Académique Documents
Professionnel Documents
Culture Documents
1 NOTION DE DÉNOMBREMENT
1 Notion de dénombrement
Pour dénombrer une situation il peut être commode de se poser les questions suivantes :
– Quel est le nombre n d’"objets" de référence ?
– Quel est le nombre p concerné par une situation ?
– les p objets sont-ils considérés en vrac (sans ordre, tirage simultané), ou bien a-t-on des situations
différentes si les mêmes p objets sont classés de façons différentes (avec ordre, tirages successifs) ?
L’énumération des résultats possibles d’une expérience aléatoire (dont on ne connait pas ses résultats
à l’avance) devient très vite fastidieuse et l’analyse combinatoire facilite, dans la majorité des cas, les
calculs. Les opérations obéissent aux règles suivantes :
– On effectue un produit quand on doit faire un choix, puis un autre ...
– On effectue une somme quand on a à considérer un cas ou bien un autre...
Exemple :
Soit E = {a, b, c}, les trois lettres a, b, c prises 2 à 2 conduisent aux 6 arrangements suivants : ab, ac,
ba, bc, ca, cb.
Nous nous proposons de calculer le nombre total, soit Apn , des arrangements possibles de n objets p
à p. Supposons que nous disposons de p cases numérotées de 1 à p dans lesquelles nous plaçons les p
objets choisis, chaque case ne contenant qu’un objet à la fois :
1 2 3 4 5 .... p
Pour remplir la première case, nous avons à choisir un objet quelconque parmi n objets, choix qui peut
s’effectuer de n façons différentes.
Pour remplir la deuxième case, le choix portera sur les n − 1 objets restants. Pour remplir les deux
premières cases, le nombre total de choix possibles est n(n − 1), et ainsi de suite. Pour la p-ième case,
le choix portera sur les n − (p − 1) objets. On en conclut que le nombre total d’arrangements est :
Apn = n(n − 1)(n − 2)....(n − p + 1)
En convenant que 0! = 1, Apn s’écrit :
n!
Apn = n(n − 1)(n − 2)....(n − p + 1) = .
(n − p)!
On remarquera que Apn mesure également le nombre d’applications injectives d’un ensemble E dans
un ensemble F si card(E) = p et card(F ) = n.
2
1.2 Situations avec répétition
Exemple :
Dans une étude éthnologique sur les parades nuptiales, on a constaté que l’approche de la femelle
comportait le plus souvent une séquence de trois comportements distincts sur une possibilité de 7
comportements. Pour vérifier si cette observation pouvait être le fruit du hasard on a d’abord cherché
quel était le nombre de séquences possibles de trois comportements parmi une gamme de 7. Il y a donc
A37 = 210 possibilités.
Cas particulier : permutations de n objets
Supposons le nombre de cases égal au nombre d’objets (p = n). Une distribution quelconque de n objets
dans les n cases constituera une permutation des objets. Deux permutations distinctes ne diffèrent donc
que par l’ordre des objets qui les composent. Ainsi, d’après le raisonnement précédent, le nombre Pn
des permutations est donné par l’expression suivante :
Pn = n × (n − 1) × (n − 2) × ... × 2 × 1 = n!
Si E et F sont deux ensembles finis de même cardinal n, Pn est aussi le nombre de bijections de E
dans F .
Apn n!
Cnp = = .
p! p!(n − p)!
Quelques propriétés :
– Cnp = Cnn−p ,
p+1
– Cn+1 = Cnp + Cnp+1 ,
– Binôme de Newton : (x + a)n = Cn0 xn + Cn1 xn−1 a + Cn2 xn−2 a2 + .... + Cnn−1 x1 an−1 + Cnn an .
Exemple :
Soit une population composée de 12 éléments. Combien d’échantillons différents de 5 éléments peut-on
extraire de cette population, si l’échantillonnage s’effectue sans remise et si l’on ne tient pas compte
de l’ordre de sortie ?
Il s’agit donc de déterminer le nombre de combinaisons C12 5 . Ce nombre vaut 792 échantillons.
3
2 NOTION DE CALCUL DES PROBABILITÉS
Exemple-exercice :
n!
Pn,k1 ,k2 ,...,kr = .
k1 ! × k2 ! × ..... × kr !
Pn,k1 ,k2 ,...,kr est aussi le nombre de façons de constituer r sous-ensembles à partir d’un ensemble de n
éléments, le premier sous-ensemble contenant k1 éléments, le deuxième k2 éléments etc.
Exemple :
Supposons une expérience sur le retour au gîte (homing) de 10 individus appartenant à 3 espèces
différentes. Deux appartiennent à l’espèce A, 3 à l’espèce B et 5 à l’espèce C. Si l’on observe la
séquence de l’arrivée des espèces à leur gîte, combien existe-t-il de possibilités d’ordre d’arrivée ?
Dans cet exemple, on cherche le nombre de permutations avec n = 10, k1 = 2, k2 = 3 et k3 = 5, soit
10!
donc P10,3,2,5 = 2!3!5! = 2520.
4
2.1 Quelques définitions
deux sexes (F : Femelle, M : Mâle). On s’interesse à l’épreuve suivante : extraire trois individus
de cette population.
2. Univers Ω (ensemble fondamental) : C’est l’ensemble de tous les résultats possible d’une expé-
rience aléatoire.
Exemple : Les différents résultats possibles de l’épreuve décrite ci-dessus sont FFF, FFM, FMF,
MFF, MMF, MFM, FMM, MMM.
3. Evénements : est considéré comme événement tout sous-ensemble de Ω
• Quelques événements particuliers :
– ∅ est l’événement impossible et Ω est l’événement certain.
– Ā (Ac ) est l’événement complémentaire (ou contraire) de A. C’est l’événement qui se réalise
si A ne l’est pas.
– Si A et B sont deux événements, A ∪ B est l’événement qui se réalise dès que A ou B s’est
réalisé.
– L”événement A \ B est défini par l’ensemble des éléments de A qui n’appartiennent pas à B.
– L’événement A implique l’événement B si A ⊂ B.
– Les événements A et B sont disjoints, incompatibles ou mutuellement exclusifs si A ∩ B = ∅.
5
2 NOTION DE CALCUL DES PROBABILITÉS
Exemple :
Soit Ω = {1, 2, 3, 4, 5, ..., 10} l’ensemble des résultats d’un test scientifique. Ω est composé de
10 événements élémentaires {i}. Ces événements constituent une partition de Ω
Soit E1 , E2 , ...Em un système complet d’événements d’un ensemble fondamental Ω, et A un
événement quelconque de Ω. Les événements E1 ∩ A, E2 ∩ A, .... et Em ∩ A sont mutuellement
exclusifs et constituent une partition de A.
4. Notion de tribu : Soit Ω l’ensemble de tous les résultats possibles d’une expérience aléatoire,
et A un ensemble d’événements de Ω vérifiant :
– ∅ et Ω appartiennent à A,
– si E ∈ A, Ē ∈ A,
– si E1 , E2 , ...., En est une famille d’événements de A, ∪ni=1 Ai∈ A.
L’ensemble A définit une tribu d’évènements sur Ω et le couple (Ω, A) définit un espace proba-
bilisable.
f
P (A) = lim .
n→∞ n
Cette probabilité, fondée sur l’expérience, est appelée probabilité empirique. Sa valeur est comprise
entre 0 et 1, c’est à dire entre l’événement impossible et l’événement certain. Néanmoins, cette notion
de probababilité élimine tout le champ des probabilités a priori ou l’on assigne un degré de probabilité
à un événement avant d’exécuter l’expérience.
Plus généralement, considérons une expérience pouvant donner lieu à un résultat quelconque parmi
N résultats également possibles. Supposons que n résultats soient favorables à la réalisation d’un
événement particulier E. La probabilité de l’événement E est le rapport de cas favorables à la réalisation
de cet événement au nombre de cas possibles :
6
2.3 Probabilité conditionnelle
Exemple :
Pour les besoins d’un test sur un vaccin V, nous disposons de 10 volontaires, 3 d’entre eux appartiennent
à la même famille. Deux personnes sont tirées au hasard. Quelle est la probabilité P (F ) que ces deux
personnes soient de la même famille ?
C32 3 1
P (F ) = 2 = = .
C10 45 15
2.2.2 Propriétés
– P (Ā) = 1 − P (A)
Preuve : Ω = A ∪ Ā, d’après l’axiome (3) P (A ∪ Ā) = P (A) + P (Ā) = P (Ω) = 1 d’après
l’axiome(2).
– P (∅) = 0
Preuve : Ω = Ω∪∅, d’après l’axiome (3) P (Ω∪∅) = P (Ω)+P (∅) = P (Ω) = 1 d’après l’axiome(2).
– A ∈ B −→ P (A) ≤ P (B)
– P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
7
2 NOTION DE CALCUL DES PROBABILITÉS
indique la probabilité que E2 se produise sachant que E1 s’est déjà produit (P (E1 ) 6= ∅)). Elle est définie
par
P (E1 ∩ E2)
P (E2 /E1 ) = .
P (E1 )
Remarque :
Si la réalisation ou la non réalisation de E1 n’affecte pas E2 , alors
Exemple :
Pour diagnostiquer une certaine maladie, un laboratoire utilse un nouveau test. Les résultats de ce test
effectué sur 100 personnes sont résumés sur le tableau suivant :
Quelle est la probabilité d’avoir un test positif chez les hommes, chez les femmes ?
Théorème de Bayes
Dans certaines situations, on ne possède pas l’information nécessaire pour évaluer directement P (A)
ou même P (Bj /A). En revanche on connait P (A/Bi ) et P (Bi ). {B1 , B2 , ..., Bn } supposée être une
partition de Ω.
Par définition, nous avons :
P (A∩B ) P (A∩B )
P (Bj /A) = P (A) j et P (A/Bj ) = P (Bj )j .
Comme P (A ∩ Bj ) = P (A/Bj )P (Bj ), nous avons
P (A/Bj )P (Bj )
P (Bj /A) = .
P (A)
il en découle que
P (A/Bj )P (Bj )
P (Bj /A) = Pn .
i=1 P (A/Bi )P (Bi )
Exercice-exemple
Un laboratoire a mis au point un alcootest. On sait que 2% des personnes contrôlées par la police sont
réellement en état d’ébriété. Les premiers essais ont conduit aux résultats suivants :
8
2.4 Notion de variable aléatoire et distribution de probabilité
- lorsqu’une personne est réellement en état d’ébriété, 95 fois sur 100 l’alcootest se révèle positif ;
- lorsqu’une personne n’est pas en état d’ébriété, 96 fois sur 100 l’alcootest se revèle négatif.
Quelle est la probabilité pour qu’une personne soit réellement en état d’ébriété lorsque l’alcootest est
positif ?
Appelons E l’événement "la personne contrôlée est en état d’ébriété" et A "l’alcootest est positif". Les
indications fournies peuvent s’écrire :
P (A). P (A/E)
P (E/A) =
P (E).P (A/E) + P (Ē).P (A/Ē)
0.02 × 0.95
= = 0.3265
0.02 × 0.95 + 0.98 × 0.04
Définition
Une variable aléatoire X sur (Ω, A) est une fonction
X : Ω −→ R
{ω : X(ω) ≤ x} ∈ A.
Remarque
Cette variable peut être aussi bien qualitative que quantitative.
9
2 NOTION DE CALCUL DES PROBABILITÉS
Soit X une variable aléatoire. La fonction de répartition de X est une fonction positive définie, pour
toute valeur x de X par
F (x) = P (X ≤ x).
Distribution de probabilité
Soit Xune variable aléatoire discrète dont les valeurs sont x1 , x2 , ..., xn . On pose pi = P (X = xi ),
on appelle
Pdistribution de probabilité, ou loi de probabilité de X, l’ensemble des couples (xi , pi ), les pi
vérifiant ni=1 pi = 1.
Exercice
Un agriculteur a entreposé dans un local humide 12 doses d’un herbicide total et 8 doses d’un fongicide.
Après plusieurs mois de séjour, les étiquettes sont indifférentiables. Chaque dose a la même probabilité
d’être tirée. En vue d’un traitement, l’agriculteur prend 6 doses au hasard. Soit X la variable aléatoire
égale au nombre de doses d’herbicides prises parmis 6 doses. Déterminer la distribution de probabilité
et la fonction de répartition de X.
Densité de probabilité
Pour une variable aléatoire continue, la probabilité d’apparition de X = x1 est nulle, autrement dit,
P (X = x1 ) = 0, car il est impossible de tomber exactement sur cette valeur. La fonction
P (X = x) n’a donc aucun sens pour les variables continues. Il faut donc considérer la probabilité que
X soit compris dans un intervalle, P (x1 ≤ X ≤ x2 ). Lorsque cet intervalle tend vers 0, la valeur de
∆F (x)
∆x tend vers une fonction que l’on appelle fonction densité de probabilité. Cette fonction est donc
la dérivée de la fonction de répartition. Elle s’écrit :
d(F (x))
f (x) = ,
dx
Pour résumer, une densité de probabilité est une fonction qui vérifie
– ∀x,
R ∞ f (x) ≥ 0,
– ∞ f (t)dt = 1.
10
2.4 Notion de variable aléatoire et distribution de probabilité
0, si x ≤ a,
x−a
– F (x) = , si a < x ≤ b
b−a
1, si x > b.
11
2 NOTION DE CALCUL DES PROBABILITÉS
La variable X − E(X) est appelée variable centrée. Son espérance mathématique est nulle,
c’est à dire
E(X − E(X)) = 0.
On appelle moment d’ordre k de la loi de probabilité de X (ou espérance mathématique de X k ),
le nombre :
Xn
E(X k ) = pi xki .
i=1
On peut aussi considérer le moment centré d’ordre k, c’est à dire :
n
X
E ((X − E(X))k ) = pi (xi − m)k .
i=1
Exemple
Soit X une variable aléatoire qui prend les valeurs 1, 2, ..., n avec pi = 1/n, i = 1, 2.., n. Calculer
E(X) et σ 2 (X).
n(n + 1)/2
E(X) = (1/n)(1 + 2 + ..... + n) =
n
2n2 + 6n − 1
E(X 2 ) =
6
n2 − 1
σ 2 (x) = E(X 2 ) − E(X)2 = .
12
• Variable aléatoire continue
Nous supposons que la loi de probabilité est définie au moyen d’une densité f (x).
Les définitions et les résultats qui précèdent se transposent
R∞ facilement, le symbole de sommation
étant remplacé par le symbole d’intégration −∞ .
P
Ainsi, nous avons : Z ∞
E(X) = xf (x)dx,
−∞
et le moment d’ordre k est : Z ∞
k
E(X ) = xk f (x)dx.
−∞
Exemple
Si
1
si a ≤ x ≤ b
f (x) = b−a ,
0, sinon.
b
∞
x 1 x2 b b+a
Z Z
E(X) = xf (x)dx = dx = ( )a =
−∞ a b − a b − a 2 2
Z b 2
b3 − a3
Z ∞
x
E(X 2 ) = x2 f (x)dx = dx =
−∞ a b−a 3(b − a)
(b − a)2
σ 2 (X) = E(X 2 ) − E(X)2 =
12
12
2.4 Notion de variable aléatoire et distribution de probabilité
13