Succession D Epreuves Independantes Schema de Bernoulli - Fiche de Cours

Succession d’épreuves indépendantes, lois de Bernoulli et
binomiale
Les images ne sont pas encore disponibles pour ce cours.
Celles présentes sont juste des « brouillons »

afin de permettre une meilleure compréhension du cours,
jusqu’à ce que les définitives soient prêtes.
Nos graphistes font tout leur possible pour les réaliser au plus vite.
Introduction :
En classe de première, nous avons vu la notion de variable aléatoire

réelle, ainsi que la loi d’une variable aléatoire réelle. Dans ce cours, nous
allons voir deux nouvelles lois de probabilité, à savoir la loi de Bernoulli et
la loi binomiale.
La loi binomiale est utilisée dans divers domaines d’étude : on s’en sert
pour modéliser des situations simples de succès ou d’échec, un jeu de
pile ou face, par exemple. Elle est également utilisée dans des tests
statistiques qui permettent d’interpréter des données et de prendre des
décisions dans des situations dépendant du hasard.
Dans la première partie de ce cours, nous rappellerons quelques notions

vues en classe de première, notamment la formule des probabilités
totales, la notion d’indépendance et le conditionnement. Ensuite, nous
verrons comment définir, à partir d’une épreuve de Bernoulli, la loi
de Bernoulli et la loi binomiale.
SchoolMouv.fr SchoolMouv : Cours en ligne pour le collège et le lycée 1 sur

24
 Dans tout le chapitre, Ω désigne l’univers associé à une expérience aléatoire et
p une probabilité sur Ω.
1 Succession d’épreuves indépendantes
Dans cette partie, nous rappellerons quelques notions de première sur les
probabilités.
a. Formule des probabilités totales
Intuitivement, il s’agit de considérer toutes les issues d’une expérience

aléatoire et d’en faire des groupes de telle sorte qu’aucun groupe ne
contienne une même issue.
 Nous parlons alors de partition de l’univers.
Définition
Partition de l’univers :
Soit A1 , A2 , … , An n événements de Ω, avec n un entier naturel

supérieur ou égal à 2.
On dit que ces événements forment une partition de l’univers Ω (ou un
système complet d’événements) si les 3 conditions suivantes sont
vérifiées :
1 aucun des A i n’est de probabilité nulle pour i allant de 1 à n ;

2 les A i sont 2 à 2 disjoints : A i ∩ A j = ∅ pour i =

 j , avec i et j compris entre

1 et n ;
3 la réunion des A i est égale à l’univers Ω :

A1 ∪ A2 ∪ … ∪ An = Ω

Pour mieux nous représenter cette notion, illustrons la partition de Ω pour

n = 6.

24
Exemple
1 Dans une urne contenant des boules jaunes, noires et rouges, on tire une
boule.
Soit A1 : « La boule tirée est jaune », A2 : « La boule tirée est noire », et

A3 : « La boule tirée est rouge ».

 Alors A 1 , A 2 et A 3 forment une partition de l’univers.

2 Un événement A et son contraire Aˉ, de probabilités non nulles, forment

toujours une partition de l’univers Ω.
Nous pouvons maintenant rappeler la formule des probabilités totales.
Théorème
Soit A1 , A2 , … , An une partition de l’univers Ω et B un événement

quelconque de Ω.
Alors la probabilité de B est donnée par la formule :
p(B) = p(A1 ∩ B) + p(A2 ∩ B) + ⋯ + p(An ∩ B)

Démonstration

24
Comme les événements A1 , A2 , … , An forment une partition de

l’univers Ω, alors ils sont 2 à 2 incompatibles. Donc les événements A1 ∩
B, A2 ∩ B, … , An ∩ B sont également deux à deux incompatibles et

leur réunion est :
(A1 ∩ B) ∪ (A2 ∩ B) ∪ … ∪ (An ∩ B) = B

 Nous avons donc bien :
p(B) = p(A1 ∩ B) + p(A2 ∩ B) + … + p(An ∩ B)

b. Probabilités conditionnelles
Nous allons, à présent, rappeler la notion de conditionnement et de

probabilité conditionnelle.
Définition
Probabilité conditionnelle :
Soit A et B deux événements de l’univers Ω. Supposons non nulle la

probabilité de A.
On appelle probabilité conditionnelle de B sachant A le nombre, noté
pA (B), défini par :

p(A ∩ B)
pA (B) =

p(A)

24
Nous pouvons faire quelques remarques :
pA (B) est la probabilité que l’événement B se réalise sachant que l’événement

A s’est réalisé ;
= pB (A) ;
pA (B) 
une probabilité conditionnelle a les mêmes propriétés qu’une probabilité ;
on déduit de la définition que :
p(A ∩ B) = pA (B) × p(A) [avec p(A) 

= 0]
À retenir
Comme on a : p(A ∩ B) = pA (B) × p(A) , alors la formule des

probabilités totales peut aussi s’écrire sous la forme :
p(B) = pA 1 (B) × p(A1 ) + pA 2 (B) × p(A2 ) + ⋯ + pA n (B) × p(An )

Voyons maintenant ce que devient cette formule lorsque l’événement A

ne dépend pas de l’événement B , c’est-à-dire qu’il n’y a pas de
conditionnement.
c. Indépendance de deux événements
Intuitivement, l’on comprend que deux événements sont indépendants si

la réalisation de l’un n’a aucune influence sur la réalisation de l’autre.
 Donc, si A et B sont indépendants, la probabilité conditionnelle pA (B) (de B
sachant A ) est la même que la probabilité p(B) (de B ).
On a ainsi la définition suivante.
Définition
Indépendance de deux événements :

24
Soit A et B deux événements associés à une expérience aléatoire.
On dit que les événements A et B sont indépendants si et seulement si :
p(A ∩ B) = p(A) × p(B)
Prenons un exemple simple.
Exemple
Dans un lancer de dé non truqué à 6 faces, l’événement A : « Obtenir un

nombre pair », et l’événement B : « Obtenir un multiple de 3 », sont
indépendants.
En effet, nous avons :
3 1
p(A) = =
6 2

2 1
p(B) = =
6 3

1
et : p(A ∩ B) =

6

D’o u
ˋ : p(A ∩ B) = p(A) × p(B)
 A et B sont indépendants.
Attention
Ne pas confondre événements indépendants et événements

incompatibles.
Quand deux événements A et B ne peuvent se réaliser tous les deux
pendant la même expérience, on dit qu’ils sont incompatibles.
 Dans ce cas, A ∩ B = ∅ et donc p(A ∩ B) = 0.
Propriété

24
Si A et B sont deux événements indépendants d’un univers Ω, alors
l’événement contraire de A, noté Aˉ, et B sont également indépendants.
Donnons une petite représentation, afin de mieux comprendre la

démonstration qui va suivre.
Démonstration
On a : B = (A ∩ B) ∪ ( Aˉ ∩ B) et (A ∩ B) ∩ ( Aˉ ∩ B) = ∅ .
 Donc p(B) = p(A ∩ B) + p(Aˉ ∩ B).
Comme A et B sont indépendants, on a : p(A ∩ B) = p(A) × p(B) .

Nous obtenons ainsi :
p(B) = p(A ∩ B) + p( Aˉ ∩ B)
= p(A) × p(B) + p( Aˉ ∩ B)
Donc : p( Aˉ ∩ B) = p(B) − p(A) × p(B)

= p(B)(1 − p(A))
= p(B) × p( Aˉ) [car p(Aˉ) = 1 − p(A)]
 Aˉ et B sont donc indépendants.
Passons maintenant à la notion d’épreuves indépendantes, qui est fondée

sur celle d’événements indépendants.
Indépendance de deux épreuves successives

24
d.
Définition
Indépendance de 2 épreuves :
Considérons 2 expériences aléatoires réalisées successivement.

On dit que l’on réalise une succession de deux épreuves indépendantes
si les événements associés à la première expérience sont indépendants
des événements associés à la seconde.
Exemple
Épreuve 1 : on lance un dé non truqué (équiprobabilité) à 6 faces et on note

le numéro obtenu.
Épreuve 2 : on tire une boule au toucher dans une urne contenant 2 boules
rouges et 3 boules noires, indiscernables, et on note la couleur de la boule
tirée.
 Ces deux épreuves sont indépendantes, car le résultat de l’une n’a

clairement aucune influence sur le résultat de l’autre.
À retenir
La définition nous dit que :
si l’on considère deux expériences aléatoires indépendantes dont les univers

associés sont Ω1 et Ω2 ,

et si l’on choisit deux événements quelconques A et B de ces univers

respectivement,
 alors les événements A et B sont indépendants, c’est-à-dire qu’on a :
p(A ∩ B) = p(A) × p(B)
Reprenons le petit exemple précédent.

24
Exemple
Considérons l’événement A « Obtenir un nombre supérieur ou égal à 3 »

et B l’événement « Tirer une boule noire ». A et B sont deux
événements de l’épreuve 1 et 2 respectivement.
 Comme les 2 épreuves sont indépendantes, on a :
p(A ∩ B) = p(B) × p(A)

3 2
= ×
5 3

2
=
5

Il s’agit tout simplement de la probabilité d’obtenir un nombre supérieur

ou égal à 3 à l’épreuve 1 et une boule noire à l’épreuve 2.
Attention
Si A et B ne sont pas indépendants, alors la formule p(A ∩ B) =

p(A) × p(B) n’est pas vraie. Dans ce cas, on utilise plutôt la formule qui
découle du conditionnement à savoir : p(A ∩ B) = pA (B) × p(A) .
Si les épreuves ne sont pas indépendantes, on peut s’aider d’un arbre

pondéré pour calculer les probabilités.
Aussi, avec un arbre pondéré (à 2 niveaux), on comprend mieux la formule
des probabilités totales.
 Elle est donnée par la règle suivante : la probabilité d’un événement est égale
à la somme des probabilités des chemins qui conduisent à cet événement.
Exemple
Considérons l’arbre pondéré suivant où A et Aˉ sont de probabilités non

nulles.

24
On rappelle qu’un événement A et son contraire Aˉ, de probabilités non
nulles, forment une partition de l’univers Ω.
Sur cet arbre, en utilisant les règles de l’addition et de la multiplication,
on obtient bien la formule des probabilités totales :
p(B) = p(A ∩ B) + p( Aˉ ∩ B)
= pA (B) × p(A) + p Aˉ (B) × p( Aˉ)

Remarquons que l’arbre précédent nous a donné :
p(A ∩ B) = pA (B) × p(A)

p(A ∩ B)
Donc : pA (B) =

p(A)

 On retrouve ainsi la formule de probabilité conditionnelle.
Nous allons maintenant généraliser, en passant à la notion d’indépendance

de n épreuves aléatoires successives.
e. Indépendance de n épreuves successives
Définition
Indépendance de n épreuves successives :
On dit que n épreuves aléatoires successives sont indépendantes

lorsqu’elles sont 2 à 2 indépendantes (c’est-à-dire que le résultat de l’une

24
quelconque parmi elles ne dépend pas du résultat des autres).
Nous en tirons la propriété suivante.
Propriété
Considérons une succession de n épreuves indépendantes dont les

univers sont Ω1 , Ω2 , … , Ωn .

Pour tous événements A1 , A2 , … , An de ces univers respectivement,

on a :
p(A1 ∩ A2 ∩ … ∩ An ) = p(A1 ) × p(A2 ) × … × p(An )

Après avoir redécouvert ces notions de probabilité vues en première, et

essentielles pour la suite de notre chapitre (et pour bien d’autres,
d’ailleurs), nous allons maintenant étudier deux nouvelles lois de
probabilité : la loi de Bernoulli et la loi binomiale.
2 Épreuve et loi de Bernoulli
a. Épreuve de Bernoulli
Commençons par définir ce type d’expérience aléatoire.
Définition
Épreuve de Bernoulli :
Une épreuve de Bernoulli est une expérience aléatoire qui ne comporte

que deux issues, appelées généralement succès (S ) et échec (E ).
À retenir
Si on note p la probabilité d’obtenir S , alors, comme S et E sont deux

événements complémentaires (E = Sˉ), la probabilité d’obtenir E est
donc 1 − p.

24
Voici l’arbre correspondant à une épreuve de Bernoulli :
Prenons quelques exemples.
Exemple
1 L’expérience qui consiste à lancer une pièce de monnaie et à regarder si la

face pile est obtenue est une épreuve de Bernoulli. En effet, on n’a que deux
issues : soit pile (succès), soit face (échec).
 Si la pièce n’est pas truquée, la probabilité p d’obtenir un succès est égale à

1
2.
2 L’expérience qui consiste à tirer une carte au hasard dans un jeu de 32 cartes
et à regarder si c’est un as est aussi une épreuve de Bernoulli : les issues
possibles sont tirer un as (succès) et toute autre carte (échec).
 Si le jeu de cartes n’est pas truqué, la probabilité p d’obtenir un succès est

4
égale à 32 = 18 .

b. Loi de Bernoulli
Dans le cas d’une épreuve de Bernoulli, nous pouvons définir une variable
aléatoire X .
Par convention, nous choisissons d’associer 1 à toute issue correspondant à
un succès et 0 à toute issue correspondant à un échec.
 Ainsi, si Ω est l’univers de l’épreuve de Bernoulli considérée :

24
X (Ω) = {0, 1}
Et nous pouvons donner sa loi de probabilité, appelée loi de Bernoulli.
Définition
Loi de Bernoulli :
On considère une épreuve de Bernoulli avec une probabilité p d’obtenir

un succès.
Soit X la variable aléatoire qui ne prend que deux valeurs :
la valeur 1 si l’issue est un succès ;
la valeur 0 si l’issue est un échec.
Alors la loi de probabilité de la variable aléatoire X est appelée loi

de Bernoulli de paramètre p.
À retenir
Elle est donnée par le tableau suivant :
xi 1 0
p(X = x i ) p 1−p
En première, nous avions découvert les indicateurs d’une variable

aléatoire : l’espérance et la variance.
Propriété
Si X est une variable aléatoire suivant une loi de Bernoulli de paramètre

p, alors :
l’espérance mathématique de X vaut :

24
E(X ) = p
la variance de X vaut :
V (X ) = p(1 − p)
Nous pouvons le démontrer facilement, grâce aux définitions que nous

connaissons.
Démonstration
Par définition, l’espérance de X est :
E(X ) = 1 × p(X = 1) + 0 × p(X = 0)

= 1 × p + 0 × (1 − p)
=p
Par définition de la variance, on a :

2 2
V (X ) = p(X = 1) × (1 − E(X )) + p(X = 0) × (0 − E(X ))
= p × (1 − p)2 + (1 − p) × (0 − p)2 [car E(X) = p]
= (1 − p) × (p(1 − p) + p2 ) [en factorisant par (1 − p)]
= (1 − p) × (p − p2 + p2 )
= (1 − p) × p
Nous allons maintenant voir ce qui se passe si l’on répète une épreuve
de Bernoulli plusieurs fois de suite.
c. Schéma de Bernoulli
Définition
Schéma de Bernoulli :

24
On appelle schéma de Bernoulli la répétition de n épreuves de Bernoulli
identiques et indépendantes.
Attention
Les conditions identiques et indépendantes sont fondamentales pour

être dans le cas d’un schéma de Bernoulli. Elles doivent donc être
toujours vérifiées dans chaque situation.
Pour cela, nous vérifions :
si les issues des épreuves sont les mêmes ;
et si ces issues ont les mêmes probabilités d’une épreuve à l’autre.
On peut représenter un schéma de Bernoulli par un arbre pondéré, mais

qui devient compliqué à tracer pour n assez grand.
Donnons celui correspondant à un schéma de Bernoulli pour n = 3
(épreuve de Bernoulli répétée 3 fois) :
Exemple
Dans une urne contenant 5 boules blanches et 3 boules vertes,

indiscernables au toucher, on tire une boule au hasard.

24
On regarde si elle est verte, on a alors un succès, et on la remet.
On effectue au total 3 tirages.
Nous voyons bien ici que les issues sont les mêmes : « La boule tirée est
verte » et « La boule tirée est blanche ».
Et, comme, il y a remise après tirage, les probabilités sont identiques pour
chaque expérience.
 La répétition de cette expérience 3 fois de suite est un schéma de Bernoulli,

3
avec les paramètres n = 3 et p = 8.
p est la probabilité d’obtenir un succès : « La boule tirée est verte ». La

probabilité d’obtenir un échec : « La boule tirée est blanche », est alors
égale à 1 − p.
Ce schéma de Bernoulli est représenté par l’arbre pondéré suivant, dans

lequel V est l’événement « La boule tirée est verte » (succès) et B « La
boule tirée est blanche » (échec).
Attention
24
Dans l’exemple que nous venons de voir, nous l’avons sous-entendu,
mais insistons tout de même : s’il n’y avait pas eu remise après tirage,
alors les probabilités n’auraient pas été identiques d’un tirage à l’autre.
En effet, si par exemple on tire au premier tirage une boule verte et
qu’on ne la remet pas, alors la probabilité lors du deuxième tirage
d’obtenir une boule verte sera moindre, tandis que celle d’obtenir une
boule blanche sera plus grande.
 Nous n’aurions alors pas été dans le cas d’une épreuve de Bernoulli.
3 Loi binomiale
Nous venons donc de définir ce qu’était un schéma de Bernoulli. Nous

allons maintenant nous intéresser à ce qui nous importe vraiment ici, c’est-
à-dire à la probabilité d’avoir k succès dans un schéma de Bernoulli
composé de n épreuves (avec donc n et k des entiers naturels tels que k ≤
n).
a. Définition
Définition
Loi binomiale :
Soit X la variable aléatoire qui compte le nombre de succès obtenus lors

de n épreuves d’un schéma de Bernoulli, et p la probabilité de succès à
chaque épreuve.
Alors la variable aléatoire X suit une loi de probabilité appelée loi
binomiale de paramètres n et p, et notée généralement B(n, p) .
À retenir
Pour prouver qu’une variable aléatoire X suit une loi binomiale, on

justifie que les conditions suivantes sont vérifiées :

24
il faut avoir n expériences identiques ;
chaque expérience a 2 issues possibles (épreuve de Bernoulli) ;
ces expériences sont indépendantes les unes des autres ;
la variable aléatoire X compte le nombre de succès obtenus lors des n

épreuves.
Reprenons notre dernier exemple pour bien comprendre cette loi

binomiale.
Exemple
On considère la variable aléatoire X , qui donne le nombre de boules

vertes obtenues après 3 tirages.
Toutes les conditions données plus haut sont vérifiées.
3
 X suit une loi binomiale B (3, 8 ).
3
Avec l’arbre précédent, on peut expliciter cette loi binomiale B (3, 8 ).
D’abord, les valeurs possibles prises par X sont : 0, 1, 2 et 3 (valeurs

correspondant au nombre de succès possibles lors des 3 tirages avec remise).
Ensuite, pour calculer, par exemple, la probabilité d’avoir 2 fois un succès, on

s’intéresse aux chemins contenant exactement 2 fois l’événement V .
 Il y a 3 chemins qui correspondent à 2 succès, à savoir (B, V , V ),

(V , B, V ) et (V , V , B). Donc :
5 3 3 3 5 3 3 3 5
p(X = 2) = ( × × )+( × × )+( × × )
8 8 8 8 8 8 8 8 8

45 45 45
= + +
512 512 512

45

= 3×
512

135
=
512


24
De même, on pourra calculer p(X = 0), p(X = 1) et p(X = 3).
b. Coefficient binomial
Nous avons découvert le coefficient binomial dans le cours sur le nombre

de combinaisons de k éléments dans un ensemble à n éléments (n et k des
entiers naturels tels que k ≤ n).
Dans ce même cours, nous avions aussi pris un exemple pour montrer que
le nombre de chemins menant à un événement considéré comme un
succès est donné par le coefficient binomial.
 Nous allons ici rappeler certaines propriétés et préciser la notion dans notre
contexte.
Définition
Coefficient binomial :
Considérons un arbre pondéré représentant un schéma de Bernoulli de

paramètres n et p. Soit k un entier naturel tel que 0 ≤ k ≤ n.
On appelle coefficient binomial, noté (nk ), le nombre de chemins

correspondant à k succès.
 La notation (nk ) se lit « k parmi n ».

Considérons l’arbre pondéré suivant correspondant au schéma

de Bernoulli pour n = 3, avec p la probabilité d’obtenir un succès (S ) et 1 −
p la probabilité d’obtenir un échec (E ).

24
Nous cherchons à savoir combien de chemins mènent à 2 succès.
Autrement dit, le nombre de combinaisons de 2 parmi 3.
 Ces chemins sont : (S, S, E), (S, E, S) et (E, S, S). On a donc :
3
( )=3
2

De même, on a :
3
( ) = 1 Il y a 1 seul chemin contenant 0 succès (E, E, E)
0

(S, E, E)
3
( ) = 3 Il y a 3 chemins contenant 1 succès (E, S, E)
1

(E, E, S)
Il y a 1 seul chemin contenant 3 succès

3 (S, S, S)
( )=1
3


24
Nous remarquons les égalités suivantes :
3 3
( )=( )=1
0 3

3 3
( )=( )=3
1 2

Nous retrouvons les propriétés suivantes.
Propriété
Soit n un entier naturel.

Nous avons :
( )=( )=1
n n
0 n

( )=( ) [o uˋ 0 ≤ k ≤ n]
n n
n−k

Nous pouvons aussi donner la formule de Pascal, que nous avons

démontrée dans le cours sur la combinatoire.
Propriété
Si n ≥ 2 et 1 ≤ k ≤ n − 1, nous avons :
n−1 n−1
( )=( )+( )
n
k k k−1

Avec ces formules, on peut calculer de proche en proche les coefficients

binomiaux.
 Pour cela, nous pouvons nous servir du triangle de Pascal, que nous redonnons
jusqu’à n = 9 :

24
k→
n↓ 0 1 2 3 4 5 6 7 8 9
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1
9 1 9 36 84 126 126 84 36 9 1
Astuce
On peut aussi calculer ces coefficients binomiaux avec une calculatrice.
c. Probabilités pour une loi binomiale
Théorème
Soit X une variable aléatoire suivant une loi binomiale B(n, p) .

Pour tout entier naturel k (avec 0 ≤ k ≤ n), la probabilité d’obtenir k
succès sur les n épreuves est donnée par la formule :
p(X = k) = ( ) pk (1 − p)n−k
n


24
Démonstration
Considérons l’arbre correspondant à la loi binomiale B(n, p) .

Si un chemin contient k succès, alors il contient n − k échecs.
 Donc la probabilité de réaliser ce chemin est :
p × … × p × (1 − p) × … (1 − p) = pk × (1 − p)n−k

k fois n−k fois
Or le nombre de chemins correspondant à k succès est égal à (nk ), donc
la probabilité d’obtenir k succès est :
p(X = k) = ( ) pk (1 − p)n−k
n

k
n
 C’est ( k ) fois la probabilité d’un chemin avec k succès.

Exemple
On peut retrouver le résultat de l’exemple précédent avec cette

formule.
3
 En effet, avec n = 3 et p = 8 , on a :
2 3−2
3 3 5
p(X = 2) = ( ) × ( ) × ( )
2 8 8

45
= 3×

512

135
=
512

Conclusion :
Dans ce cours, nous avons vu comment définir les lois de Bernoulli et

binomiale : ces lois sont respectivement associées à une épreuve et un
schéma de Bernoulli.

24
On peut noter également que la loi de Bernoulli est un cas particulier de
la loi binomiale (elle est la loi binomiale pour n = 1).

24

Succession D Epreuves Independantes Schema de Bernoulli - Fiche de Cours

Transféré par

Droits d'auteur :

Formats disponibles

Succession D Epreuves Independantes Schema de Bernoulli - Fiche de Cours

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Succession D Epreuves Independantes Schema de Bernoulli - Fiche de Cours

Transféré par

Droits d'auteur :

Formats disponibles

Succession d’épreuves indépendantes, lois de Bernoulli et

Les images ne sont pas encore disponibles pour ce cours.

Celles présentes sont juste des « brouillons »

En classe de première, nous avons vu la notion de variable aléatoire

Dans la première partie de ce cours, nous rappellerons quelques notions

SchoolMouv.fr SchoolMouv : Cours en ligne pour le collège et le lycée 1 sur

1 Succession d’épreuves indépendantes

a. Formule des probabilités totales

Intuitivement, il s’agit de considérer toutes les issues d’une expérience

 Nous parlons alors de partition de l’univers.

Soit A1 , A2 , … , An n événements de Ω, avec n un entier naturel

1 aucun des A i n’est de probabilité nulle pour i allant de 1 à n ;

2 les A i sont 2 à 2 disjoints : A i ∩ A j = ∅ pour i =

Pour mieux nous représenter cette notion, illustrons la partition de Ω pour

SchoolMouv.fr SchoolMouv : Cours en ligne pour le collège et le lycée 2 sur

A3 : « La boule tirée est rouge ».

 Alors A 1 , A 2 et A 3 forment une partition de l’univers.

2 Un événement A et son contraire Aˉ, de probabilités non nulles, forment

Nous pouvons maintenant rappeler la formule des probabilités totales.

Soit A1 , A2 , … , An une partition de l’univers Ω et B un événement

p(B) = p(A1 ∩ B) + p(A2 ∩ B) + ⋯ + p(An ∩ B)

SchoolMouv.fr SchoolMouv : Cours en ligne pour le collège et le lycée 3 sur

l’univers Ω, alors ils sont 2 à 2 incompatibles. Donc les événements A1 ∩ ​

B, A2 ∩ B, … , An ∩ B sont également deux à deux incompatibles et

leur réunion est :

(A1 ∩ B) ∪ (A2 ∩ B) ∪ … ∪ (An ∩ B) = B

 Nous avons donc bien :

p(B) = p(A1 ∩ B) + p(A2 ∩ B) + … + p(An ∩ B)

Nous allons, à présent, rappeler la notion de conditionnement et de

Soit A et B deux événements de l’univers Ω. Supposons non nulle la

SchoolMouv.fr SchoolMouv : Cours en ligne pour le collège et le lycée 4 sur

pA (B) est la probabilité que l’événement B se réalise sachant que l’événement

une probabilité conditionnelle a les mêmes propriétés qu’une probabilité ;

on déduit de la définition que :

p(A ∩ B) = pA (B) × p(A) [avec p(A) 

Comme on a : p(A ∩ B) = pA (B) × p(A) , alors la formule des

probabilités totales peut aussi s’écrire sous la forme :

p(B) = pA 1 (B) × p(A1 ) + pA 2 (B) × p(A2 ) + ⋯ + pA n (B) × p(An )

Voyons maintenant ce que devient cette formule lorsque l’événement A

c. Indépendance de deux événements

Intuitivement, l’on comprend que deux événements sont indépendants si

 Donc, si A et B sont indépendants, la probabilité conditionnelle pA (B) (de B ​

sachant A ) est la même que la probabilité p(B) (de B ).

On a ainsi la définition suivante.

Indépendance de deux événements :

SchoolMouv.fr SchoolMouv : Cours en ligne pour le collège et le lycée 5 sur

p(A ∩ B) = p(A) × p(B)

Prenons un exemple simple.

Dans un lancer de dé non truqué à 6 faces, l’événement A : « Obtenir un

Ne pas confondre événements indépendants et événements

 Dans ce cas, A ∩ B = ∅ et donc p(A ∩ B) = 0.

SchoolMouv.fr SchoolMouv : Cours en ligne pour le collège et le lycée 6 sur

Donnons une petite représentation, afin de mieux comprendre la

 Donc p(B) = p(A ∩ B) + p(Aˉ ∩ B).

Comme A et B sont indépendants, on a : p(A ∩ B) = p(A) × p(B) .

Donc : p( Aˉ ∩ B) = p(B) − p(A) × p(B)

 Aˉ et B sont donc indépendants.

Passons maintenant à la notion d’épreuves indépendantes, qui est fondée

Indépendance de deux épreuves successives

l’univers Ω, alors ils sont 2 à 2 incompatibles. Donc les événements A1 ∩

 Donc, si A et B sont indépendants, la probabilité conditionnelle pA (B) (de B