Chapitre 2 : Dénombrements.

Probabilités
conditionnelles

Ayoub Insa Correa, Ph.D.

Unité de Recherche et Formation en Sciences de l’Ingénieur

Université de Thiès

Semestre 1, Année académique 2014-2015

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 1/34

 Principe (règle) de multiplication

Si les ensembles A1 , A2 , ..., Ak comptent respectivement

n1 , n2 , ..., nk éléments, il existe n1 ∗ n2 ∗ .. ∗ nk façons de choisir
un élément de A1 puis un élément de A2 , .. , et ainsi de suite
jusqu’à un élément de Ak .
Dans le cas particulier où n1 = n2 = .. = nk , il y a nk choix
possibles.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 2/34

 Exemple d’application du cas particulier du principe
(règle) de multiplication

On jette en l’air à trois reprises une pièce de monnaie

équilibrée. On pourrait définir l’ensemble des résultats
possibles de cette expérience aléatoire en suivant chacun des
trajets du diagramme en arbre associé.
On remarque qu’il y a deux résultats possibles à chaque essai
et que l’on effectue trois essais, d’où le total de 2*2*2 = 8
résultats possibles
(PPP, PPF , PFP, PFF , FPP, FPF , FFP, FFF ).

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 3/34

 Exemple d’application du cas général du principe
(règle) de multiplication

Soit un processus de production où l’inspection en cours de

fabrication est très limitée. Une fois les produits finis, on les
achemine vers une aire d’examen où quatre personnes en
vérifient chacune une caractéristique différente. La première de
ces personnes attribue aux unités produites l’une ou l’autre des
quatre cotes ; La deuxième, l’une des trois cotes ; et les deux
autres, l’une ou l’autre des deux cotes chacune.
Chaque personne inscrit sur l’étiquette d’identification du
produit la cote attribuée selon la caractéristique examinée.
Quel est au total le nombre d’inscriptions possibles pour une
unité donnée ?

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 4/34

 Exemple de dénombrement par un diagramme de
Venn

Imaginons une ville où 75% des gens lisent le journal (J), 30%
aiment l’art impressionniste (I) et 50% sont mélomanes (M).
Du nombre, 20% lisent le journal et aiment l’art
impressionniste, 35% lisent le journal et sont mélomanes, 15%
aiment l’art impressioniste et sont mélomanes et 5% lisent le
journal, aiment l’art impressionniste et sont mélomanes.
On peut inscrire tous ces renseignements à l’intérieur d’un
simple diagramme de Venn, T Ten y inscrivant d’abord la dernière
donnée fournie, soit P (J I M) = 0.05 pour ensuite
procéder à partir du centre.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 5/34

 Exemple de dénombrement par un diagramme en
arbre

Un promoteur immobilier construit un nouveau lotissement. Il

offre aux clients F5, F4, F3 et F2 avec les styles jumelés (J), un
étage (1E) et 2 étages (2E).
De combien de façon un acheteur peut commander un de ces
logements ?
Remarque : on peut trouver le nombre total de logements que
l’acheteur devrait visiter en appliquant le principe de
multiplication.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 6/34

 Autre exemple de dénombrement par un diagramme
en arbre

Imaginez que l’on jette une pièce de monnaie et un dé

équilibrés.
Donner le nombre de résultats possibles à l’aide d’un
diagramme en arbre puis vérifier ce résultat en appliquant le
principe de multiplication.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 7/34

 Solution

Étant donné que l’on utilise une pièce et un dé équilibrés, les

deux résultats possibles de E1 , soit S1 = {P, F } sont
équiprobables, tout comme les six résultats possibles de E2 ,
soit S2 = {1, 2, 3, 4, 5, 6}.
Puisque n1 = 2 et n2 = 6, l’expérience dans son ensemble
présente 2*6 = 12 résultats possibles, tous équiprobables.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 8/34

 Règles additives

Soient A et B deux événements, alors

P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

Conséquence (corollaire)
Si A et B sont disjoints, alors
P (A ∪ B) = P (A) + P (B)

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 9/34

 Permutations

Définition : arrangement ordonné d’objets distincts. Deux

permutations diffèrent l’une de l’autre si leur contenu n’est pas
le même ou si leurs éléments sont ordonnés différemment.

Exemple : Quatre jetons se distinguent chacun par une lettre

différente a, b, c ou d. Les permutations de ces jetons pris un à
un sont au nombre de 24.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 10/34

 Permutations(Suite 1)

Théorème :

Le nombre de permutations de n objets pris un à un est n !

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 11/34

 Permutations(Formule générale)

I Prenons le cas de n objets distincts à partir desquels on

veut obtenir des permutations de r objets (r ≤ n).
I Le nombre de permutations possibles, soit Prn , correspond
n!
à Prn = n (n − 1) (n − 2) (n − 3) ... (n − r + 1) = (n−r )!

Remarques : Pnn = n! et 0! = 1

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 12/34

 Permutations(Autre exemple)

L’équipe nationale de football du Sénégal compte 23 joueurs.

La formation à l’attaque se compose de six de ces joueurs
dans un ordre donné.

Il y a donc P623 = 23!

17! = 23 ∗ 22 ∗ 21 ∗ 20 ∗ 19 ∗ 18 formations à
l’attaque possibles.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 13/34

 Combinaisons

I Définition : arrangement d’objets distincts qui ne diffère

l’un de l’autre que si son contenu n’est pas le même.
L’ordre n’a ici aucune importance.
I Exemple : les combinaisons possibles de deux jetons pris
parmi quatre portant chacun une lettre différente a, b, c ou
d sont ab, ac, ad, bc, bd, cd.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 14/34

 Combinaisons (Suite 1)

I Puisque le nombre de permutations indique le nombre de

façons différentes de choisir r objets parmi n
et d’ordonner
ensuite ces r objets, on peut écrire Prn = r ! nr où nr

représente le nombre de combinaisons de r éléments pris

parmi n éléments.
n
Il s’en suit que nr = Pr r! = r !(n−r
n!


I
)!
I Exemple des quatre jetons où r = 2 : on vérifie aisément
que P24 = 12 et que 42 = 6 comme l’a révélé le

dénombrement complet.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 15/34

 Combinaisons (Suite 2)

I Dans le cas où n est un nombre réel
et r est un nombre

entier non négatif, on écrit alors nr = n(n−1)(n−2)...(n−r
r!
+1)

Rappel (théorème du binôme) :

(a + b)n =
Pn n
ar bn−r


r =0 r

n


Le terme r est donc un coefficient binomial.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 16/34

 Combinaisons (Autre exemple)

De combien de façons peut-on sélectionner 3 candidats parmi

8 nouveaux diplômés en comptabilité de même niveau de
qualification pour des emplois dans une firme comptable ?
Réponse : c’est le nombre de combinaisons de 3 candidats
8!
parmi 8 = 3!5! = 56 façons.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 17/34

 Permutations d’objets semblables

Soit k classes distinctes dont chacune est formée d’objets

indiscernables les uns des autres à l’intérieur de cette classe.
On arrive alors au résultat ci-après, où n1 représente le nombre
d’objets dans la première classe, n2 le nombre d’objets dans la
deuxième classe, et ainsi de suite jusqu’à nk , le nombre
d’objets dans la k ième classe, et où
n1 + n2 + ... + nk = n
n!
Pnn1 ,n2 ,...,nk = n1 !n2 !...nk !

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 18/34

 Permutations d’objets semblables (exemple)

Combien d’arrangements de lettres différentes peuvent être

formés à partir des lettres du mot STATISTICS ?

Nous avons au total 10 lettres aves 2 lettres S et T qui

apparaissent 3 fois, la lettre I qui apparait 2 fois et les lettres A
et C qui apparaissent une fois chacune.
Ainsi, en appliquant la règle précédente, nous obtenons :
10!
3!3!2!1!1! = 50400

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 19/34

 Probabilités conditionnelles : préambule

I Toutes les probabilités étudiées jusqu’ici étaient liées à

l’espace échantillonnal dans son ensemble.
I au lieu d’utiliser les notations P (A) pour désigner ce type
de probabilité, on aurait pu écrire P (A/S), ce qui se lit ’la
probabilité de A par rapport à l’espace échantillonnal S’.
I Motivation : pour calculer plus aisément des probabilités, il
vaut mieux travailler sur des espaces échantillonnaux
réduits.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 20/34

 Définition d’une probabilité conditionnelle

La probabilité conditionnelle de B sachant A notée P(B/A) est

définie par la relation :
P(A∩B)
P (B/A) = P(A) si P (A) > 0

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 21/34

 Propriétés d’une probabilité conditionnelle

P(./.) a les propriétés requises d’une loi de probabilité simple :

1. 0 ≤ P (A/B) ≤ 1
S  P
k
2. P A
i=1 i /B = ki=1 P (Ai /B) si Ai ∩ Aj = ∅ pour tout
i 6= j
3. P ( ∞
S P∞
i=1 Ai /B) = i=1 P (Ai /B) pour si A1 , A2 , ... une suite
dénombrable d’événements disjoints.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 22/34

 Probabilités conditionnelles (Exemple 1)

Un échantillon est formé de 2 unités tirées au hasard d’un lot

de 10. On sait que 7 unités de ce lot n’ont pas de défaut et que
les 3 autres en ont.
soit A l’événement ’la première unité choisie n’a pas de défaut’
et B l’événement ’ la seconde unité choisie n’a pas de défaut’.
Si l’on procède sans remise, c-à-d sans remettre la première
unité dans le lot avant d’en tirer la seconde, alors
7 6
P (A) = 10 et P (B/A) = 9

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 23/34

 Probabilités conditionnelles (Suite exemple)

Si on remet la première unité dans le lot avant d’en tirer la

7
seconde, la probabilité conditionnelle P (B/A) = P (B) = 10 et
les événements A et B résultant des deux expériences de
prélèvement qui forment E sont dits indépendants.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 24/34

 Quelques notions utiles

I Exclusion mutuelle : Si A et B sont deux événements

mutuellement exclusifs alors A ∩ B = ∅, de sorte que
P (A/B) = 0 et P (B/A) = 0. A et B ne peuvent pas
survenir simultanément. Il faut donc conclure de la
réalisation de B que A ne se produira pas et vice versa.
I Si B ⊂ A alors P (A/B) = 1. Si B se réalise alors A doit
nécessairement se produire.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 25/34

 Indépendance

Il existe des cas où deux événements n’ont aucun lien entre

eux et où la réalisation de l’un n’influe en rien sur la réalisation
de l’autre et ne nous apprend rien sur l’autre.

Exemple : On jette en l’air deux fois une pièce de monnaie

équilibrée. Soit A l’événement ’on obtient le côté face au
premier essai’ et B l’événement’ on obtient le côté face au
second essai’.
La réalisation de A n’influe donc en rien sur celle de B, et la
probabilité que ces deux événements surviennent, c-à-d
P (A ∩ B) correspond à
P (A ∩ B) = P (A) ∗ P (B/A) = 1/2 ∗ 1/2 = 1/4

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 26/34

 Théorème 2.7

Si A et B sont des événements indépendants, alors : ’.

I A et B sont des événements indépendants
I A et B sont des événements indépendants
I A et B sont des événements indépendants

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 27/34

 Règle multiplicative

Si dans une expérience aléatoire, les événements A et B

peuvent survenir tous les deux, alors :

P (A ∩ B) = P (A) P (B/A) si P (A) > 0

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 28/34

 Exemple

Pour déterminer la probabilité que les 2 unités n’aient aucun

défaut, on écrira : :

P (A ∩ B) = P (A) ∗ P (B) = (98/100) ∗ (98/100) = 0.9604 Si

on procède sans remise, c-à-d sans remettre la première dans

le lot avant d’en tirer la seconde, on aura

P (A ∩ B) = P (A) ∗ P (B) = (98/100) ∗ (97/99) = 0.9602

On voit que ces deux résultats sont très proches l’un de l’autre.
Il est pratique courante d’admettre des événements comme
indépendants lorsque la fraction de sondage (la taille de
l’échantillon / la taille de la population) est petite, soit, par
exemple, inférieure à 0.1.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 29/34

 Définition d’une partition

Si B1 , B2 , ..., Bk sont des sous-ensembles disjoints de S (c-à-d

des événements mutuellement exclusifs) et si
B1 ∪ B2 ∪ ... ∪ Bk = S, alors ces sous-ensembles forment une
partition de S.
Lorsqu’on procède à l’expérience, un seul de ces événements,
Bi , se réalise en présence d’une partition de S.

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 30/34

 Loi des probabilités totales

Si B1 , B2 , ..., Bk forment une partition de S et si A dénote un

événement quelconque dans S, alors la probabilité totale de A
se traduit par :

P (A) = P (B1 ) ∗ P (A/B1 ) + ... + P (Bk ) ∗ P (A/Bk ) =

P k
i=1 P (Bi ) ∗ P (A/Bi )

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 31/34

 Loi de Bayes

Si B1 , B2 , ..., Bk forment une partition de S et si A dénote un

événement quelconque dans S, alors pour tout r = 1, 2, ..., k :
P(Br )∗P(A/Br )
P (Br /A) = Pk
i=1 P(Bi )∗P(A/Bi )

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 32/34

 Exemple d’application du théorème de Bayes

Un fabricant de matériel de télémètrie achète des

microprocesseurs auprès de trois fournisseurs. Tous ces
fournisseurs prétendent respecter les mêmes normes de
produit, mais pendant des années, le fabricant a vérifié chaque
lot reçu, ce qui a généré les données ci-après :

Fournisseur Portion défectueuse Proportion fournie

1 0.02 0.15
2 0.01 0.80
3 0.03 0.05

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 33/34

 Suite exemple d’application du théorème de Bayes

le fabricant a cessé toute vérification en raison des coûts, mais

on peut raisonnablement supposer que les parts défectueuses
et les parts fournies demeurent inchangées. Le directeur de la
production choisit un microprocesseur au hasard, le confie au
laboratoire d’essai et apprend qu’il est défectueux. Si A
représente l’événement ’l’unité est défectueuse’ et Bi ,
l’événement ’l’unité provient du fournisseur i’, on peut évaluer
P (B3 /A) en utilisant le théorème de Bayes :
P(B )∗P(A/B3 )
P (B3 /A) = P3 3 =
i=1 P(Bi )∗P(A/Bi )
(0.05)∗(0.03)
(0.15)∗(0.02)+(0.80)∗(0.01)+(0.05)∗(0.03) = 3/25

Chapitre 2 : Dénombrements. Probabilités Conditionnelles 34/34