Probabilit Conditionnelle Formules Importantes Dans la probabilit conditionnelle, comme je lai rpt pas mal de fois, on a deux relations importantes et une astuce qui aident dans le calcul. La 1re relation cest la 1re formule de Bayes : P (A = B) =
P (A \ B) P (B)
P (Evenement cherch n Evenement dja ralis) =
P (Evnmt chrch et Evenmt Ralis)
P (Evnm ralis)
On peut conclure cette relation
P (A = B)
P (B) = P (A \ B)
Donc comme vous remarqu, pour calcul P (A=B) il nous faut la valeur de P (B) et P (A \ B): Cherchons P (B) : Pour cela nous avons besoin de comprendre la notion du systme complet, cest tout simplement quand je dvise des ensembles incompatibles deux deux. Exemple 1 Une salle qui contient des hommes et des femmes ; Une Fte qui contient des hommes et femmes et enfants. Un usine qui contient 3 machines : Machine 1 ; Machine 2 ; Machine 3. ...... 2
Probabilit Conditionnelle
dans ce cas l, pour tudier un vnement il su t de letudier dans chaque
ensemble, Exemple 2 Les porteurs des lunettes dans la Salle ; Les malades dans la fte ; Les pieces dfectueuses dans lusine ..... Donc on peut voir cette evenement dans
sous cette forme :
est partitionne en sous ensembles Ai qui forment un systme complet de
, et on voit que levenement B est : B = (B \ A1 ) [ (B \ A2 ) [ :::: [ (B \ An ) Alors on peut calculer P (B) : P (B) = P (B \ A1 ) + P (B \ A2 ) + ::::: + P (B \ An ) = P (B=A1 ):P (A1 ) + P (B=A2 ):P (A2 ) + ::::: + P (B=An ):P (An ) et cest a la 2me formule importante, Il nous reste juste lastuce, tous simplent lastuce sebase sur : A \ B = B \ A , P (A \ B) = P (B \ A) Donc, il su t que vous lisiez les donnes corrctement, et pour cel nous allons voir la notion de larbre.
Probabilit Conditionnelle
1.2
Larbre des probabilits :
Soit A et B deux evenement de O, et dans chacun des deux evenements on va tudir 3 vnements (E1 ; E2 et E3 ); et levenement E3 donne trois autres vnements (M1 ; M2 et M3 ): Donc Voici notre arbre de probabilits :
Comme vous avez remarqu, chaque branche nous donne une information (Une probabilit), cette branche indique la probabilit de la n du branche sachant sa racine (Noeud) Exemple 3 De A vers E1 nous donne P (E1 =A); et de E3 vers M1 nous donne P (M1 =E3 ): Cette arbre nous permettre de trouver aussi les intersections entre les vnements. Exemple 4 P (E1 \ A) = P (A) P (E3 \ B) = P (B)
P (E1 =A) = P (A \ E1 )
P (E3 =B) = P (B \ E3 )
P (M1 \ E3 \ A) = P (M1 =E3 )
P (E3 =A)
P (A):
Probabilit Conditionnelle
1.3 1.4
Application : On classe les grants de portefeuille en deux catgories : ceux qui sont bien informs et ceux qui ne le sont pas. Lorsquun grant bien inform achte une valeur boursire pour son client, la probabilit que le cours de celle-ci monte est de 0.8 ; dans le cas dun grant mal inform, cette probabilit ne vaut que 0.5. Si on choisit au hasard un grant dans un annuaire professionnel, la probabilit quil soit bien inform est de 0.2. Calculer la probabilit que le grant ainsi choisi soit mal inform, sachant que la valeur quil a achet a mont. Rponse : Avant de rpondre, cest mieux de bien lire et faire un schma pour lexercice sous forme darbre. I = M =
Gerant bien inform.
La valeur boursire a mont.
Probabilit Conditionnelle
titre
3 :jpg
Daprs la formule de Bayes, on peut conclure que :
P (M P (M P (M P (M
\ I) \ I) \ I) \ I)
= = = =
P (I P (I P (I P (I
\ M ) = P (M \ M ) = P (M \ M ) = P (M \ M ) = P (M
=I) P (I) = 0:8 0:2
= I) P (I) = 0:5 0:8 = I) P (I) = 0:2 0:2 = I) P (I) = 0:5 0:8
Remarque 1.1 Faire attention : P (M \ I) = P (I \ M ) car M \ I = I \ M
mais P (M = I) 6= P (I = M ) On a aussi : P (M ) = P (M \ I) + P (M \ I) Donc sachant que la valeur a mont (M ) on cherche de calculer la probabilit
Probabilit Conditionnelle
quelle soit dun grant non bien inform (I): Cest dire, calculer P (I= M ): P (I \ M ) P (M ) P (M \ I) = P (M \ I) + P (M \ I) 0:5 0:8 = 0:8 0:2 + 0:5 0:8 5 = 7
P (I = M ) =
2.
Variable Alatoire :
Comme son nom lindique cest le variable quon sait rien sur lui davance mais on sait toutes les valeurs quil peut prendre durant une xprience. Pour un variable alatoire, on doit connaitre 4 choses importantes : 1. Lespace du variable alatoire X( ) = fLes xi g : Se sont les lments possible que le variable alatoire peut prendre, par exemple : X : le chire obtenue dans un lancement dun d bien quilibr une fois ) X( ) = f1; 2; 3; 4; 5; 6g X : le nombre de pile obtenu aprs 3 lancement dune pice de monnaie ) X( ) = f0; 1; 2; 3g
2. La loi du variable P (X = xi ) : Loi de probabilit a veut dire la loi qui chaque valeur xi sa probabilit, elle est donne sous forme dun tableau et aussi elle peut tre une loi usuelle connue (On va les connaitre aprs). Pour que P soit une loi il faut que : X X P (X = xi ) P (X = xi ) = 1
Exemple : X : le chire obtenue dans un lancement dun d bien quilibr une fois : xi 1 2 3 4 5 6 P (X = xi ) 16 16 16 16 16 16 X : le nombre de pile obtenu aprs 3 lancement dune pice de monnaie : xi 0 P (X = xi ) 18
3 8
3 8
1 8
Probabilit Conditionnelle
3. Lesprence E(X) et la variance V ar(X) :
Lesprence :
E(X) =
La variance :
xi
P (X = xi )
E(a) = a ; E(aX) = aE(X)
X E(X 2 ) = xi 2 P (X = xi ) V ar(X) = E(X 2 ) [E(X)]2 V ar(a) = 0 ; V ar(aX) = a2 V ar(X)
4. La fonction de masse f et la fonction de rpartition F : Vous les trouvrer
dans votre Polycope du cours et cest vous de me les expliquez.
