Proba Chap1 09 10

Langage du Calcul des Probabilités Définition axiomatique de la probabilité
Langage du Calcul des Probabilités

et Statistique
I DIR O UASSOU
Université Cadi Ayyad, Ecole Nationale des Sciences Appliquées, Marrakech
Septembre 2009
Plan du cours
1 Langage du Calcul des Probabilités

Expérience aléatoire
Notion d’événement
2 Définition axiomatique de la probabilité
Définition d’une probabilité.
Probabilités conditionnelle (composées).
Evénements indépendants
Indépendance et incompatibilité
Indépendance de plusieurs événements
Evénement impossible
Formule des probabilités totales
Théorème de Bayes
Le hasard joue un rôle important dans la vie
quotidienne de chacun et le langage utilise très
souvent des mots empruntés à cette notion :
probable, certain, pari, chance, aléatoire...
Le hasard joue un rôle important dans la vie
quotidienne de chacun et le langage utilise très
souvent des mots empruntés à cette notion :
probable, certain, pari, chance, aléatoire...
Il intervient tout naturellement dans de nombreuses
disciplines et on le rencontre plus spécialement dans
les “Sciences de la Vie”.
Les phénomènes déterministes
Considérons une expérience dont le but est l’étude d’un

phénomène. Le résultat ou l’issue de cette expérience est
une expression du phénomène. Dans la nature on
distingue deux catégories de phénomènes.
Considérons une expérience dont le but est l’étude d’un

phénomène. Le résultat ou l’issue de cette expérience est
une expression du phénomène. Dans la nature on
distingue deux catégories de phénomènes.
Définition
Phénomène déterministe. On dit qu’une expérience
conduit à une situation déterministe si l’expérience,
réalisée dans les conditions identiques, conduits toujours
au même résultat.
Le phénomène exprimé par ce résultat s’appelle un
phénomène déterministe.
Exemple
Si à différents endroits et avec un même appareil on
mesure la vitesse de la lumière, on trouve (aux erreurs
prés) toujours la même valeur. Le phénomène vitesse de
la lumière est donc déterministe.
Le poids (1kg), La longueur d’un fil (1m).
Les phénomènes aléatoires
Définition
On dit qu’une expérience conduit à une situation aléatoire
si, réalisée dans des conditions bien déterminées, il est
impossible de prévoir le résultat de cette expérience.
Autrement dit, Une expérience aléatoire est une
expérience dont on ne peut pas prédire exactement le
résultat, du fait qu’on ne contrôle pas entièrement toutes
les causes qui influencent ce résultat.
Exemple
Le lancer d’un dé cubique ne pouvant rester en équilibre
sur aucune de ses arrétes et dont les faces sont
numérotées de 1 é 6 est une expérience aléatoire, c’est à
dire si on lance le dé et on note le numéro que présente
la face supérieure du dé. Il est impossible de prévoir le
numéro de la dite face.
Jet d’un dé : on ignore la relation entre les causes (force
du jet, position initiale, frottement...) et le résultat.
Remarque
Pour pouvoir faire du calcul des probabilités, il faut avoir à
faire avec une expérience aléatoire ou à une épreuve,
c’est-à-dire être en présence d’une situation qui conduit à
un résultat inconnu de l’expérimentateur avant que
celui-ci n’effectue l’expérience ou ne la subisse.
On admet que le résultat d’une telle expérience reléve du
“hasard”, dans le sens où on est incapable de la prévoir
avec certitude du fait du manque d’information ou de la
complexité des facteurs qui interviennent.
Définition
On dit que l’on est en présence d’une expérience
aléatoire lorsque cette expérience conduit à une, et une
seule, valeur d’un ensemble de valeurs observables.
Définition
On dit que l’on est en présence d’une expérience
aléatoire lorsque cette expérience conduit à une, et une
seule, valeur d’un ensemble de valeurs observables.
Définition
Cet ensemble de valeurs est appelé l’univers des
possibles (ou plus simplement l’univers) ou encore
l’ensemble fondamental de l’épreuve et chacun de ses
éléments est une issue ou une éventualité de l’épreuve.
On notera souvent par Ω l’univers de l’épreuve considérée
et par ω une issue quelconque.
Événement
Exemple
1 Si on considère l’épreuve “on ouvre un livre é une
page au hasard et on reléve la premiére lettre de la
page de gauche”, l’univers est l’ensemble
Ω = {a, b, . . . , z} ou l’ensemble {a, A, b, B, . . . , z, Z }.
Événement
Exemple
1 Si on considère l’épreuve “on ouvre un livre é une
page au hasard et on reléve la premiére lettre de la
page de gauche”, l’univers est l’ensemble
Ω = {a, b, . . . , z} ou l’ensemble {a, A, b, B, . . . , z, Z }.
2 Si on considére l’expérience aléatoire “on lance un
dé é six faces et on observe la face apparente”,
l’univers est l’ensemble (fini) Ω = {1, 2, 3, 4, 5, 6}.
Evénement
Toutes les issues envisagées d’une expérience
constituent un ensemble noté Ω et appelé l’ensemble
élémentaire associé à cette expérience.
Evénement
Chaque résultat possible d’une expérience aléatoire est
appelé événement aléatoire élémentaire. Tout ensemble
de résultats possibles est appelé événement aléatoire ou
éventualité.
Evénement
Chaque résultat possible d’une expérience aléatoire est
appelé événement aléatoire élémentaire. Tout ensemble
de résultats possibles est appelé événement aléatoire ou
éventualité.
L’ensemble de tous les événements liés à une expérience
aléatoires est donc confondu avec l’ensemble P(Ω) des
parties de Ω.
Evénement
Définition
Evénement aléatoire : événement qui, à l’occasion d’une
expérience aléatoire, peut se réaliser ou non.
Evénement
Définition
Evénement aléatoire : événement qui, à l’occasion d’une
expérience aléatoire, peut se réaliser ou non.
On appellera événement associé à une épreuve,

toute partie de l’univers Ω associé à cette épreuve.
Précisons un certain nombre de points de
vocabulaire qui découlent de cette similitude entre
événement-proposition et événement-partie d’un
ensemble :
Evénement
A tout événement E on peut associer l’événement

noté Ē et appelé l’événement contraire ou
complémentaire de E.
Evénement

Deux événements E et F sont dits incompatibles si
E et F ne peuvent jamais se réaliser simultanément
au cours d’une épreuve.
Evénement

Un événement est dit élémentaire lorsqu’il ne se
réalise que pour une seule issue de l’expérience.
Evénement

L’événement Ω qui par définition a toutes les chances
de se réaliser est appelé événement certain.
Evénement

L’événement Ω qui par définition a toutes les chances
de se réaliser est appelé événement certain.
L’événement ∅ n’a aucune chance de se réaliser et
appelé événement impossible.
Evénement
Soit A une famille des événements de l’univers Ω, d’une

expérience aléatoire, vérifiant les propriétés suivantes :
Evénement

Elle contient Ω lui même i.e. Ω ∈ A
Evénement

Elle est stable pour l’intersection i.e. A ∈ A et
B ∈ A =⇒ A ∩ B ∈ A.
Evénement

Elle est stable pour l’intersection i.e. A ∈ A et
B ∈ A =⇒ A ∩ B ∈ A.
Elle est stable
__
par la complémentation i.e.
A ∈ A =⇒ A ∈ A.
Evénement
Définition
La famille A constitue par définition une algèbre dite de
Boole.
Evénement
Définition
Boole.
Définition
On appelle (Ω, A) un espace probabilisable ou un espace
mesurable.
Evénement
Définition
Boole.
Définition
On appelle (Ω, A) un espace probabilisable ou un espace
mesurable.
Il suffit alors de définir une mesure µ (resp. une prob. P)
sur cet espace pour que (Ω, A, µ) (resp. (Ω, A, P)) soit un
espace mesuré (resp. probabilisé).
Probabilité d’un événement élémentaire
On s’intéresse aux chances de réalisation de l’événement

aléatoire et on essaie de concrétiser ces chances par un
nombre que l’on appelle Probabilité.

nombre que l’on appelle Probabilité. Le calcul des
Probabilités est l’étude des phénomènes aléatoires ou
non déterministes (c-à-d au hasard).

nombre que l’on appelle Probabilité. Le calcul des
Probabilités est l’étude des phénomènes aléatoires ou
non déterministes (c-à-d au hasard).
Exemple
Si l’on jette un dé en l’air, il est certain que le dé va
retomber, mais il n’est pas certain que le dé va retomber
en faisant appara êtreun chiffre voulu (le 4 par exemple).
Cas de l’équiprobabilité
Si tous les événements élémentaires sont, par nature, de
probabilités égales. On dit alors que l’on est dans le cas
de l’équiprobabilité c-à-d si l’expérience aléatoire a n
issues possibles, il y a donc n événements élémentaires
et la probabilité de chacun est égale à n1 .
Cas de l’équiprobabilité
Si tous les événements élémentaires sont, par nature, de
probabilités égales. On dit alors que l’on est dans le cas
de l’équiprobabilité c-à-d si l’expérience aléatoire a n
issues possibles, il y a donc n événements élémentaires
et la probabilité de chacun est égale à n1 .
En utilisant la formule d’additivité, on remarque que si un

événement se réalise dans p issues, la probabilité de cet
événement est pn .

Remarque
Soit p le nombre de fois que l’événement s’est réalisé et n
le nombre de fois que l’on a fait l’expérience.
On constate empiriquement que le rapport f = pn devient
stable à la longue et tend vers une limite ( 16 ) pour le jeu
de dé.
Empiriquement on définit trés souvent la probabilité P
d’un événement A en s’inspirant de cette fréquence
relative de la façon suivante :
Si A peut se réaliser p fois sur un total de n épreuves
équiprobables alors
p nombre de cas favorables
P(A) = =
n nombre de cas également possibles
Approche classique de la probabilité
Exemple (Jeu de bridge)

Un jeu de 52 cartes est formé de 4 “couleurs” (Pique,
Coeur, Carreau, Tréfle) ; il y a 13 cartes de chaque
couleur, la probabilité d’obtenir au hasard une carte qui
soit un as en un simple tirage, est :
4 1
P(A) = = .
4 + 48 13
Dans une approche classique, les résultats considérés
comme possibles sont rigoureusement équiprobables.
Approche fréquence de la probabilité
Exemple
Avant d’ajouter certains types de soins dentaires à la liste
des bénéfices qu’elle couvre, pour un groupe d’employés
adultes, une compagnie d’assurance désire analyser les
probabilités qui concernent ce genre de traitements
d’après des enquétes effectuées par des statisticiens on
a pu remarquer que sur une population de 10000 adultes
il s’en trouvait 100 à avoir eu besoin de ce type de soins
dentaires. Dans ces conditions, on peut supposer que la
probabilité de réalisation de l’événement en question est
100
P(A) = = 0.01 ou 1%.
10000
Dans le cas de l’équiprobabilité, si Ω est un ensemble fini,

la probabilité d’un événement A est définie par
Card(A) nombre de cas favorables

P(A) = =
Card(Ω) nombre de cas possibles
Dans le cas de l’équiprobabilité, si Ω est un ensemble fini,

la probabilité d’un événement A est définie par
Card(A) nombre de cas favorables

P(A) = =
Card(Ω) nombre de cas possibles
Le calcul de la probabilité d’un événement quelconque se

raméne à un calcul de dénombrement. Nous rappelons
ci–dessous quelques relations de base.
Analyse combinatoire
définition
L’analyse combinatoire dont l’objet est le dénombrement
de toutes les situations possibles pouvant survenir dans
des conditions donées
Propriétés ensemblistes-cardinal
Soit E et F deux ensembles finis ayant respectivement m
et n éléments. On note Card(E) = m et Card(F ) = n, on
a les propriétés suivantes :
1 Card(E ∪ F ) = Card(E) + Card(F ) − Card(E ∩ F )
2 Soit P(E) l’ensemble des parties de E alors
Card(P(E)) = 2n .
3 CardE × F ) = mn.
Propriétés ensemblistes-cardinal
Soit E et F deux ensembles finis ayant respectivement m
et n éléments. On note Card(E) = m et Card(F ) = n, on
a les propriétés suivantes :
1 Card(E ∪ F ) = Card(E) + Card(F ) − Card(E ∩ F )
2 Soit P(E) l’ensemble des parties de E alors
Card(P(E)) = 2n .
3 CardE × F ) = mn.
Exemple
3 chemise et 4 pontalons fournissent 3 × 4 = 12
possibilités pour s’habiher.
Nombre d’arrangements
Le nombre de façons différentes de choisir p objets
différents parmi n objets différents (tenant compte de
n!
l’ordre des p objets choisis) est donné par : Apn =
(n − p)!
n!
(n − p)!
c-à-d
Le nombre de sous ensembles de p objets choisi dans un
ensemble à n éléments avec ordre et sans remise est Apn
n!
(n − p)!
c-à-d
ensemble à n éléments avec ordre et sans remise est Apn
exemple
de combien de manière peut-on répartir 5 voyageurs
voyageant seul dans un hôtel de 10 chambres ?
Nombre de permutation
Le nombre de façon différentes d’ordonner n objets
différents (nombre de permutations des n objets) est
n!
donné par : Pn = Ann = = n!
(n − n)!
Nombre de combinaisons
Le nombre de façon différentes de choisir p objets
différents (sans tenir compte de l’ordre des p objets
choisis) parmi n objets différents est donné par
n!
Cnp =
p!(n − p)!
Nombre de combinaisons
Le nombre de façon différentes de choisir p objets
différents (sans tenir compte de l’ordre des p objets
choisis) parmi n objets différents est donné par
n!
Cnp =
p!(n − p)!
c-à-d
ensemble à n éléments sans ordre et sans remise est Cnp
Nombre de combinaisons avec répétitions

Le nombre de façon différentes de choisir p objets non
tous forcément différents (sans tenir compte de l’ordre
des p objets choisis) parmi n objets différents est donné
par p (n + p − 1)!
Γpn = Cn+p−1 =
p!(n − 1)!
Permutation avec répétition

Il arrive que, parmi les n objets dont on cherche le nombre
de permutations, certaines d’entre eux, au nombre de r
par exemple, soient tous semblables. Auquel cas, rien ne
distingue les permutations de ces r objets entre eux.
Pour calculer le nombre de permutations possibles, il faut
donc diviser le nombre de permutations des n objets sans
répétition, par le nombre de permutations des r objets
n!
entre eux, soit : Pn (avec r épétition) =
r!
Généralisation à plusieurs répétitions
On considére n objets, parmi lesquels r1 sont semblables

entre eux, r2 sont semblables entre eux, . . ., rk sont
semblables entre eux, avec r1 + r2 + . . . + rk = n. On
appelle permutation de n objets avec répétitions
(r1 , r2 , . . . , rk ) toute partition de ces n objets en k parties
telles que la i ème partie ait ri éléments (1 ≤ i ≤ k ).
Le nombre de ces permutations des n objets avec
répétitions (r1 , r2 , . . . , rk ) est
n!
Pn (r1 , r2 , . . . , rk ) =
r1 !r2 ! . . . rk !
Exemple
Nombre de permutations possibles avec les lettres du mot
ETRENNE.
7!
Pn (rE = 3, rN = 2) =
3!2!
Permutation circulaire
Le rangement de 4 objets sur une rangée fournit 4! = 24
permutations différentes, mais celui de 4 objets sur un
cercle fournit seulement 3! = 6 permutations différentes.
Permutation circulaire
Le rangement de 4 objets sur une rangée fournit 4! = 24
permutations différentes, mais celui de 4 objets sur un
cercle fournit seulement 3! = 6 permutations différentes.
Généralisation
n objets peuvent être disposés sur un cercle de (n − 1)!
façon différentes, soit le nombre de permutation Pn divisé
par le nombre de maniéres différentes n de choisir la
premiére place.
Tribus ou sigma algébres
Soient Ω l’univers d’une expérience aléatoire et A

l’ensemble des parties de Ω.
Définition
On appelle tribu de partie de Ω, tout sous–ensemble F de
A qui vérifie les propriétés suivantes appelées axiomes
de structure.

Définition
de structure.
1 ∅ ∈ F, et Ω ∈ F.

Définition
de structure.
1 ∅ ∈ F, et Ω ∈ F.
2 ∀ A ∈ F, A ∈ F.

Définition
de structure.
1 ∅ ∈ F, et Ω ∈ F.
2 ∀ A ∈ F, A ∈ F.
3 Pour tout famille (An )n∈N tel que An ∈ F pour tout

n, ∪n≥0 An ∈ F.
Définition
Soit Ω un ensemble fini. On appelle tribu de Ω toute
famille F de A contenant Ω est stable pour la réunion et la
complémentation par rapport à Ω.
Définition
Soit Ω un ensemble fini. On appelle tribu de Ω toute
famille F de A contenant Ω est stable pour la réunion et la
complémentation par rapport à Ω.
Remarque
Si Ω est fini ou dénombrable par exemple Ω =
{1, 2, 3, 4, 5, 6} , Ω = {a, b, c, d} , Ω = N, Ω = Z, Ω = Q,
dans ce cas on prend F = A.
Probabilité
Définition
On appelle probabilité définie sur un ensemble Ω muni
d’une tribu F une application P de F dans [0, 1] vérifiant
les axiomes suivantes :
Probabilité
Définition
1 ∀ A ∈ F =⇒ P(A) ≥ 0.
Probabilité
Définition
1 ∀ A ∈ F =⇒ P(A) ≥ 0.
2 L’ensemble fondamental a la probabilité égale é 1 i.e.
P(Ω) = 1.
Probabilité
Définition
1 ∀ A ∈ F =⇒ P(A) ≥ 0.
P(Ω) = 1.
3 si A et B deux événements de F tels que A ∩ B = ∅
alors P(A ∪ B) = P(A) + P(B).
Probabilité
Définition
1 ∀ A ∈ F =⇒ P(A) ≥ 0.
P(Ω) = 1.
3 si A et B deux événements de F tels que A ∩ B = ∅
alors P(A ∪ B) = P(A) + P(B).
4 Plus généralement si une suite Ai d’éléments de F
P ∀ j 6= k Aj ∩ Ak = ∅ alors
est telle que
P(∪i Ai ) = i P(Ai ).
Remarque
La probabilité apparaît donc comme une fonction qui
associé à une partie A de Ω un nombre appelé probabilité
de A. Il faut bien remarquer que la probabilité n’est pas
une fonction mais une fonction d’ensemble.
Remarque
La probabilité apparaît donc comme une fonction qui
associé à une partie A de Ω un nombre appelé probabilité
de A. Il faut bien remarquer que la probabilité n’est pas
une fonction mais une fonction d’ensemble.
Exemple
Si l’on effectue un simple tirage d’une carte dans un jeu
de 52 cartes les événements A : tirer un as et V tirer un
valet sont mutuellement exclusifs.
4 4 8 2
P(A ou V ) = P(A∪V ) = P(A)+P(V ) = + = =
52 52 52 13
Conséquences
Pour tout A ∈ F on a 0 ≤ P(A) ≤ 1, P(A) = 1 − P(A).
Conséquences
Soit A ∈ F et B ∈ F tq A ⊂ B alors P(A) ≤ P(B) en
effet B = A ∪ (B \ A),
P(B) = P(A ∪ (B \ A) = P(A) + P(B \ A) ≥ P(A)
Conséquences
P(B) = P(A ∪ (B \ A) = P(A) + P(B \ A) ≥ P(A)
P(A ∩ B) = P(A) − P(A ∩ B) car (A ∩ B) ∪ (A ∩ B) = A,
et A ∩ B ∩ A ∩ B = ∅.
Conséquences
P(B) = P(A ∪ (B \ A) = P(A) + P(B \ A) ≥ P(A)
et A ∩ B ∩ A ∩ B = ∅.
Axiome des probabilités totales

Soient A et B deux événements quelconques alors
Conséquences
P(B) = P(A ∪ (B \ A) = P(A) + P(B \ A) ≥ P(A)
et A ∩ B ∩ A ∩ B = ∅.

P(A ∪ B) = P(A) + P(B \ A) = P(A) + P(B) − P(A ∩ B)
Conséquences
P(B) = P(A ∪ (B \ A) = P(A) + P(B \ A) ≥ P(A)
et A ∩ B ∩ A ∩ B = ∅.

Si A ∩ B = ∅ on retrouve la définition
P(A ∪ B) = P(A) + P(B).
Conséquences
P(B) = P(A ∪ (B \ A) = P(A) + P(B \ A) ≥ P(A)
et A ∩ B ∩ A ∩ B = ∅.

Si A ∩ B = ∅ on retrouve la définition
P(A ∪ B) = P(A) + P(B).
En général P(A ∪ B) ≤ P(A) + P(B).
Exemple
i) Dans un jeu de 52 cartes ; on tire une carte.
Quelle est la probabilité d’obtenir une dame ou un roi.
On pose :
A = L’événement on obtient une dame,
B = l’événement on obtient un roi, on a A ∩ B = ∅,
d’aprés la formule des probabilités total
P(A ∪ B) = P(1 dame ou 1 roi)
1 1 2
= P(1 dame) + P(1 roi) = + =
13 13 13
Exemple suite
Exemple
ii) Dans le même jeu de 52 cartes, on tire une carte,
quelle est la probabilité d’obtenir (un coeur ou un roi).
Soient :
A = l’événement obtenu est un coeur,
B = l’événement obtenu est un roi.
P(A ∪ B) = P(1 coeur ou 1 roi)
= P(1 coeur ) + P(1 roi) + P(roi de coeur ) =
1 1 1 4
4
+ 13 − 52 = 13 .
En effet : Dans la probabilité de tirer un coeur est incluse,
celle de tirer le roi de coeur, de même, dans la probabilité
de tirer un roi est incluse celle de tirer le roi du coeur. La
probabilité de tirer le roi de coeur, a donc été compté 2
fois : il faut la retrancher une fois.
Probabilités conditionnelle
Définition
Soit Ω un ensemble d’événement sur lequel on a défini
une probabilité et soit B un événement de probabilité non
nulle. Soit A un autre événement, la probabilité
conditionnelle de A liée par B (que l’on note P(A/B) est
définie par l’expression :
P(A ∩ B)
P(A/B) = .
P(B)
Soit A et B deux événements de probabilité non nulle. De

la définition axiomatique de la probabilité conditionnelle
résulte la relation symétrique :
P(A ∩ B) = P(A) · P(B/A) = P(B) · P(A/B)
Probabilités conditionnelle
Exemple
Soit une urne contenant 10 boules blanches, 20 rouges et
30 noires. On tire deux boules, sans remise dans l’urne.
Quelle est la probabilité que la premiére soit rouge et la
seconde soit blanche ? : A = La boule rouge, B = boule
blanche.
20 10 10
P(A ∩ B) = P(A) · P(B/A) = · =
60 59 177
car P(B/A) = la probabilité de tirer une boule blanche au
second tirage. Sachant que l’on a tiré une boule rouge au
premier, il reste 59 boules dans l’urne dont 10 boules
blanches.
Événements indépendants
Généralisation : Si A1 , A2 , . . . , An sont n événement

alors :
P (∩ni=1 Ai ) = P(A1 )P(A2 /A1 )P(A3 /A1 ∩A2 ), · · · , P An /∩n−1

i=1 Ai
Événements indépendants
Généralisation : Si A1 , A2 , . . . , An sont n événement

alors :
P (∩ni=1 Ai ) = P(A1 )P(A2 /A1 )P(A3 /A1 ∩A2 ), · · · , P An /∩n−1

i=1 Ai
Définition
Soit deux événements A et B. On dit que l’événement B
est indépendant de l’événement A (parfois on précise
stochastiquement indépendant) si
P(B/A) = P(B).
Si la probabilité de réalisation de l’événement B est la

même selon qu’on sait ou qu’on ne sait pas si A s’est
réalisé P(B/A) = P(A∩B)
P(A)
= P(B) donc
P(A ∩ B) = P(A).P(B) ce qui implique que si P(B) 6= 0 que
P(A/B) = P(A∩B)
P(B)
= P(A).

P(A)
= P(B) donc
P(A/B) = P(A∩B)
P(B)
= P(A). Ainsi l’indépendance est une
relation symétrique on dit que A et B sont mutuellement
indépendants.

P(A)
= P(B) donc
P(A/B) = P(A∩B)
P(B)
= P(A). Ainsi l’indépendance est une
relation symétrique on dit que A et B sont mutuellement
indépendants. L’incompatibilité suppose l’absence de
l’intersection, par contre l’indépendance suppose la
présence de l’intersection.
L’indépendance suppose obligatoirement la
non–incompatibilité.
Soit l’ensemble de {Ai , i = 1, 2, . . . , n ou i ∈ I} formés de

Ai ∈ A, les Ai sont mutuellement indépendants ou
indépendants dans leur ensemble si
∀ k ∈ N, Aj1 , Aj2 , . . . , Ajk avec j1 , j2 , . . . , jk ∈ I on a
k
Y
P(∩ki=1 Aji ) = P(Aji )
i=1
Remarque
Il ne faut pas confondre mutuellement indépendants et
indépendants 2 à2.
Exemple
Pour montrer cette différence on considére, soit
Ω = {ω1 , ω2 , ω3 , ω4 }, soit
P(ω1 ) = P(ω2 ) = P(ω3 ) = P(ω4 ) = 14 , A = {ω1 , ω2 },
B = {ω1 , ω3 } et C = {ω1 , ω4 } :
P(A ∩ B) = P(ω1 ) = 14 = P(A)P(B) = 12 · 12 = 14 , ce qui
entraéne A et B indépendants.
P(A ∩ C) = P(ω1 ) = 14 = P(A)P(C) = 12 · 12 = 14 , ce qui
entraine A et C indépendants
Exemple
P(B ∩ C) = P(ω1 ) = 41 = P(B)P(C) = 12 · 12 = 14 , ce qui
entraéne B et C indépendants.
A, B et C sont donc stochastiquement indépendants 2 é 2
mais
P(A∩B∩C) = P(ω1 ) = 41 6= P(A)∩P(B)∩P(C) = 12 · 21 · 12 = 18 ,
A, B et C ne sont pas mutuellement indépendants, mais
l’indépendance mutuelle implique l’indépendance 2 é 2.
Définition
Un événement A est dit stochastiquement impossible
(négligeable) lorsque A 6= ∅ et P(A) = 0 il n’y pas donc
des chances de réalisations.
Définition
Un événement A est dit stochastiquement impossible
(négligeable) lorsque A 6= ∅ et P(A) = 0 il n’y pas donc
des chances de réalisations.
Exemple
Le poids d’un nouveau né est égale exactement é 3kgs
n’est pas impossible mais sa fréquence relative tend vers
0. La piéce de monnaie reste debout.
Remarque
Si un événement A stochastiquement impossible alors
l’événement opposé A est stochastiquement certain i.e.
A 6= Ω et P(A) = 1.
Exemple
Un nouveau né ne pése pas exactement 3kgs est un
événement stochastiquement certain.
Remarque
Ne pas confondre événement indépendants et
événements incompatibles.
Soit Ω l’ensemble des éventualités attachées à une

expérience aléatoire et soit P une probabilité sur (Ω, A).
On appelle système complet d’événements toute
partition finie ou dénombrable de Ω formée d’éléments de
A de probabilités positives, deux-à-deux incompatibles et
dont la réunion est l’événement certain.
Soit Ω l’ensemble des éventualités attachées à une

expérience aléatoire et soit P une probabilité sur (Ω, A).
On appelle système complet d’événements toute
partition finie ou dénombrable de Ω formée d’éléments de
A de probabilités positives, deux-à-deux incompatibles et
dont la réunion est l’événement certain.
Soit {Ai }i∈I un système complet d’événements. Tout

événement
S B peut se décomposer sous la forme :
B = i∈I (B ∩ Ai ). On en déduit la formule suivante dite
des probabilités
P totales : pour tout événement B,
P(B) = i∈I P(Ai ) P(B/Ai ).
Théorème de Bayes
Théorème de Bayes
Soit {A1 , A2 , · · · , An } un système complet d’événements,

tous de probabilité non nulle. Pour tout événement B de
probabilité strictement positive :
P(B/Ak ).P(Ak )
(∀k ∈ {1, 2, · · · , n}) P(Ak /B) = P
i P(B/Ai ).P(Ai )
Exemple
Deux machines A et B produisent respectivement dans un
même intervalle de temps 100 et 200 pièces. La machine
A fabrique 5,2% de pièces défectueuses ; la machine B
en fabrique 6,7%. Une pièce est prise “au hasard" dans la
fabrication : on observe qu’elle est défectueuse.
Quelle est la probabilité pour que cette pièce ait été
fabriquée par la machine A ?

Proba Chap1 09 10

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Proba Chap1 09 10

Transféré par

Droits d'auteur :

Formats disponibles

Langage du Calcul des Probabilités Définition axiomatique de la probabilité

Langage du Calcul des Probabilités

1 Langage du Calcul des Probabilités

Les phénomènes déterministes

Considérons une expérience dont le but est l’étude d’un

Les phénomènes déterministes

Considérons une expérience dont le but est l’étude d’un

Les phénomènes déterministes

Les phénomènes aléatoires

Les phénomènes aléatoires

Les phénomènes aléatoires

On appellera événement associé à une épreuve,

A tout événement E on peut associer l’événement

A tout événement E on peut associer l’événement

A tout événement E on peut associer l’événement

A tout événement E on peut associer l’événement

A tout événement E on peut associer l’événement

Soit A une famille des événements de l’univers Ω, d’une

Soit A une famille des événements de l’univers Ω, d’une

Soit A une famille des événements de l’univers Ω, d’une

Soit A une famille des événements de l’univers Ω, d’une

Probabilité d’un événement élémentaire

On s’intéresse aux chances de réalisation de l’événement

Probabilité d’un événement élémentaire

On s’intéresse aux chances de réalisation de l’événement

Probabilité d’un événement élémentaire

On s’intéresse aux chances de réalisation de l’événement

Probabilité d’un événement élémentaire

Probabilité d’un événement élémentaire

En utilisant la formule d’additivité, on remarque que si un

Probabilité d’un événement élémentaire

Approche classique de la probabilité

Exemple (Jeu de bridge)

Approche fréquence de la probabilité

Dans le cas de l’équiprobabilité, si Ω est un ensemble fini,

Card(A) nombre de cas favorables

Dans le cas de l’équiprobabilité, si Ω est un ensemble fini,

Card(A) nombre de cas favorables

Le calcul de la probabilité d’un événement quelconque se

Nombre de combinaisons avec répétitions

Permutation avec répétition

Généralisation à plusieurs répétitions

On considére n objets, parmi lesquels r1 sont semblables

Tribus ou sigma algébres

Soient Ω l’univers d’une expérience aléatoire et A

Tribus ou sigma algébres

Soient Ω l’univers d’une expérience aléatoire et A

Tribus ou sigma algébres

Soient Ω l’univers d’une expérience aléatoire et A

Tribus ou sigma algébres

Soient Ω l’univers d’une expérience aléatoire et A

3 Pour tout famille (An )n∈N tel que An ∈ F pour tout

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.

Définition d’une probabilité.