Université d’Abomey-Calavi Ecole Polytechnique

d’Abomey-Calavi

MONOGRAPHIE No 2 :
BASES AXIOMATIQUES DE LA
PROBABILITE

Par

Prof. DEGUENON Ayitchéou Judicael.

Le 4 juin 2020
Table des matières
1 EXPERIENCE ALEATOIRE 2
1.1 Ensemble fondamental d’une expérience aléatoire (Univers) . . . . . . . . . . . . . 2
1.2 Evénement d’une expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Evénements particuliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Opérations sur les événements . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Relation entre les événements . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.4 Système complet d’événements . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Bases axiomatiques de la probabilité 3

2.1 Définition de la probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Définition de la probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.1 Indépendance de deux événements . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.2 Liaison ou dépendance de deux événements . . . . . . . . . . . . . . . . . . 5
2.3 Règles de calcul de la probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.1 Probabilité uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.2 Probabilité de l’événement contraire : loi de MORGAN . . . . . . . . . . . 5
2.3.3 Formules des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.4 Probabilité de la réunion finie d’événements . . . . . . . . . . . . . . . . . 6
2.3.5 Probabilité d’une insertion finie d’événements . . . . . . . . . . . . . . . . 7
2.3.6 Probabilité conditionnelle faisant intervenir deux niveaux de hasard . . . . 7

3 ENONCES DES EXERCICES 8

3.1 Indépendance et incompabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Employés d’une entreprise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Racines de polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.4 CD-Rom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.5 QCM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.6 Dé pipé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.7 Pièces défectueuses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.8 Météorologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.9 Compagnie d’assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.10 SIDA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1
 La probabilité est une modélisation des phénomènes ou expériences aléatoires.
Elle intervient dans notre vie de tous les jours. En effet nous prenons régulièrement des décisions
sans remarquer que derrières elles se cachent des probabilités et des incertitudes. Dans certaines
situations, nous ne pouvons prédire avec certitude le résultat mais nous devons malgré tout prendre
des décisions. La théorie des probabilités nous permet aussi d’établir des plans d’expérience pour
effectuer un choix entre différents traitements possibles de l’expérience.

1 EXPERIENCE ALEATOIRE
Une expérience est une opération conduite sous des conditions contrôlées en vue de découvrir
un effet ou une loi inconnue, de tester ou d’établir une hypothèse, ou encore d’illustrer une loi
connue.
Une expérience est dite aléatoire lorsqu’elle vérifie :
• l’incertitude de prédire le résultat de ladite expérience,
• la possibilité de décrire l’ensemble de tous les résultats possibles avant son déroulement.
Exercice :Donner quelques exemples d’expériences aléatoires en justifiant les deux caractéris-
tiques.

1.1 Ensemble fondamental d’une expérience aléatoire (Univers)

L’ensemble fondamental d’une expérience aléatoire est l’ensemble de tous les résultats possibles
de l’expérience. On le dénote généralement par Ω.
L’ensemble fondamental peut être fini, infini dénombrable, ou infini non dénombrable si tous les
résultats possibles de l’expériences sont respectivement finis, infinis dénombrables, ou infinis non
dénombrables.
En revanche, si le nombre de résultats possibles d’une expérience forme un ensemble infini non
associable aux entiers naturels, il n’est plus possible de dénombrer tous les éléments de l’ensemble.
Dans un tel cas, nous sommes en présence d’un ensemble infini non dénombrable, ou d’un ensemble
infini continu.
Exercice : Donner un exemple d’expérience aléatoire dans chaque cas.

1.2 Evénement d’une expérience aléatoire

Le résultat d’une expérience, c’est à dire d’une combinaison de résultats possibles, constitue un
événement . Mathématiquement, un événement est un sous ensemble de l’ensemble fondamental.
Exercice : Donner des exemples d’événements.
Pour toute la suite de cette rubrique on considérera comme exemple, l’expérience aléatoire du jet
d’un dé cubique.

1.2.1 Evénements particuliers

Toute expérience aléatoire contient un événement certain et un événement impossible.
L’événement impossible est représenté par φ ou {}, le sous ensemble qui ne contient pas d’éléments.
Dans le cas du jet de dé, l’événement défini par A = "le nombre de points affichés est supérieur ou
égal à 8 " est un événement impossible (A = φ), tandis que l’événement B = "le nombre de points
affichés est inférieur à 8 " est un événement certain parce que coïncide avec l’univers (B = Ω).
On appelle événement simple (ou événement élémentaire), tout événement qui ne contient qu’un
seul élément. Mathématiquement, c’est un singleton. Par exemple l’événement C = "Le nombre
de points est divisible par 5" est donné par C = {5}.

2
1.2.2 Opérations sur les événements
• Négation
Soit A un événement. L’événement contraire de A noté Ā est celui qui se réalise lorsque A ne se
réalise pas. Mathématiquement il est défini comme le complémentaire de A dans Ω (CΩA ).
Exemple : Soit A = "Obtenir un nombre de points pair ", Ā = "Ne pas obtenir un nombre de
points pair ".
• Conjonction Soient B et C deux événements. La conjonction de l’événement B et de C se
réalise lorsque B et C sont réalisés simultanément. Mathématiquement il est défini comme
l’intersection de B et C.
D = "B"et"C" ⇔ D = B ∩ C
Exemple :
Soit B = "Obtenir un chiffre inférieur à 6", C = "Obtenir un chiffre impair ",D = "Obtenir un
chiffre impair et inférieur à 6 ". D est la conjonction de B et de C.
• Disjonction
Soient E et F deux événements. La disjonction de l’événement E et de l’événement F se réalise
lorsque soit E, soit F ou soit les deux événements se réalisent simultanément. Mathématiquement
il est défini comme la de E et F.

G = ”E”ou”F ” ⇔ G = E ∪ F

Exemple :
Soit E = "Obtenir un chiffre inférieur à 3", F = "Obtenir un chiffre multiple de 3", G = "Obtenir
un chiffre inférieur à 3 ou multiple de 3 ". G est la disjonction de E et de F.

1.2.3 Relation entre les événements

• Icompabilité
Deux événements sont incompatibles lorsque leur conjonction est impossible. Mathématiquement
leur intersection est vide.
• Implication
L’événement A implique l’événement B signifie que si A se réalise, alors B se réalise aussi. Dans
ce cas Mathématiquement l’ensemble représentant l’événement A est contenu dans l’ensemble
représentant l’événement B (A ⊂ B).

1.2.4 Système complet d’événements

Un système {Ai }1≤i≤n d’événements non impossibles (Ai 6= φ, ∀i ∈ [1, n]) forment partition
d’un ensemble E si et seulement si :
a) Les événements (Ai )1≤i≤n sont deux à deux incompatibles c’est à dire mutuellement exclusifs
(deux à deux disjoints en langage mathématique : Ai ∩ Aj = φ, ∀i 6= j, 1 ≤ i, j ≤ n)
b) Les événements (Ai )1≤i≤n sont exhaustifs pour E c’est à dire ∪ni=1 Ai = E.
Le système est dit complet pour une expérience aléatoire s’il constitue une partition de l’ensemble
fondamental associé.

2 Bases axiomatiques de la probabilité

Considérons une expérience aléatoire dont l’ensemble fondamental contient n éléments . On
suppose Ω = {x1 , x2 , ..., xn }.

3
2.1 Définition de la probabilité
La probabilité p est une fonction qui à tout événement simple d’une expérience aléatoire associe
un nombre compris entre 0 et 1,
p : Ω → [0, 1]
xi 7→ p(xi ),
et vérifiant la somme des probabilités des événements élémentaires est égal à 1 :
n
X
p(xi ) = p(x1 ) + p(x2 ) + ... + p(xn ) = 1
i=1

2.2 Définition de la probabilité conditionnelle

Quand les événements sont liés entre eux, l’information concernant un des événements peut
modifier la probabilité des autres des autres événements. On parle donc de probabilités condition-
nelles.
Soit A et B deux événements non impossibles d’une expérience aléatoire. On désigne par P(B \ A)
la "probabilité de B sachant que l’événement A s’est réalisé",ou "probabilité de B conditionnée
par l’événement A",ou "probabilité de B parmi A" et définie par :
p(B ∩ A)
p(B \ A) = (1)
P (A)
Exercice pratique : Un couple a décidé d’avoir des enfants jusqu’à ce qu’il ait une fille. Mais en
aucun cas il ne désire plus de 5 enfants. Sachant que le premier enfant n’a pas été une fille, quelle
est la probabilité que ce couple ait finalement 5 enfants ?
Indication : Suivre les étapes suivantes pour résoudre l’exercice.
i) Décrire l’expérience aléatoire.
ii) Donner l’ensemble fondamental.
iii) Calculer la probabilité des événements simples.
iv) Identifier le type de probabilité demandé et définir le(s) événement(s) impliqué(s).
v) Calculer la probabilité demandée.

2.2.1 Indépendance de deux événements

En langage courant, quand deux événements ne sont pas liés entre eux, on dit qu’ils sont
indépendants. En théorie des probabilités, on utilise le mot "indépendant" plus ou moins dans le
même sens mais avec une définition très précise.
On dira qu’un événement B est indépendant d’un événement A si la probabilité de B conditionnée
par A est égale à la probabilité de B. Autrement dit, l’information supplémentaire apportée par
A n’a pas modifié la probabilité de B :
p(B ∩ A)
p(B \ A) = = p(B) (2)
p(A)
ie
p(A ∩ B) = p(A).p(B) (3)
Remarque 2.1 On peut vérifier que l’ordre des événements dans les formules précédentes est
indifférent puisque nous pouvons avoir également l’expression suivante de la probabilité condi-
tionnelle :
p(A ∩ B) = p(B).p(A \ B)

4
et dont l’indépendance des événements A et B peut s’écrire encore p(A \ B) = p(A).
Exemple :
Considérons l’expérience aléatoire du lancement d’un dé. Analyser la liaison entre les événements
A = "Obtenir un chiffre inférieur à 5 " et B = "Obtenir un chiffre pair "

2.2.2 Liaison ou dépendance de deux événements

Si par contre l’information supplémentaire apportée par A n’a pas modifié la probabilité de
B:
p(B \ A) 6= p(B) (4)
ie
p(A ∩ B) 6= p(A).p(B), (5)
On dira que les événements A et B sont dépendants (ou liés).

2.3 Règles de calcul de la probabilité

On se place ici dans le cas où l’ensemble fondamental de l’expérience aléatoire est fini.
Soit E un événement. On cherche à calculer la probabilité p(E).

2.3.1 Probabilité uniforme

Si tous les événements simples ont une probabilité constante, alors on parle de probabilité
uniforme. Dans ce cas
card(E)
p(E) = ,
card(Ω)
card(E) et card(Ω) sont obtenus en recourant au dénombrement et à l’analyse combinatoire. Cela
suppose donc dès le départ qu’il faut maîtriser l’expérience aléatoire et modéliser mathématique-
ment les cas favorables à l’événement désiré et l’univers des cas possibles en vue d’en déterminer
leurs cardinaux.

Exemple : Considérons une urne contenant 5 boules rouges numérotées de 1 à 5 et 7 boules

noires numérotées de 1 à 7. L’expérience aléatoire consiste à tirer deux boules dans cette urne.
Calculer la probabilité d’obtenir 2 boules rouges dans les cas suivants :
i) Tirage simultané
ii) Tirage successif sans remise
iii) Tirage successif avec remise.

2.3.2 Probabilité de l’événement contraire : loi de MORGAN

p(Ē) = 1 − p(E)

2.3.3 Formules des probabilités totales

Soit {Ai }1≤i≤n un système complet d’événements décrivant un premier niveau de hasard et soit
E un événement lié à une situation qui fait intervenir deux niveaux de hasard (le premier étant
celui décrit par le système complet). La probabilité de l’événement A lié au deuxième niveau de

5
hasard ne connaissant pas le résultat du premier niveau est donné par la formule suivante dite de
probabilité totale :[1]
n
X
p(E) = p(E ∩ A1 ) + p(E ∩ A2 ) + ... + p(E ∩ An )
i=1

ou
n
X
p(E) = p(E \ Ai ).p(Ai ) = p(E \ A1 ).p(A1 ) + p(E \ A2 ).p(A2 ) + ... + p(E \ An ).p(An )
i=1

Remarque 2.2 Soient E et A deux événements quelconques non impossibles. {A, Ā} forment un
système complet d’événements. La formule de probabilités totales devient dans ce cas :

p(E) = p(E ∩ A) + p(E ∩ Ā)

ou
p(E) = p(E \ A).p(A) + p(E \ Ā).p(Ā)
Exemple : Considérons l’expérience suivante. On lance une pièce parfaitement équilibrée. Si l’on
obtient face alors on tire une boule dans l’urne U contenant deux boules noires et 1 boule blanche
et si l’on obtient pile alors on tire une boule dans l’urne V contenant 3 boules noires et 2 boules
blanches. On réalise cette expérience et l’on demande de calculer la probabilité d’obtenir une boule
blanche.

2.3.4 Probabilité de la réunion finie d’événements

On suppose que
E = ∪ni=1 Ai
= A1 ∪ A2 ∪ ... ∪ An
On cherche à calculer p(E).
• Cas d’utilisation de la formule du Crible ou POINCARE
La formule du Crible est utilisée s’il n’y a pas d’hypothèse supplémentaire sur les événements
A1 , A2 , ..., An . Elle s’écrit de façon théorique sous forme :

p(E) = + [p(A1 ) + p(A2 ) + ... + p(An )]

− [p(A1 ∩ A2 ) + p(A1 ∩ A3 ) + ... + p(An−1 ∩ An )]
+ [p(A1 ∩ A2 ∩ A3 ) + p(A1 ∩ A2 ∩ A4 ) + ... + p(An−2 ∩ An−1 ∩ An )]
− ...
+ (−1)n+1 [p(A1 ∩ A2 ∩ ... ∩ An )].

• Cas où les événements sont mutuellement exclusifs

C’est le cas le plus simple où les événements A1 , A2 , ..., An sont deux à deux incompatibles. On a
alors Pn
p(E) = i=1 p(Ai )
= p(A1 ) + p(A2 ) + ... + p(An )
. Cette formule est extrêmement intéressante lorsque l’on cherche à calculer la probabilité d’un
événement que l’on peut décomposer comme réunion finie d’événements deux à deux incompatibles
pour lesquels la probabilité est simple à déterminer.

6
2.3.5 Probabilité d’une insertion finie d’événements
On suppose que
E = ∩ni=1 Ai
= A1 ∩ A2 ∩ ... ∩ An
. On est toujours intéressé au calcul de p(E).
• Cas d’utilisation de la formule de probabilités composées
Lorsque les événements A1 , A2 , ..., An sont quelconques, on applique la formule suivante dite de
probabilités composées :

p(E) = p(A1 ) ∗ p(A2 \ A1 ) ∗ p(A3 \ A1 ∩ A2 ) ∗ ... ∗ p(An \ A1 ∩ A2 ∩ ... ∩ An−1 )

• Cas où les événements sont mutuellement exclusifs

Si les événements A1 , A2 , ..., An sont supposés mutuellement indépendants alors on a l’égalité
suivante :
p(E) = p(A1 ) ∗ p(A2 ) ∗ ... ∗ p(An )

2.3.6 Probabilité conditionnelle faisant intervenir deux niveaux de hasard

• Formule de BAYES
La formule de BAYES dérive de la définition de la probabilité conditionnelle. Soient B et E deux
événements non impossibles d’une expérience aléatoire. On a :

p(E \ B).p(B)
p(B \ E) = (6)
p(E)

• Théorème de BAYES
Si la situation étudiée précédemment fait intervenir deux niveaux de hasard, plus précisément, si
l’événement B de la formule (6) est lié à un premier niveau de hasard et si l’événement E est lié
au second niveau de hasard on peut essayer d’appliquer la formule de BAYES. Pour cela on doit
disposer d’un système complet d’événements A1 , A2 , ..., An et le théorème de BAYES est obtenu
en remplaçant p(E) par la formule de probabilités totales et B par Ai0 , avec i0 fixé, i0 ∈ [|1, n|].

p(E \ Ai0 ).p(Ai0 )

p(Ai0 \ E) = Pn (7)
k=1 p(E \ Ak ).p(Ak )

Remarque 2.3 Soient A et E deux événements non impossibles d’une expérience aléatoire. On a
{A, Ā} qui forme un système complet d’événements et le théorème de BAYES s’écrit dans ce cas :

p(E \ A).p(A)
p(A \ E) = (8)
p(E \ A).p(A) + p(E \ Ā).p(Ā)
et
p(E \ Ā).p(Ā)
p(Ā \ E) = (9)
p(E \ A).p(A) + p(E \ Ā).p(Ā)
Exemple : Considérons l’expérience suivante. On lance une pièce parfaitement équilibrée. Si l’on
obtient face alors on tire une boule dans l’urne U contenant deux boules noires et 1 boule blanche
et si l’on obtient pile alors on tire une boule dans l’urne V contenant 3 boules noires et 2 boules
blanches. On sait que l’on a tiré une boule noire et l’on demande de calculer la probabilité que ce
soit à cause de l’obtention d’un face.

7
3 ENONCES DES EXERCICES
3.1 Indépendance et incompabilité
A quelles conditions deux événements indépendants peuvent ils être incompatibles ?

3.2 Employés d’une entreprise

Les employés d’une entreprise sont répartis de la manière suivante :
i.) Quelle est la probabilité qu’un ouvrier pris au hasard soit de sexe féminin ?
ii.) Faire le même calcul pour un superviseur et un cadre.

Ouvriers Superviseurs Cadres

Femmes 220 14 2
Hommes 220 36 8

iii.) Pour régler les affaires syndicales, une commission est composée d’un ouvrier, d’un supervi-
seur et d’un cadre. Calculer la probabilité que la commission ne comprenne aucune femme.
iv.) Quelle est la probabilité que la majorité de la commission soit composée de femmes.

3.3 Racines de polynômes

On jette 3 fois un dé à 6 faces, et on note a,b et c les résultats successifs obtenus. On note
Q(x) = ax2 + bx + c.Déterminer la probabilité pour que :
i.) Q ait deux racines réelles distinctes.
ii.) Q ait une racine réelle double.
iii.) Q n’ait pas de racines réelles.

3.4 CD-Rom
Le gérant d’un magasin d’informatique a reçu un lot de boîtes de CD-ROM. 5% des boîtes
sont abîmées. Le gérant estime que :
• 60% des boîtes abimées contiennent au moins un CD-ROM défectueux.
• 98% des boîtes non abîmées ne contiennent aucun CD-ROM défectueux. Un client achète
une boîte du lot. On désigne par A l’événement : "la boîte est abîmée" et par D l’événement
"la boîte achetée contient au moins une disquette défectueuse".
1. Donner les probabilités p(A), p(Ā), p(D \ A), p(D \ Ā), p(D̄ \ A), p(D̄ \ Ā)).
2. Le client constate qu’un des CD-ROM acheté est défectueux. Quelle est la probabilité pour
qu’il ait acheté une boîte abîmée.

3.5 QCM
Un questionnaire à choix multiples propose m réponses pour chaque question. Soit p la proba-
bilité qu’un étudiant connaisse la bonne réponse à une question donnée. S’il ignore la réponse, il
choisit au hasard l’une des réponses proposées. Quelle est pour le correcteur la probabilité qu’un
étudiant connaisse vraiment la bonne réponse lorsqu’il l’a donnée ?

8
3.6 Dé pipé
Un lot de 100 dés contient 25 dés pipés tels que la probabilité d’apparition d’un six soit de
1/2. On choisit un dé au hasard, on le jette, et on obtient un 6. Quelle est la probabilité que le dé
soit pipé ?

3.7 Pièces défectueuses

Une usine fabrique des pièces, avec une proportion de 0,05 de pièces défectueuses. Le contrôle
des fabrications est tel que :
• si la pièce est bonne, elle est acceptée avec la probabilité 0,96.
• si la pièce est mauvaise, elle est refusée avec la probabilité 0,98. On choisit une pièce au
hasard et on la contrôle. Quelle est la probabilité
1. qu’il y ait une erreur de contrôle ?
2. qu’une pièce acceptée soit mauvaise ?

3.8 Météorologie
D’après des calculs météorologiques, il a été démontré que dans une région montagneuse de
Suisse, la probabilité de précipitation pour un jour pluvieux du mois de novembre est de 30%. La
probabilité est double (60%) si le jour précédent a été aussi pluvieux.
a) Calculer la probabilité de deux jours pluvieux consécutifs au mois de novembre dans cette
région.
b) Sachant qu’il n’a pas pluie le 6 novembre, quelle est la probabilité qu’il pleuvra le 7 no-
vembre ?

3.9 Compagnie d’assurance

Une compagnie d’assurance répartit ses clients en trois classes R1,R2,R3 : les bons risques, les
risques moyens, et les mauvais risques. Les effectifs de ces trois classes représentent 20% de la po-
pulation totale pour la classe R1, 50% pour la classe R2, et 30% pour la classe R3. Les statistiques
indiquent que les probabilités d’avoir un accident au cours de l’année pour une personne de l’une
de ses trois classes sont respectivement de 0.05, 0.15, et 0.30.
a. Quelle est la probabilité qu’une personne choisie au hasard dans la population ait un accident
dans l’année ?
b. Si M. Martin n’a pas eu d’accident cette année, quelle est la probabilité qu’il soit un bon
risque ?

3.10 SIDA
La prévalence du SIDA dans une population est de 10%. On sait qu’un test diagnostique est
positif chez 95% des HIV+ et qu’il est négatif chez 98% des [Link] est la probabilité d’être
HIV+ si le test est positif ?

Références
[1] Dodge YADOLAH. Premiers pas en statistique. Sep 1999.