Académique Documents
Professionnel Documents
Culture Documents
Arbre de probabilité
P (S / A ) S P (A ∩ S) = P (A) × P (S/A)
A
A) P (S / A ) S̄ P (A ∩ S̄) = P (A) × P (S/A) P (S) = P (A ∩ S) + P (B ∩ S) + P (C ∩ S)
P(
P (S /B ) S P (B ∩ S) = P (B ) × P (S/B )
P (B )
B
P (S /B ) S̄ P (B ∩ S̄) = P (B ) × P (S/B )
P(
C) P (S /C ) S P (C ∩ S) = P (C ) × P (S/C ) P (S) = P (A ∩ S) + P (B ∩ S) + P (C ∩ S)
C
P (S /C ) S̄ P (C ∩ S̄) = P (C ) × P (S/C )
Formule de Bayes :
Soit (E , P (E ), p) un espace probabilisé fini. Soient B 1 , B 2 , . . . , B n des événements formant une partition de l’univers E
p(B k ∩ A)
tels que p(B i ) 6= 0, i ∈ 1, 2, . . . , n et A un événement tel que p(A) 6= 0. p A (B k ) =
p(A)
Cas particulier : Soit (E , P (E ), p) un espace probabilisé fini. Soient A et B deux événements tels que p(B ) 6= 0, p(B ) 6= 1
p(B ).p B (A)
et p(A) 6= 0. p A (B ) = .
p(B ).p B (A) + p(B ).p B (A)
Définition
Définition Soit (E , P (E ), p) un espace probabilisé fini et X une
variable aléatoire. On appelle loi de probabilité de X
Soit (E , P (E ), p) un espace probabilisé fini. On appelle aléa
ou distribution de X , l’application P X : X (E ) −→ [0, 1]
numérique ou variable aléatoire tout application X : E −→ R.
x i 7−→ p(X = x i )
Notation : L’événement {a ∈ E , X (a) = x i } est noté {X = x i } .
Conséquences :
L’ensemble X (E ) désigne l’ensemble des valeurs prises par
Soit (E , P P (E ), p) un espace probabilité fini. Si X
X.
est une v.a sur E telle que X (E ) = {x 1 , x 2 , . . . , x} alors
X
n
p(X = x i ) = 1.
i =1
34
Fonction de répartition
Expérience qui n’a que deux issues possibles : ń succès ż Répétition de n épreuves de Bernoulli identiques et in-
de probabilité, p et ń échec ż de probabilité 1p . dépendantes. X est égale au nombre de succès.
Notation : B(p) Notation: B(n; p) ; q = 1 − p
P (X = 1) = p et P (X = 0) = 1 − p P (X = k) = C nk × p k × q n−k ; k ∈ {0, 1, . . . , n}
E (X ) = p E (X ) = np
V (X ) = p
p(1 − p) V (X ) = npq
p
σ(X ) = p(1 − p) σ(X ) = npq
Probabilité continue
Variable aléatoire à densité sur I
Z
Fonction de densité sur I : fonction f continue et positive sur I telle que : f (t )dt = 1
I
Z b
♣ P (a É X É b) = f (t )dt
a
♣ P (X = a) = 0
♣ P (X ≤ t ) = 1 − P (X ≥ t )
Z
♣ E (X ) = t f (t )dt
I
Loi uniforme
1
Soit un intervalle [a, b], a < b . La fonction f définie sur [a, b] par f (x) = est appelée densité de la loi de
b−a
probabilité uniforme sur [a, b] . On appelle probabilité uniforme sur [a, b] l’application qui à tout intervalle [c, d ] inclus
Z d d −c
dans [a, b] associe le réel p([c, d ]) = f (x)d x =
c b−a
Conséquences : Z c
Pour tout réel c de [a, b], p(c) = f (x)d x = 0 .
c
Si on désigne par [c, d ] le complémentaire de [c, d ] dans [a, b] , alors [c, d ] = 1 − p([c, d ]) .
Définition :
d −c
On dit qu’une variable aléatoire X à valeurs dans un intervalle [a, b] suit la loi uniforme si p(c ≤ X ≤ d ) =
b−a
35
Définition
a b
−3 −2 −1 1 2 3 4
Loi exponentielle
Soit λ un réel strictement positif. La fonction f définie sur [0, +∞[ par f (t ) = λe −λt est appelée densité de loi exponen-
tielle.
On appelle loi de probabilité exponentielle de paramètre λ, l’application p qui :
Z d
à tout intervalle [c, d ] inclus dans [0, +∞[ associe le réel p([c, d ]) = λe −λt d t .
c
à tout intervalle [c, +∞[ inclus dans [0, +∞[ associe le réel p([c, +∞[) = e −λc
Conséquences : Définition
Définition
Soit X une v.a qui suit la ß loi exponentielle p de la paramètre λ. On appelle fonction répartition de X , l’application
0, si x < 0
F : R −→ [0, 1] définie par :
p(0 ≤ X ≤ x) = 1 − e −λx , si x ≥ 0
−2 −1 1 2 3 4
36