Analyse combinatoire (permet de dénombrer les diff. façons d'ordonner/choisir 1 certain nb d'élém.

Pris ds1 ensemb)

La fonction factorielle, notée n! Est défini par n!=n(n-1) (n-2)... 3*2*1 pour n entiers supérieur ou égal à 1 et 0!=1.
Principe des tiroirs: Avec n « tiroirs » à disposition pour y ranger n+k « objets » alors certains tiroirs contiendront
plus d’un objet. Ex.: dans un village de 400 habitants, y a-t-il 2 personnes qui sont nées le même jour (pas forcement
de la même année)? Ici, les tiroirs représentent les jours de l'année et les objets les habitants. Seuls 366 habitants
peuvent avoir des dates de naissance différentes.
Permutation sans répétition[prendre tt.] Pn = n (n-1) (n-2) ... 2 1 = n! On choisit dans un ensemble de n objets un
nombre n d'objets distincts que l'on range dans un ordre déterminé.
Ex.: M.Jones veut disposer 10 livres sur un rayon de bibliothèque. 4 sont des livres de maths, 3 d'économie, 2
d'histoire et 1 de langue. Jones veut les ranger par thème. Combien y a-t-il de disposition possible ? Il y a 4! manière
de ranger les livres de maths, 3! manières de ranger ceux d'économie, 2! histoire et 1! langue plus il y a 4! manière de
ranger les différents thèmes. Donc: 4! 4! 3! 2! 1! = 6912 manières.
n!
Permutation avec répétition[Prendre tt.]On a « n » éléments et on les prend tous. n1!...nk!
On choisit parmi p types d'objets, np objets de type p que l'on range dans un ordre déterminé.
Ex.: Sur une corde, on suspend 2 pulls, 4 chemises, 1 pantalon et 3 t-shirts. De combien de manières peut-on étendre
cette lessive s'il est impossible de distinguer les pulls (respectivement chemises, pantalons et t-shirt) entre eux?
Arrangement sans répétition[tient compte ordre] (utiliser nPr sur TexasI) n!
On choisit dans un ensemble de n objets un nombre k d'objets que l'on range dans un ordre déterminé. Ak 
n

(n  k )!
Ex.: Un groupe de 12 amis organise un petit concours de ski. Combien y a-t-il de podiums différents
-médaille d'or : 12 personnes ; -médaille d'argent: 11 personnes et médaille de bronze: 10 personnes
J'ai choisi « k » éléments parmi « n ». Celui qui a une médaille ne peut pas en avoir une autre.
Arrangement avec répétition[tient compte ordre]On peut prendre plusieurs fois le même élément. Ak  n k
n

Le nombre d'arrangements de k éléments parmi n avec répétition possible est noté.

Ex: Au sport-toto, il faut pronostiquer pour 13 matchs le résultat (gagné, perdu, nul) combien de pronostiques
différents y-a-t-il? 1er match (gagné, perdu, nul) 2e match (gagné, perdu, nul)...
Nous obtenons donc A313 = 313 = 1594323 pronostiques différents. L'ordre a une importance, car Gagné – perdu pas
égale à perdu – gagné C 52 * C 37  350
Combinaison sans répétition[Tient PAS compte ordre] « k » est tjrs plus petit que « n ». C n  n! Parmi n
k
k!(n  k )!
élément, on choisi k élément sans les classer dans un ordre particulier. Par rapport à un arrang sans répet, la position
exacte occupé par 1 élément dans une combi n'a aucune importance. Ex: A partir d'1 groupe de 5 hommes et 7
femmes, combien de comités différents de 2 hommes et 3 femmes peut-on formé?
Combinaisons avec répétions[Tient PAS compte ordre] « k » peut être plus grand que « n » C nk  C nk k 1 On choisit dans
un ensemble de n objets distincts un nombre k d'objets distincts ou non. Ordre ne compte pas.
Ex: De combien de manière peut-on répartir entre 4 partis politiques les 200 sièges du parlement? Il s'agit de placer
les 200 sièges dans 4 ensembles, les partis. Nous avons donc l'ensemble G= P1, P2, P3, P4 qui contient les 4 partis,
donc n=4. Nous avons k= 200 sièges. C 4200  C 42002001  1373701
Probabilité
Déf: Une épreuve ou expérience aléatoire est une action dont les issues sont connues sans toutefois savoir à priori
laquelle se réalisera.
L'ensemble des résultats possible d'une expérience se nomme l'univers. Il est noté Ω.
Un événement est un sous-ensemble de l'univers. Un événement élémentaire est un événement formé d'1 seule issue
possible. Sa notation est A= {e}. L'événement impossible = n'aura jamais lieu. Ne contient aucune réalisation. Il est
noté Ø. L'événement certain = se réalisera de manière sûre. Ex: Considérons un lancé unique de dé. Ω= 1, 2, 3, 4, 5,6.
Déterminons les événements; A= « le résultat est 3 ou 6 » B= « le résultat est un nbre pair » Si l'issue est 4 alors éven.
N'est pas réalisé. On dit qu'un événement A est réalisé si l'issue d'une expérience aléatoire est un élément de A. Dans
le cas contraire, A n'est pas réalisé.
Opération sur les événements
Déf: Un événement complémentaire A est l'événement formé de toutes les issues de Ω n'appartenant pas à A.
L'événement conjoint ( A  B )de A et B, noté A inter B est la réalisation simultanée de A et B. ( A  B )
Les événements A et B sont dit mutuellement exclusifs(incompatible) si A inter B = Ø.
L'événement à choix de A ou de B, noté A union B est la réalisation de A ou de B ou des 2 à la fois.
Théorème: L'événement A barre est réalisé si et uniquement si A n'est pas réalisé. L'événement A inter B est réalisé si
et seulement si les 2 éven sont réalisés. L'éven A union B est réalisé si l'un au moins de éven A ou B est réalisé.
Représentation: soit diagramme de Venn soit Tableau (possible avec 2 groupes d'éven mutuellement exclusifs.
Ex: Parmi les 400 employés par une entreprise, 300 sont suisse, 160 sont des hommes et 120 sont des hommes suisse.
Homme (B) Femme ( B ) TOT
Suisse (A) 120 A  B 180 A  B 300

Etranger ( A ) 40 A  B 60 A  B 100
TOTAL 160 240 400 Ω
Approches des mesures de probabilité
CasFavorables
Approche classique P( A)  donc Nombre de A / Nbre total 0  P(A)  1
CasPossibl es
Approche fréquentiste
P(A) = fréquence relative de A lorsqu'une épreuve aléatoire est répétée un grand nombre de fois. La population n'a
pas besoin d'être connue ou finie.
Ex: Une compagnie installe des climatiseurs dans des entreprises et chez des particuliers. Dans sa base de données se
trouvent 3000 particuliers et 1000 entreprises. Elle décide d'offrir un service gratuit à l'un de ses clients qu'elle tirera
au sort. Quelle est la probabilité que le client soit une entreprise? P("le client est une entreprise") = 1000/4000 = 0.25
Fonction probabiliste
La probabilité d'un événement A est un nombre compris entre 0 et 1 qui mesure les chances de voir A se réaliser lors
d'une épreuve aléatoire. Formellement, en notant A l'ensemble de tous les événements, une mesure de prob est une
application P : A  [0,1]
A P(A) telle que 0  P( A)  1 P ()  1 si _ A  B   _ alors _ P( A  B)  P( A)  P( B)
Théorème 1. La probabilité du complément de A vaut la différence entre 1 et la probabilité de A P( A)  1  P( A)
2. La troisième condition se généralise à un nombre quelconque d'événements mutuellement exclusifs 2 à 2
formule p.17 du théorème {formule incompréhensible}
3. un événement impossible a une probabilité égale à zéro P ()  0
4. Si A est inclus dans B, alors la probabilité de A est plus petite ou égale à celle de B
Si A  B alors P(A)  P(B) { signifie inclus dans ou égal à}
Règle d'addition pour 2 événements
Soit 2 événements A et B. Alors, P(A ou B) = P(A  B) = P(A) + P(B) – P(A  B )
Si A et B sont mutuellement exclusifs (=incompatibles) alors P(A  B ) = Ø et donc P(A  B) = P(A) + P(B)
Probabilité conditionnelle P(A B) La probabilité conditionnelle de A sachant que B est réalisé.
Le fait d'imposer une condition : (B est réalisé) implique que l'on change de référentiel. Les éléments de A qui sont
dans ce nouveau référentiel sont donnés par A  B. Ainsi avec l'approche classique P( A | B)  P( A  B)
P( B)
1. Définir les événements d'intérêt. 2 événements d'intérêts sont A= "entre 20 et 40h par mois" et B ="être une
femme"
2. Définir l'énoncé probabiliste d'intérêt. P(A B) = probabilité de passer entre 20h et 40h sur Internet, sachant que le
client est une femme
3. Calculer la probabilité. P(B) = 850 / 2500 = 0.34 ; P(A  B ) = 300 / 2500 = 0.12
P(A B) = P(A  B ) / P(B) = 0.12 / 0.34 = 0.35
Une représentation qui aide au calcul des probabilité est le diagramme en arbre.
Evénements et variables indépendants
Déf: 2 événements sont dits indépendants si et seulement si la connaissance du second événement n'influence pas la
probabilité du premier. donc A et B indépendants  P(A) = P(A B) Ex. Dormir HEG -> fait beau Sydney
Déf: Soit 2 variables X et Y. Les 2 variables sont dites indépendantes si tous les couples d'événements (A,B), avec A
défini sur X et B défini sur Y, sont indépendants.
Principe de Bayes Dans ce cas on veut calculer les probabilité conditionnelles du type A sachant B en fonction de
P( B | A) P( A) P(.95) P(.005)
celles de la forme B sachant A. P( A | B)  P( A | B)   .323
P( B | A) P( A)  P( B | A) P( A) P(.95) P(.005)  P(.01) P(.995)
Ex: Si on est malade 95% (B) vrai/5% faux. Si pas malade 99%vrai/1%faux.Maladie 0.5%pop(A).
Variable aléatoires définitions P( B  A)
P( B  A)  P( B  A)
Variable aléatoire = une variable qui affecte une valeur numérique à chaque issue d'une expérience aléatoire.
Soit un espace probabilisé d’ensemble fondamental Ω. Une variable aléatoire réelle définie sur Ω est une application
dans R (ou dans une partie de R) : X : Ω  R et  → X (  )
Ω = ensemble fondamental d’une expérience, ensemble des issues;//H = ensemble des valeurs prises par la variables
aléatoire X.
Une variable aléatoire X est dite discrète (on peut compter les valeurs que prend la variable) lorsqu’elle possède un
nombre dénombrable de valeurs (H est discret). La loi de probabilité P de X est définie par p(x)= P(X). La
distribution de probabilité de X est composée de valeurs H que peut prendre X et des probabilités associées.
Ex : Le jet d’un dé non pipé (à 6 face). L’ensemble des valeurs possible est H = {1, 2, 3, 4, 5,6} et chacune de ces
valeurs est équiprobable. La variable aléatoire X est le résultat du jet. P(x) = {P(X=x) = 1/6 si x=1,…., 6
Une variable aléatoire est dite continue (on ne peut pas compter les valeurs que peut prendre la variable) lorsqu’elle
peut prendre n’importe quelle valeur sur un intervalle (H est continu) Ex : Un nouvel employé doit écrire une lettre.
Le temps qu’il mettra a effectué cette tâche est une variable aléatoire continue qui peut prendre n’importe quelle
valeur dans un certain intervalle de temps, disons 1 min et 1h. H= [1 ; 60]
Variable aléatoire discrètes
La fonction de répartition Fx d’une variable aléatoire discrète X définie sur Ω est donné par : Fx (x) = P(X ≤ x)
Ex : le lancement d’un dé non pipé X 1 2 3 4 5 6
Le tableau indique la probabilité d’obtenir une valeur d’au plus x lors d’un Fx(x) 1/6 2/6 3/6 4/6 5/6 1
lancé de dé. Par exemple, la probabilité d’obtenir 1 ou 2 ou 3 ou 4 lors du lancé d’un dé vaut 4/6 = 2/3
Espérance et écart-type
1.Soient X une variable aléatoire discrète sur Ω, H = {xi } l’ensemble des valeurs prises par X et P(X=xi) = pi la loi
de probabilité de X. L’espérance mathématiques de X, notée E(X) est le nombre réel défini par
E ( X )   x  P ( X  x )   x  p On note x l'espérance de X dans la population
n n

i i i i
i 1 i 1

2. Soient X une variable aléatoire discrète sur Ω, H = {xi } l'ensemble des valeurs prises par X et P(X= x i) = pi la
loi de probabilité de X. La variance de X, notée var(X) est le nombre réel positif défini par
var( X )  E[( X  E ( X ) ) ]   ( x   )  p On note x la variance de X dans la population.
2 n 2 2
i i
i 1

3.Soit X une variable aléatoire. L'écart-type (X), ou aussi noté x est défini par  ( X )  var( X )
Ex (x1,0.4; x2,0.24; x3,0.10; x4,0.26) Espérance : E(X)=0*(.4)+1*(.24)+2*(.1)+3*(.26)=1.22
EcartType= 02(.4) 12 (.24)  22 (.1) 32(.26) [1.22]2 1.2213
Variables aléatoires continues cette variable peut prendre n'importe quelle valeur à l'intérieur d'un intervalle réel. Il
existe donc une infinité de valeurs possibles.
Déf: La fonction de répartition notée F(x), exprime la probabilité que la variable aléatoire x prenne une valeur
inférieur ou égale à x: F(x) = P(X ≤ x ) x
Distributions discrètes
Distribution de Bernoulli(succès/échec): X suit  (1, p)
p = P(S) et q = 1 – p = P( S ) où 0 ≤ p ≤ 1
La variable aléatoire X est définie en lui donnant la valeur 1 lors d'un succès et 0 lors d'un échec. La loi de probabilité
p   siX  1( succès)
de X est alors donnée par: p( X )  
q  1  p   sin on(échec)
Ex: une pièce de monnaie pile ou face ; une pièce défectueuse ou pas // Si pièce défectueuse : 3 lancé succès=pile
prob. Succès=0.3 [p=0.3]
Propriété: calcul de l'espérance et de la variance Résulat X P(X=x)
1. E(X) = p Eee 0 (1-p)^3=0.343
x n x
Ees / ese/ see 1 3p(1-p)^2=0.441
2. var(X) = p(1- p) /// p (1  p ) (n-x=échec)x=succes Ess / ses / sse 2 3p^2(1-p)=0.189
Sss 3 P^3=0.027
Distribution binomiale ordre ne compte pas X ~  (n, p) Total 1
La variable aléatoire X qui compte le nombre de succès sur l'ensemble des n
épreuves. Elle suit une loi binomiale de paramètre n et p.
Une variable de Bernoulli n'est donc qu'une variable binomiale de paramètre (1,p).
Déf: Soit une variable aléatoire X ne pouvant prendre que 2 valeurs: succès ou échec (1 ou 0; Vrai ou Faux;….) qui
intervient dans n expériences identiques. Les résultats des expériences sont indépendants. Toutes les expériences ont
la même probabilité p de succès (et donc d'échec q = 1- p ). La distribution qui donne la probabilité de x succès dans
n expériences qui satisfont ces conditions est appelée une distribution binomiale de paramètre (n,p) noté X suit (n,
x n x
P( X  x)  C x  p q
n
p)
Propriété: Calcul de l'espérance et de la variance
1. E(X) = np //// 2.var (x) = np(1-p ) pour l'ex   np  10  0.01  0.1   np(1  p)  10  0.01(1  0.01)  0.099
2

Exemple: Ampoules défectueuses X. Prob d'ê défec=0.01. X~  (10,0.01) P(X=0 ampoule défect)=
P( X  x)  C 0  0.01  0.99 P(X=1 ampoule défect)=
10 0 10

101 101
1  C 0  0.01  0.99  C1  0.01  0.99  0.0042
10 0 10 10 1
P( X  x)  C1  0.01  0.99
10 1

10 x
Loi Binomiale négative X ~ N (r; p) ou x= nb d'expérience ; r= nb de succès P( X  x)  C x  0.01  0.99
10 x

Il faut trouver le "n" pour arriver au succès

Espérance : E(X) = r/p et variance: var(x) = r(1-p) / p2

Ex:

Déf: Soit une variable aléatoire ne pouvant prendre que 2 valeurs: succès ou échec, qui intervient dans x expériences
indépendantes et identiquement distribuées. La distribution de la variable aléatoire X, représentant le nombre
d'épreuves aléatoires nécessaires pour obtenir un nombre fixé r de succès est appelé une distribution binomiale
négative de paramètre (r,p)

mettre formule p.42 celle juste avant les propriété

Loi hypergéométrique

Déf: Soit une population de taille N, dont r éléments ont une caractéristique demandée, et soit m la taille d'un
échantillon. Une variable aléatoire X suit une loi hypergéométrique de paramètre N, m et r si elle compte le nombre
de succès lors d'un tirage sans remise. Elle est notée X suit H (N, m, r) et sa distribution de probabilité est donnée par:
mettre formule p.44 stabilo jaune

X= nb de succès N= population m= échantillon et r= éléments caractéristiques

Propriété
Espérance: E(X) = mp = m r/N
Variance: var(X) = (N-m)/ (N-1) * mp(1 – p )

Ex: X= nombre de guirlandes défectueuses P(X=0) =

N= 10 (guirlandes dans le magasins) P(X=1) =
m= 4 (guirlandes achetées) P(X=2) =
r= 3 (guirlandes défectueuses dans le magasins) P(X=3) =
P(X=4) = mettre calcul p.45

Loi de poisson X suit P() ou  = nb de succès en moyenne et X= nb de succès

On utilise cette loi lorsqu'on ne peut pas compter le nombre d'échec.

Calcul: P(X=x) = formule p.47
Propriété: E(X) =  et var(X) = 
Ex:
Distributions continues (p.50) Il existe une infinité de valeurs possibles à l'intérieur d'un intervalle.

Fonction de densité: f(x) formule p.51

Ex:

Fonction de répartition : F(x) = P(X ≤ x) formule p.51

La fonction de répartition notée F(a) exprime pour une variable aléatoire X la probabilité d'être inférieure ou égale à x
Cela correspond à la surface sous la fonction de densité à gauche de x:

Ex:

Propriété: F(- ) = 0 ; F() =1 ; P(X > a) = 1 – P(X ≤ a) ; F(-a) = 1 – F(a)

Si a,b petit alors a,b = dx et aire = f(x) dx (aire d'un rectangle)

Loi uniforme Déf: Une distribution uniforme entre a et b est définie par la densité de probabilité X

Formule p.52

Ex:

Loi Normale La densité de probabilité normale s'exprime par

formule p.54

Ex:

propriété:
- Le point le + élevé de la courbe normale correspond à la moyenne qui est aussi la médiane et le mode de la
distribution.
- La distribution normale étant symétrique, son coefficient d'asymétrie (skewness) est nul
- L'écart-type détermine la largeur de la courbe. Plus sa valeur est élevée, plus la courbe sera large et aplatie
- La variable aléatoire associée peut prendre n'importe quelle valeur dans - ; 

La loi Normale Standard

Déf: Une loi normale moyenne nulle et d'écart-type 1 est dite loi normale centrée réduite, aussi dite loi normale
standard. La fonction de densité est alors:

formule p.56

Il est tjrs possible de transformer une variable aléatoire X distribuée selon une loi normale ………. en une variable Z
distribuée selon une loi normale centrée réduite …………. .
Loi exponentielle Déf: une loi exponentielle de paramètre  est définie par la densité de probabilité

formule p.58 x= nb d'occurrences par intervalles

y= longueur des intervalles entre 2 réalisations

Propriété: E(Y) = 1/  et var(Y) = 1/ 2

Ex: