Professional Documents
Culture Documents
CHAPITRE 1
Rappel
Exprience alatoire
Une exprience alatoire est une exprience se
caractrisant de deux faons:
1. On ne peut pas prdire avec certitude le rsultat.
2. Nous pouvons dcrire priori lensemble de
tous les rsultats possibles.
Lespace de tous les rsultats possibles de
lexprience est appel espace dtats. Il est not
.
Un rsultat possible de lexprience est not
donc
Exemples
Lancer une pice de monnaie
P, F qui serait assimil 0, 1
Lancer un d
1, 2, 3, 4, 5, 6
Evnement alatoire
Le principe de multiplication
Soit une exprimentation complexe qui peut tre divise
en une squence dtapes 1, 2, 3, et :
1 a N1 rsultats possibles, nimporte quel rsultat de
1 peut tre suivi par N2 rsultats de 2, nimporte
quelle combinaison de rsultats de 1 et 2 peut tre
suivie par N3 rsultats de 3, et ainsi de suite alors
lexprience compose : 1 suivie de 2 suivie de 3,
a N1 x N2 x N3 x rsultats possibles.
Exemple:
4 chemins relient le point A au point B, et 3 chemins relient
B C. Combien y a-t-il ditinraires pour aller de A C ?
Il sagit dune succession dpreuves lmentaires, donc
le principe de multiplication peut sappliquer, il existe
donc 4 fois 3, soit 12 itinraires reliant A C.
(N.B. Un diagramme en arbre peut galement tre
utilis).
Arrangements
E tant un ensemble n lments, on appelle arrangement de
p lments de E, toute suite de p lments distincts
disposition ordonne
de E.
p
On le note An.
Anp n (n 1) (n 2) ... (n p 1)
Exemple
n!
(n p)!
755160
(31 4)!
27!
Si les postes du prsident et du secrtaire doivent tre
occups par une fille et les autres postes par un garon :
18!
13!
2
A18 A132
18 17 13 12 47736
(18 2)! (13 2)!
Combinaisons
E tant un ensemble n lments, on appelle combinaison
de p lments de E, toute disposition non ordonne (partie)
de p lments distincts de E.
p
On la note Cn .
Anp
n!
C
p!(n p )! p!
p
n
fn
fn
Rgles de calcul
Soient E et F deux vnements relatifs la mme
exprience alatoire, nous avons:
1. P(E) = P(Ec) =1 P(E)
2. P() = 0
3. P()=1
4. Si E F alors P(E) P(F)
5. 0 P(E) 1
6. P(E F) = P(E) - P(E Fc) = P(F) - P(F Ec)
7. P(E F) = P(E) + P(F) - P(E F) (rgle daddition
ou calcul des probabilits totales)
8. Lois de Morgan:
a. P((A B)c)= P(Ac Bc)
b. P((AB)c)= P(Ac Bc)
Probabilit uniforme
La probabilit P sur lespace fini est uniforme si
1
P
card ()
Sous lhypothse dquiprobabilit o P est une
probabilit uniforme et A un vnement
quelconque:
card ( A)
P ( A)
card ()
Le calcul des probabilits se ramne au calcul
Combinatoire.
Exemple
Contrle de qualit.
Une bote contient 30 objets dont 10 sont dfectueux.
1. On prlve 5 objets en une fois, quelle est la probabilit
que, parmi ces 5 objets, 2 soient dfectueux , P(2D) ?
2. On prlve successivement 5 objets avec remise, quelle
est la probabilit dobtenir, 2 dfectueux et 3 non
dfectueux, P(2D_3ND) ?
Rp.
3
C 20
C102
1. P (2 D )
C305
2
5! 1 2
2. P (2 D _ 3ND)
2! 3! 3 3
Probabilit conditionnelle
Si A est un vnement associ une exprience
alatoire et B un vnement de probabilit non
nulle associ la mme exprience alatoire,
alors la probabilit de ralisation de A lorsque B
est
ralis
sappelle
la
probabilit
conditionnelle de A sachant B et lon note :
def
P( A | B)
P( A B)
o P(B) 0
P( B)
Probabilit conditionnelle
1. Formule des probabilits composes:P ( A ) 0 et P ( B ) 0
P ( A B) P ( A) P ( B | A) P ( B ) P ( A | B )
2. Formule de multiplication des probabilits:
P ( E1 E2 ... En1 ) 0
P( Ei E j ) 0 i j et Ei def
i 1
P(Ei ) . P(A|Ei )
P( A)
4. Formule de Bayes:
i 1
n
P( Ei E j ) 0 i j et Ei
i 1
def
P ( Ei / A)
P(Ei ) P( A / Ei )
n
P(E ) . P(A|E )
i
i 1
Indpendance
Soit B un vnement de probabilit non nulle, un
vnement A sera dit indpendant de B si la connaissance
de la ralisation de B ne donne aucune information sur la
probabilit que A se ralise.
Autrement dit, si la probabilit de A, sachant B est
la probabilit de A, alors :
P(A/B) = P(A)
et donc
P(AB) = P(B).P(A).
Remarques:
1. Lindpendance de A et B na rien voir avec
lincompatibilit A B
2. A et B sont in dpendants A c et B c indpendan ts
A c et B sont indpendan ts A et B c sont indpendan ts
3. Des vnement {An , nIN} sont indpendants ssi
Exemple
Certains programmes Master demandent aux tudiants qui font
une demande dadmission de passer 2 tests et dobtenir pour le
premier test CG un rsultat dau moins 500 et dau moins 600
pour le test de mathmatique.
Un tudiant value ses chances dobtenir la note minimale
requise pour lexamen de mathmatique 75% et value ses
chances de russir les deux tests 50%.
Si ltudiant dcouvre quil a russi le test de mathmatique avec
une note suprieure la note de passage, quelles sont ses
chances de passer lexamen CG avec la note minimale requise.
Rponse
A : Russir lexamen CG
B : Russir lexamen de Mathmatique
P( A / B)
P ( A B ) 0 .5
0.666
P( B )
0.75
Exemple
Un professeur sait par exprience que la probabilit de russir
son cours est de 0,95 pour ltudiant(e) qui travaille
rgulirement, de 0,5 pour celui ou celle qui travaille plus ou
moins et de 0,2 pour qui ne travaille pas du tout. Il estime, de
plus, que parmi les lves qui suivent son cours, 50 %
travaillent rgulirement et 35 % travaillent plus ou moins. Si
lon considre un(e) tudiant(e) au hasard dans un groupe
auquel ce professeur enseigne, trouver la probabilit :
a) quil (ou elle) russisse le cours
b) Quayant russi, il (ou elle) nait pas travaill du tout.
Rponse
A : ltudiant(e) qui travaille rgulirement
B : ltudiant(e) qui travaille + ou C : ltudiant qui ne travaille pas de tout
R : russir le cours
P (C / R )
0.0441
P( R)
0.68
Variable alatoire
Une variable alatoire est une fonction qui associe
chaque rsultat dune exprience alatoire un nombre
rel
X :
x
Elle nous fournit un moyen de dcrire de faon
numrique les rsultats dune exprience.
Elle associe une valeur numrique chaque rsultat
possible.
Lusage des V.A. permet le calcul des probabilits par
des mthodes analytiques, sans passer par les lments
de .
10
E(X) E xP(X x)
V(X)E(X E(X) )
2
( X ) Var ( X )
11
Exemple
Evolution de deux titres fictifs, lun trs volatil et lautre
peu volatil.
Observations toutes les units de temps. Les variations
sont indpendantes et de mme loi.
Ces deux titres valent 100 au dpart, 110 la fin, ont tous
deux une moyenne de 105,52. Lcart type est gal 16,24
pour le premier et 1,32 seulement pour le second.
P(a X b) f(x)dx
f ( x ) dx 1
Fonction de rpartition :
x
F (x ) P (X x )
Esprance :
Variance:
f ( t ) dt
E ( X ) x .f ( x ) d ( x )
E ( X 2 ) t 2 f (t )dt
12
Variable continue
Variable discrte
25
P( X
1
n
n 2 1
V (X )
12
k )
E ( X ) n 1
2
Loi de Bernouilli
X={0,1} :
P( X 1 ) p
E (X ) p
V ( X ) p ( 1 p )
13
Loi binomiale
On rpte n fois dans des conditions identiques une
exprience o lon observe lapparition ou pas dun
vnement avec chaque exprience la mme probabilit
p dapparition.
X= nombre dapparition de lvnement = n fois une
bernouilli
X={0,1,2, , n) :
P( X k ) C nk p k ( 1 p )n k
E ( X ) n p
V ( X ) n p ( 1 p )
Exemple
La probabilit qu'un tireur atteigne une cible est gale
1/3. Sur 5 tirs, indpendants les uns des autres, quelle est
la probabilit que le tireur natteigne la cible aucune fois ?
Rp. 32/243
Dans un atelier fonctionnent 10 machines identiques et
indpendantes. La probabilit pour que lune quelconque
dentre elles tombe en panne dans le mois est 0,1.
Dterminer les probabilits des vnements suivants:
1) Aucune panne dans le mois.
2) Il y a au moins une panne dans le mois.
Rp.
1)P(X=0)~~34,9%.
2) P(X>=1)=1-P(X=0).
14
Loi gomtrique
On rpte l'preuve de Bernoulli de faon indpendante
jusqu' l'obtention d'un succs.
Soit X le nombre de rptitions ncessaires l'obtention
d'un succs.
L'vnement X = k est la conjonction de k 1 checs
suivi d'un succs.
Lvnement de probabilit p apparat au kime essai :
P ( X k ) P ( X 1 0 ; X 2 0 ;...; X k 1 ) ( 1 p ) k 1 p
1
1 p
E(X )
V (X )
p
p2
Loi hypergomtrique
La distribution hypergomtrique permet de calculer
la probabilit d'obtenir x succs et n-x checs lorsqu'on
choisit n lments sans remise partir d'une population
de taille N.
La diffrence majeure entre cette loi et la loi binomiale
est que les tirages ne sont pas indpendants et la probabilit
de succs change dun tirage lautre.
Crx .CNnxr
f ( x) P( X x)
CNn
N=
taille de la population;
n=
taille de lchantillon;
r=
nombre dindividus dans la population qui possdent
la caractristique tudie (considrs comme un succs);
N-r= nombre dindividus dans la population qui ne possdent pas
la caractristique tudie (considrs comme un chec);
15
La distribution hypergomtrique
E ( X ) n. p
N n
VAR ( X ) n. p.q.
N 1
Exemple:
On prlve au hasard un chantillon de 20 pices dans une
production totale de 500 pices comportant en tout 5 pices
dfectueuses. Quelle est la probabilit qu'il y ait exactement 2
pices dfectueuses dans l'chantillon ?
Rp.
P( X 2)
18
C52 .C500
5
20
C500
Exemple:
On joue avec deux ds quilibrs six faces numrotes
de 1 6. On jette un premier d. On jette ensuite le deuxime
d jusqu' ce qu'il indique le mme numro que le premier.
Soit X le nombre de fois qu'il faut lancer le deuxime d pour
qu'il indique le mme numro que le premier.
a) Etablir la loi de probabilit de X.
b) Calculer son esprance mathmatique et sa variance.
Rp.
On lance le deuxime d au moins une fois, donc X()1.
Le numro du premier d tant fix, la probabilit pour que
X = 1, cd la probabilit pour que le deuxime d indique
le mme numro que le premier son premier lancer est :
P (X = 1) = p = 1/6 . Le deuxime d donne le mme numro
que le premier seulement au nme lancer ssi les n 1 premiers
lancers ont donn un numro diffrent et le nme a donn le
mme numro. Donc : P (X = n) = p q n 1 ,q = 1 p.
X est une variable gomtrique de paramtre p =1/6 sur N*.
16
k
P( X k ) e
k!
E (X )
V (X )
Exemple:
Dans une grande usine, on sait par exprience quil se
produit en moyenne 1,8 accidents de travail par semaine.
Trouvons :
1- La probabilit quil se produise, dans cette usine, au plus
2 accidents dans une semaine;
2- La probabilit quil se passe 2 semaines sans quil se
produise daccident dans cette usine.
Rp.
1,8
1
1,8
2 e
P
[
X
2
]
e
[
1
(
1
,
8
)
(
1
,
8
)
]
1.
1!
2!
2. P[X=0].P[X=0]=e-2*1,8
17