Vous êtes sur la page 1sur 33

Chapitre 1

Rappels de probabilits
Probabilits conditionnelles et formule de Bayes
Dnombrement

Bachelor 2
Probabilits et Statistique pour lingnieur
Cycle ingnieur des travaux

Sept. 2010
H. Moussa

Objectif et contenu du cours

Objectifs : Sensibiliser aux difficults de la modlisation de l'ala et montrer la ncessit d'introduire de


nouveaux outils thoriques pour aborder la manipulation de modles alatoires en hydrologie et dans les
autres sciences de l'ingnieur.

Contenu
I. Rappels de probabilits - Probabilits conditionnelles et formule de Bayes (3h CM + 3 h TD)
II. Variables alatoires et lois usuelles, thormes limites
(3h CM + 3 h TD)
III. Statistique descriptive simple
(3h CM + 1 h TD + 2 h TP)
I V. Statistique double : corrlation, indpendance , rgression linaire
(4 h CM + 2 h TD + 2h TP)
V. Estimation, intervalles de confiance , tests dhypothses
(8 h CM + 6 h TD + 2 h TP)

Volume horaire :
CM

TD

TP*

Evaluation

Total

21 h

15 h

6h

2x3h

48 h

* Statistique descriptive + rgression linaire + applications de tests sous Excel

Bibliographie
Kreyszig E., Advanced Engineering mathematics. 9th
ediition, Willey college, 9me dition , 2010
Saporta G., Probabilits, analyse des donnes et
statistique. Technip, 2006, 2me dition.
Wonnacott & Wonnacott, Statistique : conomie,
gestion, science, mdecine, Economica, 1991.
Walder Masiri, Statistique et calcul de probabilits ,
Sirey 1988, 6me dition.
3

Plan du chapitre 1

Introduction
Axiomes de probabilits
Probabilits conditionnelles et thorme de
Bayes
Dnombrement et combinatoire

Thorie des probabilits & Statistique mathmatique


Thorie des probabilits :
Pourquoi ?
pour prendre en compte linfluence de la chance (l'alatoire ) dans la survenue
dun vnement

Comment ?
En fournissant des modles thoriques suivant des lois de probabilits ; modles
qui seront tests par des mthodes statistiques .

Statistique mathmatique ( la statistique):


La statistique = ensemble de mthodes permettant d'analyser des
donnes d'observations
Attention: Une (les) statistique(s) = donne statistique
Ex. : mesure de llasticit dune plaque mtallique; ge dune population
Domaines d'application :en ingnierie
hydrologie, qualit, environnement, jeux , informatique, robotique,
automatisation, planification urbaine
5

Vocabulaire statistique
Population (limite ou de trs grande taille)
Individus appartenant la population
chantillon : partie de la population
Le bon chantillon est celui choisi de faon alatoire

Recensement = Interroger toute la population


Sondage = Interroger une partie de la population (un
chantillon)
Variable = caractristique dfinie sur la population
quantitative (discrte ou continue)
qualitative (nominale ou ordinale )
6

Mthodes statistiques
Hypothse de base : les donnes observes dcrivent un phnomne
de nature alatoire
Analyse exploratoire des donnes dun chantillon
1.
2.

Comment reprsenter des donnes sous forme de graphes ?


Comment extraire et synthtiser numriquement linformation contenue dans
ces donnes ?
=> notion de variable alatoire distribue selon une loi de probabilit

Statistique descriptive / analyse des donnes

Approche dcisionnelle

Comment utiliser linformation extraite d un chantillon pour faire des


prvisions gnralises toute la population ?

laboration de modles probabilistes


Tests et validation des modles

Statistique infrentielle
7

Rappels de probabilits
Exprience alatoire : exprience dont le rsultat ne peut
pas tre prvu a priori
Espace fondamental () : ensemble des rsultats possibles
dune exprience alatoire
vnement lmentaire () : un lment de l'espace
fondamental
vnement alatoire : ensemble dlments lmentaires.
Un vnement peut tre VRAI ou FAUX suivant le rsultat
de l'exprience alatoire. Ce sont des sous-ensembles de .
8

Exemple 1 : exprience alatoire (e.a.) et espace


fondamental (
)
1.

E.a : Contrler la qualit dune lampe non. = {dfectueux, non


dfectueux}

2.

E.a : Lancer un d. = {1, 2, 3, 4, 5, 6}

3.

E.a : Mesurer llasticit dun fil de fer . = I o I est un intervalle


de IR+.

4.

E.a : Mesurer la teneur en cuivre du laiton. = ]50%, 100%[

5.

E.a : Compter le nombre daccidents de la route journalier


Ouagadougou. = I ou I est un intervalle de IR+

6.

E.a : Sondage dopinion sur les chances dlection dun candidat la


prsidence . ={ Pour, Contre, Indcis }

Exemple 2
Exprience alatoire : on lance un d
Rsultat de lexprience : on obtient la face n..
Espace fondamental : = {ensemble des faces du d}
= {1, 2, 3, 4, 5, 6}

vnement lmentaire
Lespace fondamental contient 6 vnements lmentaires.
Ex.: {5} dsigne lvnement lmentaire correspondant au rsultat on
obtient la face n 5
=> Notations : {5}; ( = 5 ); (on obtient la face n 5 );
Evnement alatoire
Ex. : A= (on obtient une face paire) = {2, 4, 6}; B= (on obtient une face
impaire) = {1, 3, 5}; C= (on obtient une face suprieure 4) = {5, 6};

10

Remarques
Si lissue dune exprience alatoire, le rsultat se
ralise et si est lment de lvnement A ( A), on
dit que ralise A
Dans lexemple 2, si lvnement lmentaire {5} = (on
obtient la face n5) se ralise alors les vnements B= {1,
3, 5} et C = {5, 6} se ralisent aussi.
En particulier , lespace fondamental se ralise si certains
vnements de se ralisent toujours.
Une e.a. est souvent rpte plusieurs fois dans les
mmes conditions. Chaque rptition est appele essai.
11

Relations entre ensembles et probabilits (1)


Notations Thorie des ensembles

Probabilits

{}

singleton de

vnement lmentaire

A
A
AB
AB
AB

A sous-ensemble de

vnement alatoire

appartient A

ralise A

A est contenu dans B

A implique B

runion de A et B

A ou B

intersection de A et B

A et B

complmentaire de A

vnement contraire de A

ensemble vide

ensemble plein

AB= A et B disjoints

vnement impossible
vnement certain
A et B incompatibles
12

Relations entre ensembles et probabilits (2)


A1, A2, A3, ...,An est un systme complet d'vnements , si les
parties A1, A2, A3, ...,An de constituent une partition de .
En particulier, A et A forment un systme complet.
Exemple : e. a = lancer dune pice de monnaie;
= {pile, face}; les vnements A = {pile} et A = { face}
forment un systme complet de . En effet , AA = et
AA = .
Remarque : Tout comme les ensembles les vnements
peuvent tre reprsents par des diagrammes de Venn.

13

Loi de probabilit : premire dfinition


Def1: Dans un espace fondamental fini o tous les
vnements lmentaires sont quiprobables, la probabilit
doccurrence P(A) dun vnement A est :
Nombre d' lments de A card A
P(A) =
=
Nombre d' lments de card

Remarque : Cette dfinition nest pas gnralisable car


lquiprobabilit nest pas toujours vrifie.
Gnralisation : on utilise la notion de frquence relative
la frquence doccurrence f dun vnement A , lissue de n
essais dune exprience alatoire est :
f=

Nombrede ralisations de A Nombrede ralisations de A


=
Nombre d'essais
n

14

Loi de probabilit : dfinition gnrale


Soit un espace fondamental , tout vnement A de est associ
un nombre P(A) appel probabilit de A et dfini par les axiomes
suivants :
0 P(A) 1, A ,
P() = 1
Si A et B sont incompatibles (A B = )
P(A B) = P(A) + P(B)
Par extension, si les vnements A1, A2, A3, ...,An sont mutuellement
exclusifs alors :
P(A1 A2 A3 ... An ) = P(A1 ) + P(A2 ) +P(A3) + + P(An )

1.
2.
3.

Lorsque ces 3 axiomes sont vrifis , on dit que P est une loi de
probabilit sur ou que (, P) est un espace probabilis.

15

Proprit 1
Rgle de complmentarit :

P(A) = 1 P(A)
En particulier :

16

Exemple 3
On lance simultanment 5 pices de monnaie. Quelle est la
probabilit doccurrence de lvnement A = ( Face
apparait au moins une fois) ?
Il y a 25 = 32 rsultats possibles => Card = 32
On suppose que est muni de lquiprobabilit
Lvnement contraire de A est : A = (Pile apparait 5 fois)
A est un vnement lmentaire de => P( A) =1/32
Daprs la rgle de complmentarit, on trouve :
P(A) = 1 P( A ) = 1 - ( 1/32 ) = 31/32

17

Proprit 2
Rgle daddition dvnements mutuellement
exclusifs :
P(A A A ...A ) =
1 2
3
n
P(A ) + P(A ) + P(A ) +...+ P(A )
1
2
3
n

(avec Ai Aj = Si i j )
18

Exemple 4
Le tableau ci-dessus prsente les probabilits quun certain nombre de
voitures se prsentent dans un garage un jour ouvr. Quelle est la
probabilit pour quau moins de 21 voitures soient reues ?
10-20

21-30

31-40

+ de 40

0.20

0.35

0.25

0.12

Soient les vnements :

A1 = ( 10-20) = ( le garage reoit entre 10 et 20 voitures)


A2 = ( 21-30) = ( le garage reoit entre 21 et 30 voitures)
A3 = ( 31-40) = ( le garage reoit entre 31 et 40 voitures)
A4 = ( + de 40) = ( le garage reoit plus de 40 voitures)

=> ces vnements sont mutuellement exclusifs


alors A = (le garage reoit au moins 21 voitures) = A2 A3 A4
Daprs la proprit 2, on a : P(A) = P(A 2 A 3 A 4 )

= P(A 2 ) + P(A 3 ) + P(A 4 )


= 0 .35 + 0 .25 + 012
= 0 .72

19

Proprit 3
Rgle daddition dvnements quelconques

P(A B) = P(A) + P(B) P(A B)

B
A
B
20

Exemple 5
On lance un d non-pip, Quelle est la probabilit dobtenir un
nombre impair ou un nombre infrieur 4 ?
Lespace fondamental associ lexprience alatoire est :
= {1, 2, 3, 4, 5, 6}. Les vnements de sont quiprobables.
Soient les vnements :
A = ( on obtient un nombre impair) = {1, 3, 5}
B = ( on obtient un nombre infrieur 4 ) = {1, 2, 3}

Alors A B = (on obtient un nombre impair infrieur 4) = {1, 3}


Daprs la proprit 3 : P(A B) = P(A) + P(B) P(A B)
card A
card
+
card
card
3
3
2
=
+

6
6
6
2
=
3
=

P(A

B)

B
card A B

card

21

Probabilits conditionnelles
Soient (, P) un espace probabilis, A et B 2 vnements
quelconques. On sintresse souvent la probabilit doccurrence
de lvnement A sous la condition que lvnement B soit ralis.
Cette quantit sappelle la probabilit conditionnelle de A si B :
P(A B ) =

P(A I B)
P(B)

(P(B) 0)

De mme, la probabilit conditionnelle de B si A est :


P(B A ) =

P(A I B)
P(A)

(P(A) 0)
La probabilit conditionnelle possde les mmes proprits que la
probabilit usuelle.
22

Exemple 6
On lance 3 pices de monnaie les unes la suite des autres . Calculer la
probabilit conditionnelle pour que la premire pice affiche PILE
sachant qu'il y a exactement 2 faces semblables.
On considre = {FFF, FFP, FPF, FPP, PPP, PFP, PPF, PFF} muni de
lquiprobabilit (F= face; P= pile)
Soient les vnements :
A= ( la 1re pice affiche P) = { PPP, PFP, PPF, PFF}
B = ( exactement 2 faces semblables) = { FFP, FPF, FPP, PFP, PPF , PFF}
A B = (la 1re affiche P et exactement 2 faces semblables) = { PFP , PPF,
PFF}

Equiprobabilit : P(A) = 4/8 = 0.5; P(B) = 6/8 = 0.75; P(A B )= 3/8


La probabilit pour que la premire pice affiche PILE sachant qu'il y a
exactement 2 faces semblables :
P(A B ) =

P(A I B) 3 / 8 1
=
=
P(B)
6/8
2
23

Thorme de la multiplication
Soient (, P) un espace probabilis, A et B 2
vnements de tels que P(A) 0et P(B)
0 alors

P(A I B) = P(B A )P(A) = P(A B )P(B)


(Thorme des probabilits composes)

24

Exemple 7
On effectue un contrle de qualit dans un lot de vis. La probabilit quune vis
soit trop mince est 0.1; la probabilit quune vis soit trop courte sachant quelle
est trop mince est 0.2. Quelle est la probabilit quune vis choisie alatoirement
dans le lot soit la fois trop mince et trop courte ?
Soient les vnements :
A= (trop mince)
B = (trop courte)
On cherche la probabilit de lvnement A B = (trop mince et trop courte) .
On a :
P(A) = P (trop mince) = 0.1
P(B|A) = P(trop courte |trop mince) = 0.2
Daprs le thorme de la multiplication : P(A B)= P(B|A) P(A) = 0.2 x 0.1 =0.02
=> Il y a 2% de chance quune vis choisie alatoirement soit la fois trop mince
et trop courte
25

Evnements indpendants
Soient A et B 2 vnements d un espace probabilis (, P) tels que :

P(A I B) = P(A)P(B)
A et B sont appels vnements indpendants.
Si P(A) 0 et P(B) 0 , alors P(A|B) = P(A) P(B|A) = P(B)
La probabilit de ralisation A ne dpend pas de la ralisation ou de la non
ralisation de lvnement B et inversement.
Remarque : 2 vnements A et B non impossibles et incompatibles

sont toujours dpendants puisque P(A B) = 0 et P(A)P(B) 0.


Gnralisation : m vnements sont mutuellement indpendants si :
P(A1 A2 A3 ... Am ) = P(A1 ) . P(A2 ) . P(A3) P(Am )
indpendance 2 2 mais rciproque fausse
26

Exemple 8
1. On lance deux ds. = {1,2,3,4,5,6} est muni de lquiprobabilit.
Soient les vnements : A = (le premier d donne un nombre pair),
B =( le deuxime d donne un nombre impair) et
C = (les deux ds affichent un nombre pair)
On a : P(A) = 0.5; P(B) = 0.5; P(C) = 0.25;
P(AB) = 0.25; P(A C) = 0.25; P(B C) = 0.
Montrer que A et B sont indpendants, A et C sont dpendants, B et C sont
dpendants.
On lance une pice deux fois de suite. = {FF ; FP ; PF ; PP} est muni
de lquiprobabilit.
Soient les vnements : D = "FACE au premier lancer " ;
G = "FACE au second lancer".
P(D) = 0.5 ; P(G) = 0.5 ; P(D G) = 0.25. Alors D et G sont
indpendants car : P(G) * P(D) = 0.5 *05= 0.25 = P(G D)  
2.

27

Thorme de Bayes
Thorme de Bayes A et B 2 vnements dun espace probabilis (, P)
On ralise une exprience alatoire en deux tapes :
B vnement relatif la deuxime tape est ralis
A vnement relatif la premire tape, alors :

P(A B ) =

P(B A )P(A)
P(B)

Soit A1, A2, . . . , An une partition de ,

Loi des probabilits totales

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) B :
Probabilits des causes
(Thorme de Bayes)

P(A i B) =

P(A i B)P(B)

P(B A )P(A )

1 j n

28

Exemple 8
Une usine produit des crans d'ordinateurs et le travail est rparti sur 3 chaines A,
B, C. La chaine A assure 20% de la production et 5% des crans fabriqus sur la
chaine A sont dfectueux.
La chaine B assure 30% de la production et a un taux de 4% d'crans dfectueux.
La chaine C assure 50% de la production et a un taux de 1% d'crans dfectueux.
a) On choisit au hasard un cran. Calculer les probabilits qu'il soit :
- dfectueux et produit par A
- dfectueux et produit par B
- dfectueux et produit par C.
b) Calculer la probabilit pour qu'un cran dfectueux
- provienne de A
- provienne de B
- provienne de C.

29

Tirage alatoire avec ou sans remise


Exemple : Un lot contient 10 vis parmi lesquelles 3 sont dfectueuses .
2 vis sont tirs alatoirement. Dterminer la probabilit pour quaucune des vis
ne soit dfectueuse ?
On considre les vnements A = la 1re vis est non dfectueuse ,
B = la 2me vis est non dfectueuse . On cherche P(A B).
Sous lhypothse dquiprobabilit, on a P(A) = 7/10 = 0.7. Mais P(B) dpend
du mode de tirage :
- Tirage alatoire avec remise : P(B) = 7/10;
les vnements A et B sont indpendants. Par consquent ,
P(A B) = P(A )x P(B) = 0.7 x 0.7 = 0. 49 soit 49 %
- Tirage alatoire avec remise : P(B) dpendant de A
P(A B) = P(B|A )x P(B) Or P(B|A ) = 6/9 = 2/3
Donc P(A B) = 2/3 x 0.7 = 0. 466 soit environ 47 %
30

Permutations
Thorme 1
a)

Le nombre de permutations de n objets tirs simultanment est n!

n ! = 1 .2 .3 L n
b)

Lorsque n objets peut tre diviss en c groupes diffrents alors, le


nombre de permutations de n objets tirs simultanment est :

n!
n 1 ! n 2 ! n 3 !L n c !
(n1, n2, n3, ..nc : nombre dobjets par groupe avec n1 + n2 +n3 +...+ nc = n)

Exercice: Une urne contient 6 boules rouges et 4 boules noires. Quelle est
La probabilit de tirer une boule rouge puis une boule noire ?
P = 6! 4!/10! = 1/210
=> Permutation : lordre des lments est important !
31

Permutations
Thorme 2
a)

Le nombre de permutation de n lments pris k k sans rptition


est :
n!
k
n(n 1)(n 2)L(n k +1) =

(n k )

= An

(arrangement de k lments)

Exemple : il y a 6 (= 2x3) permutations


de 3 lettres abc prises 2 2 sans
n!
rptition : ab, ac, bc, ba, ca cb
1

b)

Le nombre de permutation de n lments pris k k avec rptition


est :
k

Exemple : il y a 9 (=3) permutations de 3 lettres abc prises 2 2 avec


rptition : ab, ac, bc, ba, ca cb, aa,bb,cc
32

Combinaisons
Sans rptition : nombre de sous ensemble k lments tels que
2 ensembles ne contiennent pas les mme lments.

n!
C =
k!(n k )!
k
n

Avec rptition : nombre de sous ensemble k lments ; 2


ensembles peuvent contenir les mme lments.

k
n + k 1

(n + k 1)!
=
k!(n 1)!

=> Combinaisons : lordre des lments nest pas important !


33