{G, G}, {G, F }, {F, G}, {F, F }}

8
où G désigne un garcon et F une fille. Si ces quatre événements élémentaires
sont équiprobables, alors:
1 1 1
P(A) = P({F, G} ∪ {G, F }) = + =
4 4 2
1 1 1 3
P(B) = P({F, G} ∪ {G, F } ∪ {G, G}) = + + =
4 4 4 4
1 1 1
P(A ∩ B) = P({F, G} ∪ {G, F }) = + =
4 4 2
Par conséquent, les événements A et B ne sont pas indépendants puisque:
1 3
P(A ∩ B) = 6= P(A) × P(B) =
2 8
Plus généralement, on peut définir l’indépendance mutuelle de n événements de
la facon suivante.
Definition 19: Soit un univers probabilisé (Ω, F, P) et n événements (A1 , · · · , An ) ∈
F n . Les événements A1 , · · · , An sont dits mutuellement indépendants si:
n
! n
\ Y
P Ai = P(Ai )
i=1 i=1

Si les A1 , · · · , An sont mutuellement indépendants, tout événement Ai est in-

dépendant des événements Aj pour j 6= i et de toute union ou intersection de
ces événements.

5 Exercices
Exercice 1
Lors d’une loterie, 50 billets sont vendus. Seulement 2 billets sont gagnants. Si
l’on achète 4 billets, quelle est la probabilité de gagner au moins un lot?

Exercice 2
Un fumeur décide d’arrêter. On suppose que si cette personne n’a pas fumé le
jour n, alors la probabilité qu’elle fume le jour suivant est égale à 0, 1. Mais si
cette personne fume le jour n, sa probabilité de fumer le jour suivant est égale
à 0, 8.
1. Exprimer la probabilité que cette personne fume le jour n + 1 en fonction
de la probabilité qu’elle fume le jour n.
2. Déterminer la limite de cette probabilité avec n. Est-ce que cette personne
va s’arrêter de fumer?

Exercice 3
Suppose that A and B are independent events.Show that Ac and B c are inde-
pendent events.

9
Exercice 4
The event A∩B c that A occurs but not B is sometimes denoted as A\B. Here \
is the set-theoretic minus sign. Show that P (A\B) = P (A) − P (B) if B implies
A, i.e., if B ⊂ A.

Exercice 5
Une urne contient N = 100 boules dont NB = 75 boules blanches et NR = 25
boules rouges. On fait n = 50 tirages avec remise dans l’urne.

1. Soit l’événement Ek «on tire k boules rouges »avec 0 ≤ k ≤ n. De facon

générale, montrez que la probabilité P(Ek ) est égale à :
  k  n−k
n NR NR
P(Ek ) = 1−
k N N

2. Montrez que la probabilité de tirer k = 10 boules rouges est égale à 9, 85%.

Exercice 6
Une entreprise recoit un lot de pièces détachées qui peut comporter un certain
nombre de pièces défectueuses. En présence de pièces défectueuses, le lot est
dit défectueux et il est rejeté. On admet que la probabilité qu’une pièce soit
défectueuse est égale à 5%. Afin de décider si l’on doit ou non accepter un
lot, l’entreprise met en place une procédure de détection. Les résultats de cette
procédure montrent que si le lot est défectueux, le test conduit au rejet du lot
avec une probabilité de 98%. Lorsque le lot est effectivement non défectueux,
le test conduit (à tort) au rejet du lot avec une probabilité de 4%.

1. Quelle est la probabilité qu’un lot soit effectivement défectueux si le test

conduit au rejet du lot?
2. Quelle est la probabilité qu’un lot soit valide si le test conduit au rejet du
lot?

3. Quelle est la probabilité qu’un lot soit défectueux si le test ne conduit pas
au rejet du lot?
4. Quelle est la probabilité qu’un lot soit valide si le test ne conduit pas au
rejet du lot?

Exercice 7
Dans une classe, on distingue deux types d’étudiants suivant leur filière d’origine.
Les étudiants ayant suivi la filière A ont une probabilité de 30% d’obtenir une
mention bien à leur examen, tandis que ceux issus de la filière B ont une proba-
bilité de 20%. La probabilité qu’un étudiant pris au hasard soit issu de la filière
A est égale à 70%. Quelle est la probabilité qu’un étudiant ayant obtenu une
mention bien soit issu de la formation A?

10