Professional Documents
Culture Documents
Probabilits
Rachid Jahidi
Objectifs
Acqurir les concepts lmentaires de
probabilits.
Comprendre ce quest la modlisation
probabiliste.
Acqurir un savoir-faire probabiliste en
relation avec des applications.
Probabilits et statistique
Probabilits : modle mathmatique pour
tudier les phnomnes alatoires
Statistique : apprendre en observant,
interprter les donnes comme ralisation
dun modle.
Programme
Concepts de base
Une exprience est une action qui engendre un
rsultat.
On distingue deux types dexprience :
Exprience dterministe : Le rsultat de
lexprience est connu avec certitude avant
mme deffectuer cette exprience.
Exprience alatoire : Le rsultat ne peut tre
prvu avant de complter lexprience.
5
Ensemble fondamental
On appelle l ensemble fondamental
lensemble de tous les rsultats possibles
dune exprience alatoire.
Cet ensemble est habituellement not
par la lettre grecque OMEGA : .
vnement
On appelle vnement un sous-ensemble de
lensemble fondamental. (Ces vnements sont
habituellement nots avec une lettre majuscule
comme A, B, C,.. ou E1, E2, E3).
Ex : On lance 2 pices de monnaie et on compte
le nombre de faces = {0, 1, 2}.
Il y aura dans ce cas l 8 vnements possibles :
, {0}, {1}, {2}, {0,1}, {0,2}, {1,2}, {0,1,2}.
Lvnement : Avoir au moins une fois Pile sera
caractris par le sous ensemble {0,1}.
8
DFINITION IMPORTANTE :
On dira quun vnement sest ralis si le
rsultat de lexprience alatoire fait partie
de lvnement.
Ex : Si le rsultat du jet des 2 pices de
monnaies est (F,F) alors tous les vnements
suivants se sont raliss : {2}, {0,2}, {1,2} et
{0,1,2}.
10
11
Runion dvnements
Lvnement C est la runion des vnements
A et B (note C = AB) si C est lvnement
qui contient tous les lments appartenant
A ou B ou aux deux vnements :
12
13
Intersection dvnements
Lvnement C est lintersection des
vnements A et B (note C = AB) si C est
lvnement qui contient tous les lments
appartenant A et B :
14
15
Diffrence dvnement
Lvnement C est la diffrence des
vnements A et B (note C = A-B) si C est
lvnement qui contient tous les lments
appartenant A et non B :
16
A B C A B C
A B C A B C .
A B C A B A C
A B C A B A C
17
Complment
;
Remarques :
A A A A
A A
18
Relation dinclusion
On dira que A implique B (ou que A est inclus
dans B et est not A B ) si tous les lments
de A appartiennent aussi B.
19
Remarques :
A A
A B A
A A B
A B B
B A B
A
A
20
Incompatibilit
Les vnements A et B sont dit incompatibles
(ou mutuellement exclusifs) si A B
21
Exhaustivit
Les vnements A et B sont exhaustifs si
A B
La notion dexhaustivit nest pas limite deux
vnements. On pourra avoir toute une srie
dvnements, si leur runion recouvre
compltement , alors on dira quils sont
exhaustifs.
22
Remarques :
A et A sont des vnements exhaustifs.
A, B, A B sont des vnements exhaustifs.
Ces deux dernires relations vont permettre
de voir un ensemble fondamental comme
une srie dvnements disjoints sur lesquels
on pourra faire des calculs.
23
24
E1 E2 ... En ... Ei
i 1
25
26
PEi E j PEi PE j
Plus gnralement, pour toute suite (En )nN
d'vnements deux deux incompatibles
P( En ) P( En )
nN
nN
27
Proprits
P( ) 0
Si A B, P( A) P( B)
P A 1 P( A)
P( A B) P( A) P( B) P( A B)
28
2 13 52 52
31
32
35
n!
A
n(n 1)(n 2)...(n p 1)
(n p)!
p facteurs
p
n
La diffrence entre une p-liste et un parrangement est que les rptitions sont
possibles pour les p-listes, mais impossibles
pour les p-arrangements.
37
39
Le nombre de p-combinaisons
d'un
ensemble
p
de p lments est not Cn
On retiendra les galits suivantes :
p facteurs
p
An
n!
n(n 1)(n 2)...(n p 1)
p
Cn
p! p!(n p)!
p!
40
n 1
p
n C n p1 C n p1
41
rsum
Choix de p lments
discernables parmi n
avec ordre
sans ordre
avec d'ventuelles
rptitions
p-listes
p-combinaisons avec
rptitions
np
sans rptition
p-arrangements
p
n
p-combinaisons
p
n
42
Probabilits conditionnelles et
indpendance
Probabilits conditionnelles : Soit un
ensemble fondamental et A, B des
vnements de dont on connat les
probabilits P(A), P(B).
Dans le cas o lhypothse dquiprobabilit
sapplique, on crivait que pour un vnement
A:
Nombre de cas favorables Nombre d' lments dans A
P(A)
P(A B)
P( A / B)
P(B)
45
P( A B C) P(C / A B) P( B / A) P( A)
P( A B / C) P( A / C) P( B / C) P( A B / C)
P( A / C ) 1 P( A / C )
P( A / C ) 1 P( A / C )
46
49
50
La formule de Bayes
51
52
P E i F
P E i / F
P F
P F / E i P E i
P E i / F
PF / E1 PE1 PF / E2 P( E2 ) PF / En PEn
Chapitre II
Variables alatoires
55
Notation
(X = 8)
(X 5)
(-3,5 < X < 8)
(X > 7)
56
57
La loi de probabilit.
La loi de probabilit de X est la donne, sous
forme de tableau ou par une formule, des
valeurs x possibles pour X et des probabilits
P(X = x) correspondantes.
Quand la loi de probabilit de X est prsente
sous forme d'un tableau, on a intrt donner
aussi les probabilits cumules P(X x).
59
60
Fonction de rpartition
La fonction de rpartition F de X est la fonction
dfinie sur R, valeurs dans [0,1], telle que:
F(x) = P(X x).
Dans le cas o les valeurs possibles pour X sont
en nombre fini, la courbe reprsentative de F est
un escalier dont la premire marche a pour
ordonne 0 et dont la dernire marche a pour
ordonne 1.
61
L'esprance mathmatique
On suppose que X prend les valeurs xi avec les
probabilits respectives pi (iN*).
L'esprance mathmatique de X est le rel :
E X xi pi
i
L'esprance mathmatique
de X prcise la
position de X
62
Proprits
E(a) = a ;
E(X + a) = E(X) + a ;
E(X + Y) = E(X) + E(Y) ;
E(a.X) = a.E(X).
63
64
La variance
On suppose que X prend les valeurs xi avec les
probabilits respectives pi (iN*).
On dsigne par m l'esprance mathmatique de
X.
La variance de X est le rel :
V(X) = E(X m)2.
La variance de X prcise sa dispersion. Elle est
dautant plus grande que X est disperse.
65
66
67
Lcart-type
L'cart-type de X est la racine carre de la
variance de X. On le note (X) :
(X) V(X)
L'cart-type de X prcise lui aussi la dispersion
de X. Il est dautant plus grand que X est
disperse.
68
Proprits :
(a, b)R2 (a.X b) a . (X)
(X) 0 ssi X=a
Si s = (X) et si s 0 alors : (X/s) = 1
Par dfinition, une variable alatoire est
rduite si son cart-type est gal 1.
69
L'ingalit de Bienaym-Tchbycheff.
Dsignons par m l'esprance mathmatique
de X.
Si (X) > 0 alors :
1
Pour a > 0 : P(|X - m| a.(X)) 2
a
70
m-3s
m-2s
m-s
m+s
m+2s m+3s
(s : cart-type)
71
Dmonstration :
2
p
(
x
m
)
i i
p (x m)
a . p
i
x i m a.
2
2
i
x i m a.
2
2
a
.
.P( X m a.)
=
72
73
Loi de Bernoulli
On entend par preuve de Bernoulli toute
preuve pouvant conduire un succs ou
un chec.
Une variable alatoire X suit une loi de Bernoulli
si elle ne prend que deux valeurs :
1 avec la probabilit p (0 p 1) et
0 avec la probabilit q = 1 p.
Dans ce cas : E(X) = p et V(X) = pq.
74
75
Remarque
On peut s'assurer que la somme des
probabilits est bien 1 :
D'aprs la formule du binme de Newton :
n
i i
n i
n = 1.
C
p
.q
=
(p
+
q)
n
i 0
77
Proprits
Considrons deux variables alatoires
indpendantes X1 et X2 obissant
respectivement aux lois binomiales B (n1 ,p) et
B (n2 ,p).
La somme X1 + X2 est le nombre de succs
aprs ( n1 + n2 ) preuves de Bernoulli
identiques, indpendantes, de mme
probabilit de succs p. Elle obit la loi
binomiale B (n1 + n2 , p).
78
79
80
Remarque
On peut s'assurer que la somme des
probabilits est bien 1 :
q
i 1
i 1
.p p. q
i 1
i 1
1
p
p.
1
1 q p
81
C iNp .C nNq i
P(X = i) =
.
n
CN
Alors :
Nn
E(X) = np et V(X) = npq.
.
N 1
83
84
85
La loi de Poisson
Une variable alatoire X suit la loi de Poisson
de paramtre m (m > 0), note P (m), si elle
peut prendre pour valeurs les entiers naturels
avec les probabilitsi ainsi dfinies :
m
iN P(X = i) = i ! e-m.
On a alors E(X) = V(X) = m.
La somme des probabilits est bien 1 parce
que
i
m
m
i 0 i!
86
Proprit :
La somme de 2 variables alatoires
indpendantes suivant des lois de Poisson de
paramtres m1 et m2 suit une loi de Poisson
de paramtre m1+ m2.
87
Remarque :
La loi de Poisson prend le relais de la loi
binomiale quand le nombre dpreuves
devient trs grand.
Lorsque n est grand, que p est petit et que np
nest pas trop grand, (concrtement : n 30 ;
p 0,1 ; np 15) on peut approcher la loi
binomiale B (n,p) par la loi de Poisson P (np).
88
Fonction de rpartition
La fonction de rpartition F de X est la
fonction dfinie sur IR, valeurs dans [0,1],
telle que:
F(x) = P(X x).
91
L'esprance mathmatique
L'esprance mathmatique de X est le rel :
E X xf ( x)dx
R
92
La variance
On dsigne par m l'esprance mathmatique
de X.
La variance de X est le rel :
2
2
V(X) = E(X m) = ( x m) f ( x)dx
La variance de X prcise sa dispersion. Elle est
dautant plus grande que X est disperse.
93
Lcart-type
L'cart-type de X est la racine carre de la
variance de X. On le note (X) :
(X) V(X)
L'cart-type de X prcise lui aussi la dispersion
de X. Il est dautant plus grand que X est
disperse.
94
Proprit
Soit :
a et b sont deux rels tels que a < b.
X une variable alatoire continue.
f sa densit de probabilit.
F sa fonction de rpartition.
95
Consquences :
P(X = a) = 0 ; P(X = b) = 0 ;
a
P(X a) = P(X < a) = F(a) = f ( x )dx ;
97
exp
2
(xIR) f(x) =
2
40,000%
35,000%
30,000%
25,000%
20,000%
15,000%
10,000%
5,000%
0,000%
-3
-2
-1
1,52656E-15
99
X m
100
101
18,000%
16,000%
16,000%
14,000%
14,000%
12,000%
12,000%
10,000%
10,000%
8,000%
8,000%
6,000%
6,000%
4,000%
4,000%
2,000%
2,000%
0,000%
2 3 4 5 6 7 8 910111213141516171819202122232425
0,000%
4,651530772
7,101020514
9,550510257
12
14,44948974
16,89897949
19,34846923
103
10,000%
9,000%
9,000%
8,000%
8,000%
7,000%
7,000%
6,000%
6,000%
5,000%
5,000%
4,000%
4,000%
3,000%
3,000%
2,000%
2,000%
1,000%
0,000%
1,000%
0,000%
6,583592135
11,05572809
15,52786405
20
24,47213595
28,94427191
33,41640786
104