Espaces probabilisés finis

1 Expériences aléatoires
1.1 Univers
On appelle expérience aléatoire toute expérience qui dépend du hasard : le résultat ne peut donc pas
être connu a priori.

Définition
L’ensemble des résultats observables (=possibles) d’une expérience aléatoire est appelé univers.
On le note traditionnellement Ω. Les éléments de Ω se notent ω.
Lors de chaque expérience, une seule issue ω ∈ Ω est réalisée.

Exemples d’expériences aléatoires :

– On lance un dé cubique dont les faces sont numérotées de 1 à 6. Ω = {1, 2, 3, 4, 5, 6}
– On lance une pièce : les résultats observables sont pile ou face. Ω = {P, F }
– On lance trois fois un dé et on note les résultats obtenus. Le résultat peut être représenté par un
triplet (x, y, z) d’entiers compris entre 1 et 6. Ω = {(x, y, z), x, y, z ∈ [[1, 6]]} = [[1, 6]]3
– On lance une pièce jusqu’à obtenir ”pile”. Ω est alors l’ensemble des suites finies ou infinies de ”pile”
et de ”face”, donc est un ensemble infini (mais dénombrable).
– Durée de vie d’un ordinateur : Ω est alors une partie de R+ , donc un ensemble fini non dénombrable.
– ....
Dans ce chapitre, on se limitera aux cas où Ω est fini .

1.2 Evénements
Lorsqu’on effectue une expérience aléatoire, certains faits liés à cette expérience peuvent se produire
ou non : on les appelle événements.
Définition
Un événement est une partie de Ω.
Comprenons-le sur un exemple :
On lance un dé : on appelle A1 l’événement ”le numéro obtenu est pair” ; et A2 l’événement ”le numéro
obtenu est supérieur ou égal à 4”.
Les issues qui réalisent A1 sont les nombres 2,4 et 6 d’où A1 = {2, 4, 6} ∈ P(Ω) De même, A2 = {4, 5, 6}.
Réciproquement, à une partie de Ω, par exemple {1, 2, 3} on peut associer la phrase descriptive d’un
événement : ”le numéro obtenu est inférieur ou égal à 3”.
P(Ω) est donc l’ensemble des événements associés à l’expérience aléatoire représentée par Ω.

Vocabulaire :
L’évenement ∅ est appelé événement impossible : aucune observation ne le réalise.
L’événement Ω est appelé événement certain : toutes les observations le réalisent.

Opérations sur les événements

Un événement A étant une partie de Ω donc un ensemble, toutes les opérations sur les ensembles peuvent
être utilisées pour les événements : événement contraire Ā (complémentaire de A dans Ω), réunion ou
intersection d’événements.
De plus, si A et B sont deux événements tels que A ⊂ B, on dit que l’événement A implique l’événement
B : càd si A est réalisé, alors B l’est. (ω ∈ A ⇒ ω ∈ B).

Définition
Deux événements A et B sont dits incompatibles si A ∩ B = ∅.
Intuitivement, ils sont incompatibles lorsqu’ils ne peuvent pas se réaliser simultanément.

1
1
Définition
Soir (Ai )i∈I une famille d’événements. On dit que cette famille forme un système complet d’événements
(abrégé s.c.e.) de Ω si :
1. pour tout couple (i, j) d’éléments distincts de I, Ai ∩ Aj = ∅
2. ∪ Ai = Ω
i∈I

Exemples :
1. Soit A est un événement de Ω, alors (A, Ā) est un système complet d’événements.
2. On lance deux dés et on introduit les événements A ”on obtient deux nombres pairs” ; B ”on obtient
deux nombres impairs” et C ”on obtient un nombre pair et un nombre impair” ; alors (A, B, C)
forme un système complet d’événements.

1.3 Notion de probabilité

Soit e une expérience aléatoire. Tous les événements liés à e n’ont pas la même chance d’être réalisés.
Par exemple, il est intuitif que l’événement ”obtenir un nombre pair” = {2, 4, 6} dans l’expérience du
lancer de dé a beaucoup plus de chance d’être réalisé que l’événement ”obtenir 1” = {1}.
Pour préciser cette notion, répétons n fois e dans des conditions identiques.
Si l’événement A a été réalisé r fois, le nombre nr ∈ [0, 1] est appelé fréquence (d’apparition) de A au
cours des n expériences. Intuitivement, lorsque n tend vers +∞, nr admet une limite qui ne dépend que
de l’événement A : c’est cette limite (formalisée bien sûr) qui sera appelée probabilité de l’événement A.
Par exemple, si on lance un dé parfaitement équilibré, la fréquence d’apparition du 2 aura pour limite 1/6
quand n tend vers +∞.

2 Espace probabilisé fini

2.1 Définitions
Définition
Soit Ω un ensemble fini et P(Ω) l’ensemble des parties de Ω.
Le couple (Ω, P(Ω)) est appelé espace probabilisable (littéralement que l’on peut munir d’une probabilité).
Les éléments de P(Ω) sont appelés événements.

Remarque
P(Ω) vérifie plusieurs propriétés qui sont fondamentales : ces propriétés définissent ce qu’on appelle une
tribu. On reverra cette notion lorsque Ω sera infini.
1. Ω ∈ P(Ω)
2. ∀A ∈ P(Ω), A ∈ P(Ω). On dit que P(Ω) est stable par passage au complémentaire
3. ∀A1 , .., Ak ∈ P(Ω), A1 ∪ .. ∪ Ak ∈ P(Ω). P(Ω) est dit stable par réunion.

Définition
On appelle probabilité sur l’espace probabilisable (Ω, P(Ω)) toute application P de P(Ω) dans [0; 1]
P : P(Ω) → [0, 1] vérifiant :
1. P (Ω) = 1
2. pour tous A et B de P(Ω) incompatibles (i.e. A ∩ B = ∅), P (A ∪ B) = P (A) + P (B).
Le triplet (Ω, P(Ω), P ) est appelé espace probabilisé fini et ∀A ∈ P(Ω), P (A) s’appelle probabilité de A.

2
2
Proposition
Soit (Ω, P(Ω), P ) un espace probabilisé fini et soient A, B deux événements. Alors on a :
1. P (A) = 1 − P (A). En particulier, P (∅) = 1 − P (Ω) = 0
2. Si A ⊂ B alors P (A) 6 P (B)
n n
P
3. pour toute famille (Ai )1≤i≤n d’événements 2 à 2 incompatibles, on a : P ( ∪ Ai ) = P (Ai ) .
i=1 i=1
n
P
En particulier, si la famille (Ai )1≤i≤n forme un s.c.e, alors P (Ai ) = 1.
i=1
Démonstration
1. Ω = A ∪ A et A ∩ A = ∅. Donc 1 = P (Ω) = P (A) + P (A). On en déduit : P (A) = 1 − P (A).
2. Si A ⊂ B, B = A∪(Ā∩B) réunion d’événements incompatibles et P (B) = P (A)+P (Ā∩B) ≥ P (A).
3. Se montre par récurrence.

Théorème (Crible de Poincaré)

Soit (Ω, P(Ω), P ) un espace probabilisé fini et A, B, C des événements. Alors
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C)

2.2 Probabilité et résultats observables

Exemple : on lance un dé. Ω = [[1, 6]] et soit A1 =”obtenir un nombre pair”.
Alors A1 = {2} ∪ {4} ∪ {6} réunion de 3 issues (donc réunion d’événements 2 à 2 incompatibles) et
P (A1 ) = P ({2}) + P ({4}) + P ({6}) = 3 ∗ 16 .

Une probabilité P sur (Ω, P (Ω)) est entièrement déterminée par la connaissance des probabilités de
tous les résultats observables :
Proposition
Soit P une probabilité sur Ω = {ω1 , .., ωn } fini.
P
Alors pour tout k ∈ [[1, n]], P ({ωk }) ≥ 0 et pour tout événement A, P (A) = P ({ωk })
k/ωk ∈A
n
P
En particulier, avec A = Ω, on obtient 1 = P ({ωk }).
k=1

Réciproquement,
Proposition
n
P
Soit Ω = {ω1 , .., ωn }. Soit p1 , ., pn n nombres réels positifs tels que pk = 1.
k=1
Alors il existe une unique probabilité P sur (Ω, P(Ω)) telle que ∀k ∈ {1, .., n} P ({ωk }) = pk .

−→ idée de la preuve :
P
Existence : définir P par ” pour tout événement A, P (A) = pk ”. Vérifier que c’est une probabilité.
k/ωk ∈A
Unicité : vient de la propriété précédente, car si on a deux probabilités qui conviennent, elles prennent
même valeur en tout résultat observable, donc elles prennent même valeur en tout événement A, puisque
P (A) s’exprime en fonction des probabilités des résultats observables ...

Exemple : On lance un dé à 6 faces : Ω = [[1, 6]], muni de P(Ω).

1
On définit une probabilité P par p1 = p2 = p3 = 12 , p4 = 12 et p5 = p6 = 18 . Ce qui modélise un dé truqué.
On a alors P (”obtenir un nombre pair”)= 17 24 . Mais si le dé avait été équilibré, la probabilité associée aurait
été p1 = p2 = p3 = p4 = p5 = p6 = 61 . Dans ce cas, P (” obtenir un nombre pair”)= 63 = 12 .
Les conditions dans lesquelles se réalise l’expérience changent les probabilités des résultats
observables.

3
3
Equiprobabilité
Définition
– On dit que deux événements sont équiprobables si ils ont la même probabilité
– Il y a équiprobabilité (ou la situation est dite équiprobable) si tous les résultats observables sont
équiprobables.
P est alors la probabilité uniforme sur (Ω, P(Ω)).
1
Autrement dit, ∀ω ∈ Ω, P ({ω}) = où n est le nombre d’issues possibles (n = Card(Ω)).
n
Exemples
1. L’expérience du lancer de pièce équilibrée est en situation d’équiprobabilité, contrairement à l’expérience
du lancer d’une pièce truquée.
2. Si on fait un tirage au hasard d’une boule dans une urne contenant n boules indiscernables au
toucher, chaque boule a même probabilité n1 d’être choisie : cette expérience est donc en situation
d’équiprobabilité.
Théorème
Soit (Ω, P(Ω), P ) un espace probabilisé fini de cardinal n en situation d’équiprobabilité i.e. P est la pro-
babilité uniforme sur Ω. Alors
Card(A) nombre de cas favorables (où A se réalise)
∀A ∈ P(Ω), P (A) = =
Card(Ω) nombre de cas possibles

Démonstration
Sous les hypothèses de ce théorème,
P P 1 1 P 1 card(A)
∀A ∈ P(Ω) P (A) = P ({ω}) = = 1 = card(A) =
ω∈A ω∈A n n ω∈A n card(Ω)

3 Probabilités conditionnelles
3.1 Probabilité sachant
Exemple introductif : on lance un dé équilibré.
Soit A1 ”on obtient un nombre pair” et A3 ”on obtient un nombre inférieur ou égal à 5”.
Supposons que l’on sache que A1 est réalisé : le résultat du lancer est un élément ω ∈ {2, 4, 6}. Donc A3
est de plus réalisé ssi ω ∈ {2, 4} : il y a 2 cas favorables.
La probabilité de A3 sachant que A1 est réalisé que l’on notera PA1 (A3 ) est 32 .
1 ∩A3 )
Or on a P (A1 ) = 36 , et P (A1 ∩ A3 ) = 26 , donc PA1 (A3 ) = 32 = P (A
P (A1 ) .

Théorème-définition
Soit (Ω, P(Ω), P ) un espace probabilisé fini et A un événement de probabilité non-nulle. Alors l’application
P (B ∩ A)
PA définie sur P(Ω) par PA (B) = pour tout B ∈ P(Ω) est une probabilité sur (Ω, P(Ω))
P (A)
appelée probabilité conditionnelle relative à A ou probabilité sachant A.
PA (B) est encore parfois noté P (B/A).

Démonstration
Montrons que PA est une probabilité sur (Ω, P(Ω)).
• Comme P (A) 6= 0, PA est bien définie sur P(Ω).
Comme P est une probabilité, on a pour tout B ∈ P(Ω), P (A) ≥ 0 et P (A∩B) ≥ 0 donc PA (B) ≥ 0.
De plus, A ∩ B ⊂ A donc P (A ∩ B) ≤ P (A) et PA (B) ≤ 1. D’où PA : P(Ω)) → [0, 1].
P (Ω∩A) P (A)
• PA (Ω) = P (A) = P (A) = 1.
• Soit B et C deux événements tels que B ∩ C = ∅. Montrons que PA (B ∪ C) = PA (B) + PA (C).
Or PA (B ∪ C) = P ((B∪C)∩A)
P (A) = P ((B∩A)∪(C∩A))
P (A) = P (B∩A)+P
P (A)
(C∩A)
car P est une probabilité et B ∩ A
P (B∩A) P (C∩A))
et C ∩ A sont incompatibles. D’où PA (B ∪ C) = P (A) + P (A) = PA (B) + PA (C).

4
4
Remarque : la probabilité conditionnelle étant une probabilité, toutes les propriétés vraies pour une pro-
babilité, restent vraies pour une probabilité conditionnelle :
Proposition
Soit A un événement de probabilité non nulle, et B, C deux événements. Alors
1. PA (B) = 1 − PA (B)
2. Si C ⊂ B alors PA (C) ≤ PA (B)
3. Formule du crible (appliquée à PA ) : PA (C ∪ B) = PA (C) + PA (B) − PA (C ∩ B) etc.

Remarque fondamentale :
Très souvent, il est plus facile de calculer PA (B) que P (A ∩ B) donc dans ces cas, on utilise la définition
de la probabilité conditionnelle pour obtenir P (A ∩ B) : P (A ∩ B) = P (A)PA (B) .

Exemple :
Soit une urne qui contient 3 boules blanches et 7 boules noires. On effectue deux tirages sans remise, et
on introduit les événements B1 (resp. B2 ) ”le 1er (resp. 2e ) tirage donne une boule blanche”.
Supposons que B1 soit réalisé : quelle est alors la probabilité de B2 ?
B1 réalisé implique qu’au moment du second tirage, il reste dans l’urne 2 boules blanches et 7 boules noires.
Chaque boule ayant même probabilité d’être choisie, la probabilité de B2 sachant que B1 est réalisé est 29 .
3 2 1
On obtient alors que P (B1 ∩ B2 ) = P (B1 )PB1 (B2 ) = 10 9 = 15 .

−→ Représentation sur un arbre : demi-branche, branche complète ....

Attention : ne pas confondre P (A ∩ B) et PA (B).

Pour P (A ∩ B), on cherche à savoir quand A et B se réalisent (simultanément) SANS connaissance a
priori, alors que pour PA (B), on SAIT que A est réalisé, et on cherche seulement à savoir quand B se
réalise. (Le visualiser également sur un arbre : P (A ∩ B) est la probabilité d’une branche complète alors
que PA (B) est la probabilité d’une demi-branche).

3.2 Formule des probabilités composées

Soient A et B deux événements tels que P (A) 6= 0 : alors par la définition ci-dessus :

P (A ∩ B) = P (A)PA (B)

En fait, on peut généraliser cette formule :

Théorème (Formule des probabilités composées)
Soient A, B, C 3 événements tels que P (A ∩ B) 6= 0 : alors

P (A ∩ B ∩ C) = P (A) PA (B) PA∩B (C)

Soient A1 , .., An une famille d’événements telle que P (A1 ∩ A2 ∩ .. ∩ An−1 ) 6= 0. Alors on a :

P (A1 ∩ A2 ∩ .. ∩ An ) = P (A1 ) PA1 (A2 ) PA1 ∩A2 (A3 ) ... PA1 ∩A2 ∩..∩An−1 (An )
Remarque
Toutes les probabilités conditionnelles qui apparaissent dans ce théorème ont bien un sens puisque
∀j ∈ [[1, n − 1]], A1 ∩ . . . ∩ Aj ⊃ A1 ∩ . . . ∩ An−1 donc P (A1 ∩ . . . ∩ Aj ) ≥ P (A1 ∩ . . . ∩ An−1 ) > 0.

Cas typique d’application : on effectue des tirages successifs et sans remise. Alors, le deuxième tirage
dépend du résultat du premier tirage : autrement dit, pour obtenir des informations sur la deuxième boule
tirée, il faut conditionner par le résultat du premier tirage.

Exemple : retour exemple précédent

Une urne contient 3 boules blanches et 7 boules noires. On tire successivement 3 boules sans remise.
Quelle est la probabilité d’obtenir les 3 boules blanches ?

5
5
Soit A l’événement : ”on obtient 3 boules blanches”. A = B1 ∩ B2 ∩ B3 .
Donc, d’après la formule des probabilités composées, P (A) = P (B1 ∩B2 ∩B3 ) = P (B1 )PB1 (B2 )PB1 ∩B2 (B3 ).
Or P (B1 ) = 3/10 car l’urne contient 10 boules dont 3 blanches.
A l’issue du premier tirage, l’urne contient 9 boules et si la première boule tirée est blanche, il ne reste
que 2 boules blanches donc PB1 (B2 ) = 2/9.
A l’issue du 2ie tirage, l’urne contient 8 boules dont une seule blanche, si l’on sait que les deux boules
tirées étaient blanches. Donc PB1 ∩B2 (B3 ) = 1/8.
3
Finalement, P (A) = 10 × 29 × 18 = 120
1
.

3.3 Formule des probabilités totales

Exemple introductif :
Reprenons l’expérience du paragraphe précédent : quelle est alors la probabilité d’obtenir une boule noire
au 2ie tirage ?
Pour calculer cette probabilité, il faut connaı̂tre la composition de l’urne juste avant ce deuxième tirage,
c’est-à-dire la composition de l’urne à l’issue du premier tirage.
Or, le premier tirage a donné soit une boule blanche soit une boule noire :
donc en introduisant les événements Ni ”on obtient une boule noire au ie tirage” pour i ∈ [[1, 2]], on
obtient N2 = (B1 ∩ N2 ) ∪ (N1 ∩ N2 ). Comme cette union est formée de 2 événements incompatibles,
P (N2 ) = P (B1 ∩ N2 ) + P (N1 ∩ N2 ) ; puis on applique la formule des probabilités composées à chaque
terme car P (B1 ) 6= 0 et P (N1 ) 6= 0 : P (N2 ) = P (B1 )PB1 (N2 ) + P (N1 )PN1 (N2 ).
3 7 3 7 7 6 7
Or P (B1 ) = 10 , P (N1 ) = 10 , PB1 (N2 ) = 79 et PN1 (N2 ) = 96 . D’où P (N2 ) = × + × = .
10 9 10 9 10
−→ représentation via un arbre ...

Théorème (Formule des probabilités totales)

Soit A1 , .., An un système complet d’évènements tels que ∀i ∈ [[1, n]], P (Ai ) 6= 0.
Alors pour tout évènement B, on a
n
X n
X
P (B) = P (B ∩ Ak ) = P (Ak )PAk (B)
k=1 k=1

Démonstration n n
B = Ω ∩ B = ( ∪ Ai ) ∩ B = ∪ (Ai ∩ B).
i=1 i=1
n
P
Les Ai ∩ B sont deux à deux incompatibles (car les Ai le sont) donc P (B) = P (Ai ∩ B).
i=1
n
P
De plus P (Ai ∩ B) = P (Ai )PAi (B), donc P (B) = P (Ai )PAi (B).
i=1

Cas particulier : n = 2. Soit (A, Ā) un s.c.e. avec 0 < P (A) < 1.
Alors, pour tout événement B, P (B) = P (A ∩ B) + P (Ā ∩ B) = P (A)PA (B) + P (Ā)PĀ (B)

Quand utilise-t-on cette formule ?

On l’utilise dès que l’on ressent un manque d’information pour pouvoir calculer une probabilité : en effet
cette formule, permet de ”faire apparaı̂tre” de l’information (celle qui est contenue dans le système complet
d’événement). C’est d’ailleurs en analysant cette information manquante que l’on sait quel s.c.e. choisir.

3.4 Formule de Bayes

Exemple
Reprenons encore l’exemple précédent et effectuons deux tirages. Le second tirage ayant donné une boule

6
6
blanche, quelle est la probabilité que la première boule tirée ait été blanche ?
On cherche donc PB2 (B1 ). En fait, on sait calculer facilement PB1 (B2 ).
On va donc exprimer PB2 (B1 ) en fonction de PB1 (B2 ).
P (B1 ∩ B2 )
Or PB2 (B1 ) = et P (B1 ∩ B2 ) = P (B1 )PB1 (B2 ) d’où
P (B2 )
3
P (B1 )PB1 (B2 ) P (B1 )PB1 (B2 ) × 29 2
PB2 (B1 ) = = = 3 10 2 7 3 = .
P (B2 ) P (B1 )PB1 (B2 ) + P (N1 )PN1 (B2 ) 10 × 9 + 10 × 9
9
Théorème (Formule de Bayes)
P (A)
1. Soit A et B deux événements de probabilité non nulle ; alors PB (A) = PA (B)
P (B)
2. Soit A1 , .., An un système complet d’événements et B un événement, alors ∀k ∈ {1; ..; n} on a

P (Ak )PAk (B)

PB (Ak ) = n
P
P (Ai )PAi (B)
i=1
Remarques :
1. L’idée principale dans la formule de Bayes est d’échanger le conditionnement :
passer de PB (A) à PA (B). On l’utilise dès qu’on a l’impression de remonter le temps... (cf exercices).
2. On utilise la deuxième formule quand on ne connait pas P (B). Et pour obtenir cette deuxième
formule à partir de la première, il suffit d’appliquer la formule des probabilités totales à P (B).

Exemple : Test d’une maladie rare.

Un laboratoire propose un test de dépistage d’une maladie. La notice précise la qualité du test : lorsque
le test est appliqué à une personne malade, il est positif dans 99.8% des cas ; lorsqu’il est appliqué à une
personne saine, il est négatif dans 99.6% des cas.
D’autre part, on sait qu’une personne sur 100 000 est malade.
A votre avis, sachant que le test est positif, est-on presque sûr d’être malade ?

4 Indépendance en probabilité
4.1 Indépendance de 2 événements
Définition
Soit (Ω, P(Ω), P ) un espace probabilisé fini.
On dit que A et B sont indépendants pour la probabilité P si P (A ∩ B) = P (A) × P (B).
Si P (A) 6= 0, cela revient à dire que PA (B) = P (B).

Proposition
Si A et B sont indépendants pour la probabilité P alors A et B (resp. A et B, resp. A et B) le sont aussi.
Démonstration
On a A = (A ∩ B) ∪ (A ∩ B), réunion de 2 événements incompatibles donc P (A) = P (A ∩ B) + P (A ∩ B)
= P (A)P (B) + P (A ∩ B), par indépendance. D’où P (A ∩ B) = P (A) − P (A)P (B) = P (A)(1 − P (B))
= P (A)P (B). De même pour les autres.

Attention : la notion d’indépendance dépend de la probabilité !

Exemple : On dispose d’un dé équilibré, d’une pièce équilibrée et d’une pièce truquée (2 piles).
On lance le dé : si on obtient 1 on lance deux fois la pièce équilibrée et sinon, on lance deux fois la pièce
truquée. Soit A1 (resp. A2 ) ”obtenir pile au premier (resp. deuxième) lancer”, C ”le lancer du dé donne 1”.
Alors A1 et A2 sont indépendants pour la probabilité sachant C. Mais A1 et A2 ne sont pas indépendants
pour P . En effet, P (A1 ∩ A2 ) = P (C)PC (A1 ∩ A2 ) + P (C̄)PC̄ (A1 ∩ A2 ) = 61 × 14 + 56 = 2421
.
Alors que P (A1 )P (A2 ) = [ 16 × 12 + 56 ]2 = [ 11
12 ]2

7
7
4.2 Indépendance pour une famille d’événements
Définition
On dit que A1 , .., An T sont mutuellement
Q indépendants pour la probabilité P si pour tout ensemble
d’indice I ⊂ [[1, n]] P ( Ai ) = P (Ai )
i∈I i∈I
En particulier, la mutuelle indépendance implique l’égalité suivante (pour I = [[1, n]]) :
P (A1 ∩ A2 ∩ ... ∩ An ) = P (A1 ) × P (A2 ) × ... × P (An ).

Exemple :
On lance deux fois un dé cubique parfait (→ situation d’équiprobabilité). Soient les événements :
A1 : ” le premier nombre obtenu est pair” et A2 : ”le deuxième nombre obtenu est impair”.
Ces deux événements ne concernent pas le même lancer, donc sont indépendants.
Ce que l’on peut vérifier par le calcul : Ω = {1, 2, 3, 4, 5, 6}2 ; card(Ω) = 62 = 36
A1 = {2, 4, 6} × {1, 2, 3, 4, 5, 6} ; card(A1 ) = 3 × 6 = 18
A2 = {1, 2, 3, 4, 5, 6} × {1, 3, 5} ; card(A2 ) = 18
A1 ∩ A2 = {2, 4, 6} × {1, 3, 5} ; card(A1 ∩ A2 ) = 3 × 3 = 9.
9 1
Finalement P (A1 ∩ A2 ) = = = P (A1 )P (A2 ).
36 4
Si maintenant on introduit l’événement A3 :”la somme des 2 nombres obtenus est pair”.
A3 = {2, 4, 6} × {2, 4, 6} ∪ {1, 3, 5} × {1, 3, 5}.
9
On peut vérifier que P (A1 ∩ A3 ) = 36 = 14 = P (A1 )P (A3 ) ainsi que P (A2 ∩ A3 ) = 36
9
= 14 = P (A2 )P (A3 ).
Mais A1 ∩ A2 ∩ A3 = ∅ donc P (A1 ∩ A2 ∩ A3 ) = 0 6= P (A1 )P (A2 )P (A3 ).
Conclusion : les Ai , i ∈ [[1, 3]] sont deux à deux indépendants mais ne sont pas mutuellement indépendants.

Exemples classiques de mutuelle indépendance : à ne pas démontrer en pratique

On répète un certain nombre de fois la même expérience sans modification des conditions.
En particulier : * on lance plusieurs fois une pièce ou un dé : les lancers sont mutuellement indépendants
* on effectue des tirages avec remise : les tirages sont alors mutuellement indépendants
En revanche, le tirage sans remise est un exemple de non-indépendance car un tirage dépend des tirages
précédents.

Proposition
Soit A1 , .., An n événements mutuellement indépendants pour la probabilité P.
Si l’on pose ∀i ∈ [[1, n]], Bi = Ai ou Ai alors les évènements B1 , .., Bn sont mutuellement indépendants
pour la probabilité P .
De plus, si I et J sont deux ensembles d’indices disjoints, tout événement construit à partir des (Ai )i∈I
est indépendant de tout événement construit à partir des (Aj )j∈J .

Exemple : on lance 5 fois de suite la même pièce.

Soit A ”obtenir pile aux deux premiers lancers” et B ”obtenir pile aux trois derniers lancers”.
Alors A et B sont indépendants, car concernent des lancers différents. Mais en posant C ”obtenir pile au
premier et dernier lancer”, A et C ne vont plus être indépendants ... (PA (C) = 21 6= P (C) = ( 12 )2 ).

8
8