Académique Documents
Professionnel Documents
Culture Documents
Définition 1 : Ensemble
Exemples :
x∈E
L'ensemble vide est celui qui n'admet aucun élément. Il est noté ∅ .
Tous les éléments de A sont aussi des éléments de E. On dit que A est
inclus dans E , et on note A ⊂ E.
2. Operations sur les ensembles
Définition 1 : Intersection
Exemple:
E = {3, 4}
Définition 2 : Intersection
Exemple:
E F
23
Définition 3 : Réunion
Alors A – B = {1, 2}
B – A = {5, 6}
3 . Vocabulaire et opérations logiques sur les événements:
Exemple:
si on jette un dé, l’événement A={3,4} est un événement de Ω
puisque A⊂Ω , donc A⊂P(Ω).
4 . Propriétés des opérations sur les événements:
1. (A ∪ B)=(B ∪ A) et (A ∩ B) = (B ∩ A) ( commutativité)
2. A ∪ B ∪ C = A ∪ B ∪ C = A ∪B ∪C (associativité)
3. A∩ ( B ∩ C) = (A ∩ B) ∩ C = A ∩B ∩ C (associativité)
4. A ∩ B ∪ C = (A ∩ B) ∪ (A ∩ C) (distributivité)
5. A ∪ B ∩ C = A ∪ B ∩ A ∪ C (distributivité)
6. A - B = A ∩ 𝐵ത
7. Si ( A∈ 𝐵 ) alors ( 𝐵ത ∈ 𝐴)ҧ
8. ( A ∪ ∅) = A et ( A ∩ ∅) = ∅. ( identité )
9. ( A ∪ 𝐸) = E et ( A∩ E) = A. ( identité )
10. (A ∪ 𝐴 ) = A et (A∩ 𝐴 ) =A . (idempotence)
11. (𝐴 ∪ 𝐵)=𝐴ҧ ∩ 𝐵ത
et (𝐴 ∩ 𝐵)=𝐴ҧ ∪ ഥ
𝐵 .Théorème de Morgan
12. A=(A ∩ B) ∪ (A ∩ 𝐵)ത . Théorème de Morgan
13. B =(A ∩ B) ∪ (𝐴ҧ ∩ B) . Théorème de morgan
14. A= (A ∪ B)- (𝐴ҧ ∩ B)
ത
15. B = (A ∪ B)- (A ∩ 𝐵)
Exemple :
1- A seul se produit.
2- A et B se produisent et pas C.
3- A, B et C se produisent simultanément.
7- Aucun ne se produit.
Solution :
1- A ∩ 𝐵ത ∩ 𝐶.ҧ
2- A ∩ B∩ 𝐶.ҧ
3- A ∩ B ∩ C.
4- (A ∩ B∩ 𝐶ഥ ) ∪(A ∩ 𝐵ത ∩ 𝐶) ∪ (𝐴∩
ҧ B∩ 𝐶) ∪(A ∩ B∩C).
7- (𝐴ҧ ∩ 𝐵∩ ҧ
ത 𝐶).
1.Experiences aléatoire et événements
Définition d’une expérience: Un expérience est une action qui se réalise avec
l’intention de recueillir certaines observations sur les résultats. Observations
sur les résultats.
On dit qu’ une expérience est aléatoire si les résultats obtenus sont
imprédictibles. Ça veut dire que même si on répète l’expérience sous les
mêmes conditions le résultat peut changer(il s’agit d’un phénomène
aléatoire).
On appelle une expérience ou épreuve aléatoire, toute expérience
entraînant des résultats qui dépendent du hasard.
Exemple:
Expérience 1:
Expérience 2:
- etc.
Définition d’ un événement
Exemples:
Ω= {1;2;3;4;5;6}
A et B deux événements possible de Ω:
•Evénement A ou B : A∪B
•Evénement A et B : A∩B
𝒄𝒂𝒔 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔 𝒌
P(A) = =
𝒄𝒂𝒔 𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆𝒔 𝒎
2 - Définition axiomatique de la probabilité :
Axiome 1 : P(Ω) =1
alors:
- Si A ⊂ B p(A) ≤p(B).
Et si B= A ∪ B ∩ 𝐴ҧ p(B) = p(A) + p B ∩ 𝐴ҧ
Pour tout événement A :
0 ≤ p(A)≤1.
Deux à deux, on a :
p ( 𝑨𝟏 ∪ 𝑨𝟐 ∪ ⋯ ,∪ 𝑨𝒏 ) = σ𝒏𝒊=𝟏 𝒑(𝑨𝒊 )
Cas particulier important : l’équiprobabilité
▪ Arbres pondérés
Règles de construction: La somme des probabilités des branches
issues d'un même nœud est 1.
𝒑(𝑨∩𝑩)
𝑷𝑨 𝐁 𝐨𝐮 𝐩 𝑩/𝑨 =
𝒑(𝑨)
1. 𝑃𝐴 Ω =1
𝑨∩𝑩
𝒑 𝑩/𝑨 = P( ) = 𝒑 𝑨 ∩ 𝑩 = 𝒑(B/A) × p(A)
𝑨
𝒑 𝑨/𝑩 = P(
𝑨∩𝑩
) = 𝒑 𝑨 ∩ 𝑩 = 𝒑(𝑨/𝑩) × p(B)
𝑩
=> 𝒑 𝑨 ∩ 𝑩 = 𝒑(B/A) × p(A) = 𝒑(𝑨/𝑩) × p(B)
Exemple:
Dans une urne contenant 20 boules blanches, 15 boules noires, 15
boules rouges et 10 boules vertes.
A ഥ
𝑨 Total
B 7 3
ഥ
𝑩 5 10
Total
3. Calculer la probabilité 𝑃𝐴 B .
Solution:
𝟏𝟐
1. p(A) =
𝟐𝟓
𝟕
2. p(A ∩ B ) =
𝟐𝟓
𝟕
3. 𝑃𝐵 𝐴 =
𝟏𝟎
Exercice 3:
Un sondage est effectué dans une entreprise comprenant 20% des cadres et 80%
d’employés. On sait que 40% des cadres et 15% des employés parlent l’anglais.
On choisit au hasard une personne de l’entreprise. On appelle C l’événement
« être cadre » , E l’événement « d’ être employé » , et A l ’événement « parler
l’anglais ».
1.Calculer la probabilité des événements C ∩ A et E ∩ A
2.Déduisez- P(A).
3. Calculer P(C/A).
Solution:
Pour simplifier les choses on peut construire l’arbre pondéré de cette expérience.
1. Le chemin: 0.2 C 0.4 A
Représente l’événement « la personne choisie est un cadre qui parle l’anglais ».
Autrement dit, c’est l’événement:
C ∩ A = 0.2× 0.4 = 0.08.
Le chemin: 0.8 E 0.15 A
Représente l’événement « la personne choisie est un cadre qui parle l’anglais ».
Autrement dit, c’est l’événement:
E ∩ A = 0.8× 0.15 = 0.12.
2. P(A) = 0.2
3. P(C/A) = 0.4.
4 - Théorème de Bayes
𝒑(𝑨𝒊 ) × 𝒑(𝑩/𝑨𝒊 )
𝒑(𝑨𝒊 /𝑩) = 𝒏
σ𝒊=𝟏 𝒑(𝑨𝒊 ) × 𝒑(𝑩/𝑨𝒊 )
Explication:
par contre p(𝑨𝒊 /B) est la probabilité que B étant réalisée, il doit être du à
la cause 𝑨𝒊 .
5 -Probabilités a priori et probabilités à posteriori.
p(𝐴𝑖 ) p(B/𝐴𝑖 )
p(𝑨𝒊 /B)
Probabilité à priori
Probabilité des causes
probabilité postériori(Bayes)
probabilité que la conséquence
B étant réalisée est due à la cause
𝐴𝑖
probabilité que la conséquence
B soit le résultat de la cause 𝐴𝑖
Exercice d’application:
Dans une usine, 3 machines fabriquent des pièces mécaniques dans les
proportions respectives suivantes: p1=25%, p2=35% et p3=40%.
On choisit au hasard une pièce dans un lot de pièces fabriquées par l’usine
et on constate qu’elle est défectueuse. Quelle est probabilité qu’elle soit
fabriquée par la 3ème machine?
Solution:
Si on note les événements,
D =« la pièce est défectueuse».
Mi =« la pièce est fabriquée par la i ème machine ».
On a:
i) P(M1 )=0,25; P(M2 )=0,35 et P(M3 )=0,4.
ii) P(D/M1 )=0,1; P(D/M2 )=0,05 et P(D/M3 )=0,01.
Donc par le théorème de Bayes on calcule la probabilité a posteriori P(M3 /D):
𝐷
𝑀3 𝑝 𝑀3 × 𝑝 0,004
𝑀3
𝑝 = 3 = = 0,086
𝐷 σ𝑖=1 𝑝(𝑀𝑖 ) × 𝑝(𝐷/𝑀𝑖 ) 0,0465
6 - Evénements indépendants :
Il arrive que p(B) ne change pas, que A soit ou non, autrement dit: