Chapitre

0 Table des matières

1 Espaces probabilisés finis 3

1.1 Expérience aléatoire-univers et événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Expérience aléatoire et univers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Un système complet d’événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Espace probabilisé fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Notion de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Probabilité uniforme (Hypothèse d’équiprobabilité ) . . . . . . . . . . . . . . . . . . . . 5
1.3 Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Formule des probabilités composées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4 Événement indépendants - Événement mutuellement indépendants . . . . . . . . . . . 11

1
 TABLE DES MATIÈRES

2 gmail : azemrijamal@[Link]
 Chapitre
1 Espaces probabilisés finis

1 Expérience aléatoire-univers et événements

1.1.1 Expérience aléatoire et univers

Définition 1

˛ Une expérience aléatoire est une situation concrète dont le résultats ne peut être prévu de manière certaine.
˛ L’ensemble des résultats possibles d’une expérience aléatoire est appelé l’univers et on le note Ω.

Exemples

1. Le lancer d’un dé est une expérience aléatoire et Ω = t1, 2, 3, 4, 5, 6u

2. Le lancer de deux pièces de monnaies est une expérience aléatoire et Ω = tPP, PF, FP, FFu

1.1.2 Événements
Définition 2 ( Événement)

˛ Un événement d’une expérience aléatoire est une partie A de Ω .

˛ L’ensemble des événements d’une expérience aléatoire est P (Ω).
˛ Le couple (Ω, P (Ω)) est appelé un espace probabilisable.
˛ Si Ω est fini on dit que (Ω, P (Ω)) est un espace probabilisable fini.

Événements particuliers :

Soit (Ω, P (Ω)) un espace probabilisable fi[Link] :

(a). H P P (Ω), et on l’appelle l’événement impossible .
(b). Ω P P (Ω) et on l’appelle l’événement certain
(c). Si A P P (Ω) un événement alors Ac P P (Ω) et un événement et on l’appelle l’événement contraire de
l’événement A.
(d). Tout singleton txu où x P Ω est un événement appelé événement élémentaire.
(e). Deux événements A et B de P (Ω) sont dits incompatibles si A X B = H.

1.1.3 Un système complet d’événements

Définition 3
Soit (Ω, P (Ω)) un espace probabilisable fini.

3
 C HAPITRE 1 : Espaces probabilisés finis

On appelle système complet d’événements de (Ω, P (Ω)) toute $ suite finie ( Ak )(1ĺkĺn d’événements de) P (Ω) deux à
& @(i, j) P J1, nK, i ‰ j ñ Ai X A j = H
deux incompatibles et dont la réunion est égale à Ω c’est à dire n
% et Ω = Ẏ Ak
k =1

Exemples

1. Si Ω = t1, 2, 3, 4, 5, 6u , alors tA, B, Cu est un système complet d’événements de (Ω, P (Ω)) où A = t1, 2u ,
B = t3, 6u et C = t4, 5u .
2. Si A P P (Ω) alors A, A est un système complet d’événements de (Ω, P (Ω)).
␣ (

3. Si Ω = tw1 , w2 , ..., wn u alors ttw1 u , tw2 u , ..., twn uu est un système complet d’événements de (Ω, P (Ω)).

2 Espace probabilisé fini

1.2.1 Notion de probabilité

Définition 4
Soit (Ω, P (Ω)) un espace probabilisable fini.
§ Une probabilité sur (Ω, P (Ω)) est une application p : P (Ω) ÝÑ [0, 1] vérifiant :
(i). p(Ω) = 1
(ii). Pour tous événements A et B incompatibles ,p( A Y B) = p( A) + p( B)(l’additivité)
§ Si p est une probabilité sur un espace probabilisable fini (Ω, P (Ω)) , le triplet (Ω, P (Ω), p) est dit un espace
probabilisé fini.
Propriétés
Soit (Ω, P (Ω), p) un espace probabilisé fini alors on a :
¬. p(H) = 0
n n
­. Pour tous A1 , A2 , ..., An P P (Ω) deux à deux incompatibles on a p( Ẏ Ai ) =
ÿ
p ( Ai )
i =1
i =1
®. Pour tous A, B deux événements quelconques de P (Ω) on a p( A Y B) = p( A) + p( B) ´ p( A X B)
¯. Pour tout A P P (Ω) on a p( A) = 1 ´ p( A)
°. Pour tous A, B deux événements quelconques de P (Ω) on a : A Ď B ñ p( A) ď p( B) et p( BzA) = p( B) ´ p( A).
Preuve

¬. p(H) = p(H Y H) = p(H) + p(H) et puisque p(H) P R alors p(H) = 0

­. Par récurrence sur n
®. A Y B = AẎ( BzA ñ p( A Y B) = p( A) + p( BzA) , et B = ( A X B)ẎBzA) ñ p( B) = p( A X B) + ( BzA)
ùñ p( A Y B) = p( A) + p( B) ´ p( A X B)
¯. P( AẎA) = P(Ω) = 1 ùñ p( A) + p( A) = 1 ùñ p( A) = 1 ´ p( A)
°. Soient A, B P T tel que A Ď B alors B = AẎ( BzA) donc p( B) = p( A) + p( BzA) .Puisque p( BzA) ě 0 alors
p( A) ď p( B)
Remarque
Si Ω = tw1 , w2 , ..., wn u , alors une probabilité p sur (Ω, P (Ω)) est parfaitement déterminée par une liste ( p1 , ..., pn ) de
ÿn
nombres réels positifs tel que pi = 1
i =1

4 gmail : azemrijamal@[Link]
1.2 Espace probabilisé fini

Preuve
n
ÿ n
ÿ
ñ / On prend pour tout i P J1, nK, pi = p(twi u) et on a pi = P(twi u) = p(Ω) = 1
i =1 i =1

p : (Ω, P (Ω)) ÝÑ [0, 1]

ð / Montrons que l’application ÿ est l’unique probabilité vérifiant :
A ÝÑ p( A) = pi
wi PA

@k P J1, nK, p(twk u) = pk

n n
pi = 1 et @A P P (Ω), p( A) P [0, 1] car 0 ĺ
ÿ ÿ ÿ ÿ ÿ
(i). On a p(Ω) = pi = pi ĺ pi = pi = 1.
wi PΩ i =1 wi PA wi PΩ i =1
ÿ
(ii). @k P J1, nK, p(twk u) = pi = p k
wi Ptwk u
(iii). Soient A1 et A2 deux événements incompatibles de P (Ω),alors :

ÿ
p ( A1 Y A2 ) = p ( wi )
wi PA1 YA2
ÿ ÿ
= p ( wi ) + p ( wi ) car A1 X A2 = H
wi PA1 wi PA2
= p ( A1 ) + p ( A2 )

1.2.2 Probabilité uniforme (Hypothèse d’équiprobabilité )

Théorème 1
Soient Ω = tw1 , w2 , ¨ ¨ ¨ , wn u un ensemble fini non vide , et E une expérience (dite aussi épreuve) aléatoire d’univers Ω.
§ Si aucun des événements élémentaires n’a pas de privilège sur les autres , c’est à dire tous les événements élé-
cardA
mentaires sont équiprobables, alors @A P P (Ω), p( A) =
cardΩ
§ Dans ce cas on dit qu’on a une probabilité uniforme .

Preuve

1
‚ D’abord on a @k P J1, nK, p(twk u) = p(tw1 u) = car :
n
n
ÿ
1 = p(Ω) = p(twk u)
k =1
ÿ n
= p(tw1 u)
k =1
= np(tw1 u)

1 ÿ 1 cardA
‚ Soit A P P (Ω) alors A =
ď ÿ
twk u alors p( A) = p(twk u) = 1 = cardA d’où p( A) = .
n n cardΩ
wk PA wk PA wk PA

5 gmail : azemrijamal@[Link]
 C HAPITRE 1 : Espaces probabilisés finis

Remarques

¶. Si Ω est infini ,on ne peut pas appliquer la probabilité uniforme

·. On applique cette probabilité uniforme , par exemples :
(i). Si on jette une pièce de monnaie honnête n fois
(ii). Si on jette un dé équilibré (non pipé, non truqué) n fois
(iii). Si on tire au hasard n boules indiscernables au toucher (n est fini)

Exemples

1. Si on lance deux dés discernables et parfaitement honnêtes. Quelle est la probabilité qu’au moins l’un des dés
amène un nombre pair ?
Solution :
Les deux dés sont parfaitement honnêtes et Ω = J1, 6K2 est fini , alors on peut appliquer la probabilité uniforme.
Notons l’événement A = "l’un des dés amène un nombre pair " ñ A = t1, 3, 5u ˆ t1, 3, 5u. Alors

P( A) = 1 ´ P( A)
cardA
=1´
cardΩ
9
=1´
36
3
ñ P( A) =
4

2. Si on permute au hasard n tomes d’une encyclopédie .Quelle est la probabilité que les tomes 1 et 2 se trouvent côte
à côte dans cet ordre ?
Solution :
Ω est fini car cardΩ = n! , et la permutation des tomes se fait au hasard donc on peut appliquer la probabilité
uniforme .
n´1
ď˙
Posons A :"les tomes 1 et 2 sont côte a côte dans cet ordre" alors A = Ai où les
i =1
n´1
ÿ
Ai :"les tome 1 occupe la iième et le tome 2 occupe la (i + 1)ième ´ place" donc p( A) = p ( A i ).
i =1
Calculons p( Ai ) :Pour l’événement Ai les tomes 1 et 2 étant placés dans la iième et la (i + 1)ième ´ place, il reste à
disposer les (n ´ 2) autres tomes dans les n ´ 2 places qui restent disponible ,ce qui se fait par (n ´ 2)! façons alors
n´1
cardAi n ´ 2) ! 1 ÿ 1 1
cardAi = (n ´ 2)! donc p( Ai ) = = = d’où p( A) = puis p( A) =
cardΩ n! n ( n ´ 1) n ( n ´ 1) n
i =1

Module de l’urne :
Soit U une urne contenant des boules numérotés et de k couleurs diffé[Link] suppose que la taille de l’urne
est N et pour tout i P J1, kK , Ni est le nombre des boules de couleur i alors la portion des boules de couleur i
N
est pi = i . L’expérience aléatoire est la suivante :
N
on tire au hasard n boules de U pour obtenir ce qu’on appelle un échantillon de taille n . Soit l’événement :
n1 ^ n2 ^ ... ^ nk : "obtenir n p boules de couleur p pour tout p P J1, kK" et calculons p(n1 ^ n2 ^ ... ^ nk )

6 gmail : azemrijamal@[Link]
1.2 Espace probabilisé fini

I-Tirage avec remise(ou Tirage de Bernoulli) :

Deux échantillons favorables peuvent différer par l’ordre d’apparition des couleurs ,ou,s’ils corres-
pondent au même ordre d’apparition , ils peuvent différer par les numéros des boules obtenues . On
peut répartir l’événement de telle façon que chaque classe corresponde au même ordre d’apparition
de couleurs.
˚ Calculons
( ) le nombre des classes de cette partition :
n
façons de placer les boules de couleur 1
( n1 )
n ´ n1
façons de placer les boules de couleur 2
n2
..
( . řk´1 )
n ´ i =1 n i
façons de placer les boules de couleur k
nk ( ) ( ) ( )
n n ´ n1 n ´ ik´1 n!
ř
=1 n i
Alors il y’a . ¨¨¨ = classes
n1 n2 nk n1 !n2 ! ¨ ¨ ¨ nk !
˚ Calculons le cardinal d’une classe :
n
Les places des couleurs étant choisies , on place les numéros par N1n1 ¨ ¨ ¨ Nk k façons alors :
n
n! n1 nk n! N1n1 ¨ ¨ ¨ Nk k
card (n1 ^ ¨ ¨ ¨ ^ nk ) = N ¨ ¨ ¨ Nk donc p (n1 ^ ¨ ¨ ¨ ^ nk ) =
n1 ! ¨ ¨ ¨ n k ! 1 n1 ! ¨ ¨ ¨ n k ! Nn
n! n
Or n = n1 + ¨ ¨ ¨ + nk ùñ p (n1 ^ ¨ ¨ ¨ ^ nk ) = p1n1 ¨ ¨ ¨ pk k
n1 ! ¨ ¨ ¨ n k !
Remarque
Si k = 2 , on retrouve la loi binomiale si par exemple le succès est l’obtention de la boule de couleur 1 .Alors la
n!
probabilité d’obtenir k succès est de pk pn´k = Cnk p1k (1 ´ p1 )n´k
k!(n ´ k )! 1 2
I-Tirage sans remise :
( ) ( )
N1 Nk
AnN11 ¨ ¨ ¨ A Nk
n ¨¨¨
n! n1 nk
P ( n1 ^ ¨ ¨ ¨ ^ n k ) = k
= ( )
n1 ! ¨ ¨ ¨ n k ! AnN N
n
III-Tirage simultané :
( ) ( )
N1 Nk
¨¨¨
n1 nk
P ( n1 ^ ¨ ¨ ¨ ^ n k ) = ( )
N
n
Exemple
N = 9, N1 = 4, N2 = 3, N3 = 2 et n = 4, k = 3
( )1 ( )2 ( )1
4! 4 3 2
˛ Si le tirage est Bernoullien alors p(1 ^ 2 ^ 1) = ˆ ˆ
1!2!1!
( )( 9 )( ) 9 9
4 3 2
1 2 1 4
˛ Si le tirage est sans remise alors : p(1 ^ 2 ^ 1) = ( ) =
9 21
4
Remarques

¶. Du point de vue de la probabilité , les tirages sans remise et simultané sont équivalents. On dit alors qu’on a un
tirage exhaustif qui dépend de la taille de l’urne

7 gmail : azemrijamal@[Link]
 C HAPITRE 1 : Espaces probabilisés finis

·. Le tirage de Bernoulli s’appelle aussi le tirage non exhaustif qui ne dépend pas de la taille de l’urne .Il dépend
uniquement des proportions des couleurs

3 Probabilités conditionnelles

La notion des probabilités conditionnelles s’introduit en particulier à chaque fois que pendant le déroule-
ment d’une expérience aléatoire , une information partielle " de dernière minute " est fournie à l’expérimen-
tateur .

Exemple
Considérons le jet de deux dés [Link] A : " la somme des points obtenus est au moins égale à 10" , B : " le
premier dé amène 3" et C : "le premier dé amène 6".
Card( A) 6 1
On a p( A) = = = car A = t(4, 6); (6, 4); (5, 5); (5, 6); (6, 5); (6, 6)u
Card(Ω) 36 6
‚ Supposons que l’expérimentateur est au courant que le 1er dé a amené le numéro 3 , alors l’événement A est
devenu irréalisable , alors la réalisation de A sachant que B est réalisé est impossible et on dit que la probabilité
de A sachant B est nulle , et on écrit p ( A/B) = 0 ou p B ( A) = 0.
3 1
‚ Supposons que C est réalisé , alors le 2ième dé a trois chance sur six pour que A soit réalisé , alors pC ( A) = = .
6 2
p( A X B) p( A X C )
Remarquons que p ( A/B) = et p ( A/C ) =
p( B) p(C )

Généralisation :
Soit (Ω, P (Ω), p) un espace probabilisé fini et B un événement de probabilité non nulle .

p B : P (Ω) ÝÑ [0, 1]
On appelle probabilité conditionnelle sachant B, l’application :
p( A X B)
A ÞÝÑ p B ( A) =
p( B)

Proposition 1
p B est une probabilité sur (Ω, P (Ω))

Preuve

(i).

A X B Ă B ñ p( A X B) ď p( B)
p( A X B)
ñ p B ( A) = P [0, 1]
p( B)

Donc p B est bien définie .

p(Ω X B) p( B)
(ii). p B (Ω) = = =1
p( B) p( B)

8 gmail : azemrijamal@[Link]
1.3 Probabilités conditionnelles

(iii). Soit A1 et A2 deux événements incompatibles de P (Ω) alors :

p (( A1 ẎA2 ) X B)
p B ( A1 ẎA2 ) =
p( B)
p (( A1 X B) Ẏ ( A2 X B))
=
p( B)
p ( A1 X B ) + p ( A2 X B )
=
p( B)
p ( A1 X B ) p ( A2 X B )
= +
p( B) p( B)

= p B ( A1 ) + p B ( A2 )
Par suite p B est une probabilité sur (Ω, P (Ω))

1.3.1 Formule des probabilités composées

Définition 5

(a). Dans la relation définissant la probabilité conditionnelle on a p( A X B) = p ( A/B) ˆ p( B).Cette égalité s’ap-
pelle la formule des probabilités composées
(b). Si p( A) ‰ 0 et p( B) ‰ 0 alors p( A X B) = p ( A/B) ˆ p( B) = p ( B/A) ˆ p( A)
Exemple
Soient U1 et U2 deux urnes contenant chacune initialement 2 boules noires et 3 boules blanches .
On tire une boule de U1 et on note sa couleur et on la remet dans U2 et on tire ensuite une boule de U2 . Quelle est la
probabilité d’obtenir deux fois la boule noire ?
Solution :
Pour i P J1, 2K soit Ni : "Obtenir une boule noire au iième tirage ".Il s’agit de calculer p ( N1 X N2 ).
p ( N1 X N2 ) = p( N1 ).p ( N2 /N1 )
2 3
= .
5 6
1
=
5
Généralisation de la formule des probabilités composées :
Soient A1 , . . . , An (n ě 2) des événements de P (Ω) tels que p( A1 X . . . X An´1 ) ą 0. alors :
p( A1 X . . . X An ) = p( A1 ).p ( A2 /A1 ) .p ( A3 /( A1 X A2 )) . . . p ( An /( A1 X . . . X An´1 ))
Exemple
Soit une urne contenant 4 boules blanches et 3 boules noires . On tire une à une et sans remise 3 boules de l’urne .
Quelle est la probabilité que les deux premières boules tirées soient blanches et la troisième est noire ?
Notons pour i P J1, 3K , Bi : " La boule obtenue au iième tirage est blanche " et Ni : " La boule obtenue au iième tirage est
noire ". Il s’agit alors de calculer p ( B1 X B2 X N3 )
on a p ( B1 X B2 X N3 ) = p ( B1 ) .p ( B2 /B1 ) .p ( N3 /B1 X B2 )
4 3 3
= ˆ ˆ
7 6 5
6
=
35

9 gmail : azemrijamal@[Link]
 C HAPITRE 1 : Espaces probabilisés finis

1.3.2 Formule des probabilités totales

Théorème 2
Soient (Ω, P (Ω), p) un espace probabilisé fini et ( Ak )1ĺkĺn un système complet d’événements de probabilités toutes
non nulles . Alors pour tout B P P (Ω) on a :
n
ÿ
p( B) = p( Ai ).p ( B/Ai )
i =1

Preuve
n n n
ÿ n
ÿ
On a Ω = Ẏ Ai alors B = Ω X B = Ẏ ( Ai X B) donc p( B) = p ( Ai X B ) ñ p ( B ) = p( Ai ).p( B/Ai )
i =1 i =1
i =1 i =1

Remarque
␣ (
Nous utilisons cette formule très souvent dans le cas où le système complet se réduit à deux éléments A, A et dans ce
( ) ( )
cas : p( B) = p( A).p ( B/A) + p A .p B/A

Exemple
Un individu est choisi au hasard dans une population possédant la proportion p P]0, 1[ de tricheurs . On fait tirer une
carte d’un jeu de 52 cartes à cet individu et on admet que si cet individu est un tricheur, il est sur de retourner un as .
Quelle est la probabilité pour que cet individu retourne un as
Solution :
Soient
␣ ( A : " l’individu retourne un as" et T : " l’individu est un tricheur "
T, T est un système complet d’événements , d’après la formule des probabilités totales On a :

P( A) = P( T ) PT ( A) + P( T ).PT ( A)
4
= p ˆ 1 + (1 ´ p ) ˆ
52
48p 4
= +
52 52
12p + 1
=
13

1.3.3 Formule de Bayes

Théorème 3
Soient (Ω, P (Ω), p) un espace probabilisé fini et ( Ak )1ĺkĺn un système complet d’événements de probabilités toutes
non nulles , alors pour tout B P P (Ω) tel que p( B) ‰ 0 et pour tout i0 P J1, nK, on a :
( )
( ) p( Ai0 ).p B/Ai0
p Ai0 /B = řn
i =1 p ( Ai ) p ( B/Ai )

Preuve ( ) ( )
( ) P A i0 X B ( ) P( Ai0 ).p B/Ai0
p Ai0 /B = ñ p Ai0 /B =
p( B) p( B)
ÿn
Or d’après la formule des probabilités totales p( B) = p( Ai ) p ( B/Ai ) , donc :
i =1
( )
( )p( Ai0 ).p B/Ai0
p Ai0 /B = řn
i =1 p ( Ai ) p ( B/Ai )

10 gmail : azemrijamal@[Link]
1.3 Probabilités conditionnelles

Exemple
Une maladie est présente dans une population dont la proportion est d’un malade sur [Link] laboratoire pharmaceu-
tique vante son nouveau test de dépistage .
˚ Si une personne est malade le test est positif à 95%
˚ Si une personne n’est pas malade le test est positif à 0, 1%
Sachant que le test est positif , calculer la probabilité que la personne est malade

Solution : ␣ (
Soient M : " la personne est malade" et T : " le test est positif" . M, M est un système complet d’événements
, alors d’après la formule de Bayes :
p( M ).p ( T/M)
p ( M/T ) = ( )
p( M) p ( T/M) + p( M ).p T/M
1 95
ˆ
= 10000 100
1 95 9999 0, 1
ˆ + ˆ
10000 100 10000 100
95
=
95 + 999, 9
95
=
1094, 9

1.3.4 Événement indépendants - Événement mutuellement indépendants

Définition 6
Soient (Ω, P (Ω), p) un espace probabilisé fini et A et B deux événements de P (Ω) de probabilités toutes non nulles. A
et B sont dits indépendants si la réalisation de B ne modifie en rien la réalisation de A ,autrement dit p ( A/B) = p( A)

Définition 7 Cas général

Deux éléments A et B sont dits indépendants dans un espace probabilisé (Ω, P (Ω), p) si p ( A X B) = p( A).p( B)

Remarque
Si A et B sont deux événements incompatibles tel que p( A) ‰ 0 et p( B) ‰ 0 alors A et B ne sont pas indépendants

Preuve
On a A X B = H ñ p( A X B) = 0 , cependant p( A).p( B) ‰ 0

Proposition 2
Si A et B sont deux événements indépendants dans un espace probabilisé (Ω, P (Ω), p) alors :
(i). A et B sont indépendants
(ii). A et B sont indépendants
(iii). A et B sont indépendants

Preuve

(i).

On a p( A).p( B) = (1 ´ p( A)).p( B)
= p( B) ´ p( A).p( B)
= p( B) ´ p (XB)
( ) ( ) ( )
Or B = ( A X B) Ẏ A X B ñ p( A).p( B) = p ( A X B) + p A X B ´ p ( A X B) D’où p( A).p( B) = p A X B

11 gmail : azemrijamal@[Link]
 C HAPITRE 1 : Espaces probabilisés finis

Définition 8
Soit ( Ak )1ďkďn une suite finie d’événements de P (Ω). On dit que cette suite est formée par des événements mutuelle-
ment indépendants dans (Ω, P (Ω), p) , si pour tout p P J1, nK, pour tout i1 ă i2 ă ¨ ¨ ¨ ă i p de J1, nK on a :
( p ) p
č ź
p Aik = p ( Aik )
k =1 k =1

Remarque
Si les événements Ak avec 1 ď k ď n sont mutuellement indépendants alors ils sont indépendants . mais la réciproque
n’est pas toujours vraie

Exemple Contre -exemple

On lance deux dés parfaits .Soit :
A1 : "le premier dé amène un nombre pair"
A2 : "le deuxième dé amène un nombre pair"
A3 : " la somme des numéros obtenus est un nombre pair "
3ˆ6 1 6ˆ3 1 (3 ˆ 3) + (3 ˆ 3) 1
On a p( A1 ) = = , p ( A2 ) = = , p ( A3 ) = = donc
36 2 36 2 36 2
3ˆ3 1 3ˆ3 1
p ( A1 X A2 ) = = = p ( A1 ) ˆ p ( A2 ) , p ( A1 X A3 ) = = = p ( A1 ) ˆ p ( A3 ) , p ( A2 X A3 ) =
36 4 36 4
3ˆ3 1 1 1
= = p( A2 ) ˆ p( A3 ) Cependant p ( A1 X A2 X A3 ) = p( A1 X A2 ) = ‰ = p( A1 ).p( A2 ).p( A3 )
36 4 4 8
Arbre des probabilités :

Exemple
Soit U une urne contenant 4 boules blanches et 3 boules noires. On tire une à une trois boules de U en remettant la
boule dans l’urne si elle est noire . Notons Bi :"la iième boule tirée est blanche " et Ni : "la iième boule tirée est noire "
1. Construire l’arbre correspondante à cette expérience aléatoire
2. Calculer la probabilité de l’événement A : " Obtenir 2 boules blanches exactement"

12 gmail : azemrijamal@[Link]