Académique Documents
Professionnel Documents
Culture Documents
Presentation Chapitre3
Presentation Chapitre3
(Pour GEGM)
n©N
Présenté par:
A. Laghrib
amine.laghrib@gmail.com
2022
A. Laghrib | c b n a 3 / 213
Statistiques et Probabilité | Introduction aux probabilités
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition
A. Laghrib | c b n a 4 / 213
Statistiques et Probabilité | Introduction aux probabilités
Introduction
Historiquement, le calcul des probabilités s’est développé à partir du
XVIIe siècle autour des problèmes de jeux dans des situations où le
nombre de cas possibles est fini.
A. Laghrib | c b n a 5 / 213
Statistiques et Probabilité | Introduction aux probabilités
Introduction
Historiquement, le calcul des probabilités s’est développé à partir du
XVIIe siècle autour des problèmes de jeux dans des situations où le
nombre de cas possibles est fini.
A. Laghrib | c b n a 6 / 213
Statistiques et Probabilité | Introduction aux probabilités
{a, b, c}.
A. Laghrib | c b n a 7 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 8 / 213
Statistiques et Probabilité | Introduction aux probabilités
Definition (Ensemble)
A. Laghrib | c b n a 9 / 213
Statistiques et Probabilité | Introduction aux probabilités
Definition (Sous-ensemble)
On dit qu’un ensemble E est inclus dans un ensemble F si tout élément
de E est un élément de F . Dans ce cas, on dit que E est un
sous-ensemble de F .
Definition
On appelle ensemble vide, l’ensemble ne contenant aucun élément. On le
note ∅.
A. Laghrib | c b n a 10 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 11 / 213
Statistiques et Probabilité | Introduction aux probabilités
Exemple
Soit E l’ensemble à deux éléments : E = {a, b}. Alors E admet comme
sous-ensembles ∅, {a}, {b} et E lui même. En effet, par la définition de
l’inclusion, on a toujours E ⊂ E. Ainsi
A. Laghrib | c b n a 12 / 213
Statistiques et Probabilité | Introduction aux probabilités
Proposition
Soit E un ensemble. Si A est un sous-ensemble de E, on a alors les relations
A⊂E
et
A ∈ P (E).
A. Laghrib | c b n a 13 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 14 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 15 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 16 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 17 / 213
Statistiques et Probabilité | Introduction aux probabilités
E ∩ F = ∅.
A. Laghrib | c b n a 18 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 19 / 213
Statistiques et Probabilité | Introduction aux probabilités
A = {x ∈ E tels que x ∈
/ A}
A. Laghrib | c b n a 20 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 21 / 213
Statistiques et Probabilité | Introduction aux probabilités
Propriété
Soit E un ensemble fini et A et B deux sous-ensemble de E alors on a :
1 Card(A) ≤ Card(E)
2 Card(A) = Card(E) si A = E
3 Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B)
4 Card(A × B) = Card(A) × Card(B)
A. Laghrib | c b n a 22 / 213
Statistiques et Probabilité | Introduction aux probabilités
Propriété
Soient A, B, C ∈ P (E). Alors
1 A ∪ B = B ∪ A; A ∩ B = B ∩ A
2 A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
3 A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
4 A ∪ A = A ; A ∩ A = A.
A. Laghrib | c b n a 23 / 213
Statistiques et Probabilité | Introduction aux probabilités
A. Laghrib | c b n a 24 / 213
Statistiques et Probabilité | Analyse combinatoire
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition
A. Laghrib | c b n a 25 / 213
Statistiques et Probabilité | Analyse combinatoire
Analyse combinatoire
Définition
L’analyse combinatoire est une branche des mathématiques qui étudie
comment dénombrer des objets. Elle fournit des méthodes utiles en théorie
de probabilités.
A. Laghrib | c b n a 26 / 213
Statistiques et Probabilité | Analyse combinatoire
Analyse combinatoire
Définitions
Disposition sans répétition : c’est une disposition où un élément
peut apparaître 0 ou 1 fois.
Disposition avec répétition : un élément peut figurer plus d’une fois.
Disposition ordonnée : l’ordre d’obtention d’un élément est
important. Ex. les éléments constituant la plaque minéralogique d’un
véhicule.
A. Laghrib | c b n a 27 / 213
Statistiques et Probabilité | Analyse combinatoire
Analyse combinatoire
Exemples
Disposition non-ordonnée : l’ordre d’obtention d’un élément n’est pas
important, on n’en tient pas compte dans la caractérisation de la
disposition.
Ex. Les numéros issus d’un tirage du loto. Le tirage au sort pour le
pélérinage.
A. Laghrib | c b n a 28 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Definition
Étant donné un ensemble E de n éléments, on appelle arrangement de p
éléments toute disposition ordonnée de p éléments pris parmi les n
éléments. Le nombre d’arrangements de p éléments pris parmi n éléments
est noté
Apn
A. Laghrib | c b n a 29 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Remarque
On a nécessairement 1 ≤ p ≤ n, p ∈ N∗ . Si n < p alors Apn = 0.
Deux arrangements de p élément sont donc distincts s’ils différent par la
nature des éléments qui les composent ou par leur ordre dans la suite.
A. Laghrib | c b n a 30 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Apn = np .
A. Laghrib | c b n a 31 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Explication :
Pour le premier élément tiré, il y a n manières de ranger l’élément parmi n.
A. Laghrib | c b n a 32 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Explication :
Réaliser un arrangement avec répétition des éléments d’ensemble E, c’est
aussi définir une application d’un ensemble F à p éléments dans E à n
éléments.
A. Laghrib | c b n a 33 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Exemples :
Si on considère une urne qui contient 9 boules (3 rouges, 3 noires et 3
blanches). On tire 4 boules avec remise de cette urne. Combien de nombres
de tirage possible ?
A. Laghrib | c b n a 34 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Exemples :
Combien de mots de 10 lettres peut-on former avec les 26 lettres de
l’alphabet, si on peut réutiliser les lettres ?
A. Laghrib | c b n a 35 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Exemples :
Combien de mots de 10 lettres peut-on former avec les 26 lettres de
l’alphabet, si on peut réutiliser les lettres ?
A. Laghrib | c b n a 36 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
n!
Apn = avec 1 ≤ p ≤ n.
(n − p)!
A. Laghrib | c b n a 37 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Explication :
Pour le premier élément tiré, il y a n manières de ranger l’élément parmi n.
Pour le second élément tiré, il n’existe que n − 1 manières de ranger
l’élément, car le premier élément ne plus être pris en compte.
A. Laghrib | c b n a 38 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Explication :
Ainsi pour les p éléments tirés parmi n, si 1 ≤ p ≤ n il aura :
A. Laghrib | c b n a 39 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Explication :
Réaliser un arrangement sans répétition des éléments d’ensemble E, c’est
déterminer un p uplet (x1 , . . . , xp ) d’éléments de deux à deux distincts.
C’est aussi définir une application injective d’un ensemble F à p éléments
dans E à n éléments.
A. Laghrib | c b n a 40 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Exemple :
Si on considère une urne qui contient 9 boules (3 rouges, 3 noires et 3
blanches). On tire 4 boules sans remise de cette urne. Combien de nombres
de tirage possible ?
A. Laghrib | c b n a 41 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Exemple :
Une course de 20 athlètes, on attribue une médaille d’or au premier, une
médaille d’argent pour le deuxième et le bronze pour le troisième. Combien
y-a-t il de distribution possible ?
20!
A320 = = 20 × 19 × 18 = 6840
17!
A. Laghrib | c b n a 42 / 213
Statistiques et Probabilité | Analyse combinatoire | Arrangements
Analyse combinatoire
Arrangements
Exemple :
Un cadenas à numéros a trois roues ; chacune porte les numéros 0 à 9.
Chaque secret est composé de trois numéros différents.
A. Laghrib | c b n a 43 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Definition
Une permutation est un rangement ordonné de n objets distinguables.
C’est également une bijection d’un ensemble de n éléments vers lui
même.
A. Laghrib | c b n a 44 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
A. Laghrib | c b n a 45 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Une permutation est un rangement ordonné de n objets distinguables.
C’est également une bijection d’un ensemble de n éléments vers lui même.
A. Laghrib | c b n a 46 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
La permutation sans répétition constitue un cas particulier d’arrangement
lorsque n = p.
n!
Ann = = n!.
(n − n)!
A. Laghrib | c b n a 47 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Le nombre de façon de placer 5 étudiants dans 5 places différentes est
5! = 5 × 4 × 3 × 2 × 1 = 120.
A. Laghrib | c b n a 48 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Proposition :
n! = n × (n − 1)!
= n × (n − 1) × (n − 2)!
= n × (n − 1) × (n − 2) × . . . × 1
A. Laghrib | c b n a 49 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Réaliser une permutation sans répétition des éléments d’ensemble E, c’est
réaliser un tirage exhaustif sans remise des éléments de E en tenant
compte de l’ordre du tirage. C’est aussi définir une bijection de ensemble E
sur lui-même.
A. Laghrib | c b n a 50 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Combien de mots différents peut on écrire en permutant les lettres du mot
"Yasine".
A. Laghrib | c b n a 51 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Le nombre de mots que l’on peut former est le nombre des
{1, 1, 1, 1, 1, 1}-permutations (sans répétition) de l’ensemble des lettres
"Yasine", soit
P = 6!.
A. Laghrib | c b n a 52 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Combien de nombres différents de quatre chiffres peut-on écrire avec les
chiffres 3,4,5,0 ?
A. Laghrib | c b n a 53 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Le nombre est 4!.
A. Laghrib | c b n a 54 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Combien de permutations possibles des lettres A, E et F ?
A. Laghrib | c b n a 55 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
A. Laghrib | c b n a 56 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
(a1 , . . . , a1 ); (a2 , . . . , a2 ); . . . ; (ar , . . . , ar )
| {z } | {z } | {z }
n1 n2 nr
n!
Pn1 ,n2 ,...,nr = .
n1 !n2 ! . . . nr !
C-à-d que le premier élément figure n1 fois, le deuxième figure n2 fois et
ainsi de suite.
A. Laghrib | c b n a 57 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Combien de mots différents peut on écrire en permutant les lettres du mot
"Yassine".
A. Laghrib | c b n a 58 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Le nombre de mots que l’on peut former est le nombre des
{1, 1, 2, 1, 1, 1}-permutations (avec répétition) de l’ensemble des lettres
"Yassine", soit
7! 7!
P = = = 2520.
1!1!2!1!1!1! 2!
A. Laghrib | c b n a 59 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Combien d’anagrammes peut-on construire à partir du mot
"PROBABILITÉ" ? anagramme est un mot composé des lettres du mot initial
sans qu’il est un sens. On commence par la lettre "P", elle figure une seule
fois donc n1 = 1.
La lettre "R" figure aussi une seule fois donc n2 = 1. Même chose pour "O",
"A", "L", "É" et "T".
Il reste donc la lettre "B" et "I" qui sont répétés deux fois. Donc le nombre
d’anagrammes possible est :
11! 11!
= = 9979200.
1!1!1!2!1!2!1!1!1! 4
A. Laghrib | c b n a 60 / 213
Statistiques et Probabilité | Analyse combinatoire | Permutations
Analyse combinatoire
Permutations
Exemple :
Combien de nombres différents peut-on écrire avec les chiffres 3,4,5,0,3 ?
A. Laghrib | c b n a 61 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Definition (Combinaisons)
Etant donné un ensemble de n éléments ; on appelle combinaison de p
éléments, tout sous-ensemble de p éléments non ordonné pris parmi les n
éléments.
A. Laghrib | c b n a 62 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
A. Laghrib | c b n a 63 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Pour une disposition ordonnée de p éléments parmi n sans répétition.
Il y a Apn possibilités de tirer p élément parmi n en les ordonnant :
n!
Apn = (n−p)!
Une fois les p élément tirés, il y a p! manières de les ordonner.
Apn
Il y a donc Cnp = p! manières de tirer p élément parmi n sans les
ordonner.
A. Laghrib | c b n a 64 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
Combien de couleurs peut-on obtenir en mélangeant deux couleurs non
identiques des trois couleurs : Rouge, Bleu, Jaune ?
A. Laghrib | c b n a 65 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
Combien de couleurs peut-on obtenir en mélangeant deux couleurs non
identiques des trois couleurs : Rouge, Bleu, Jaune ?
A. Laghrib | c b n a 66 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
Dans un jeu de 32 cartes, on tire 4 cartes au hasard. Combien de tirages
possibles.
A. Laghrib | c b n a 67 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
A. Laghrib | c b n a 68 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
Combien de combinaisons avec répétition à deux éléments de l’ensemble
{1, 2, 3}
A. Laghrib | c b n a 69 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
Les combinaisons possibles sont : {1, 1}, {1, 2}, {1, 3}, {2, 2}, {2, 3} et
2
{3, 3}. On a alors : C3+2−1 = (3+2−1)!
2!(3−1)! = 6.
A. Laghrib | c b n a 70 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
On tire au hasard trois billes dans une urne qui contient une bille rouge,
deux billes bleues distinctes et quatre billes vertes distinctes. Déterminer le
nombre de combinaisons possibles si on effectue les tirages avec remise.
A. Laghrib | c b n a 71 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
(7 + 3 − 1)!
Nombre de combinaisons possibles = = 84.
3!(7 − 1)!
A. Laghrib | c b n a 72 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
On veut construire un bouquet de 7 fleurs, on dispose de 5 fleurs blanches 3
rouges et 4 jaunes. De combien de façons peut-on construire ce bouquet ?
A. Laghrib | c b n a 73 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
On veut construire un bouquet de 7 fleurs, on dispose de 5 fleurs blanches 3
rouges et 4 jaunes. De combien de façons peut-on construire ce bouquet ?
A. Laghrib | c b n a 74 / 213
Statistiques et Probabilité | Analyse combinatoire | Combinaisons
Analyse combinatoire
Combinaisons
Exemple :
Dans ce cas on a n = 3 éléments distincts (fleur blanche, rouge et jaune) et
on choisie p = 7 parmi ces fleurs donc le nombre de cas possible est :
p 7 9!
Cn+p−1 = C3+7−1 = = 36.
7!(2)!
A. Laghrib | c b n a 75 / 213
Statistiques et Probabilité | Notions de Probabilités
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition
A. Laghrib | c b n a 76 / 213
Statistiques et Probabilité | Notions de Probabilités | Langage de Probabilités
Notions de Probabilités
Langage de Probabilités
A. Laghrib | c b n a 77 / 213
Statistiques et Probabilité | Notions de Probabilités | Langage de Probabilités
Notions de Probabilités
Langage de Probabilités
Definition (Univers)
L’ensemble de tous les résultats possibles d’une expérience aléatoire
constitue l’espace échantillon ou univers de l’expérience ou encore
l’espace des observable ; on le note habituellement Ω.
A. Laghrib | c b n a 78 / 213
Statistiques et Probabilité | Notions de Probabilités | Langage de Probabilités
Notions de Probabilités
Langage de Probabilités
No Expérience Ensemble de résultats possibles
(Univers)
1 Jeter un dé et relever le Ω = {1, 2, 3, 4, 5, 6}
nombre qui est sur sa face
supérieure
2 Jeter une pièce de mon- Ω = {pile,face} = {P, F }
naie
3 Compter le nombre de Ω = {1, 2, 3, . . .} = N
personnes entrant dans
un magasin entre 8h et
22h
4 Jeter un dé deux fois de Ω =
suite {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (6, 5), (6
Notions de Probabilités
Langage de Probabilités
Definition (Evénement)
Les sous-ensembles de l’univers Ω sont appelés événements. On distingue
les événements simples ou événements élémentaires qui sont constitués
d’un seul élément (autrement dit, un singleton) et des événements
composés.
A. Laghrib | c b n a 80 / 213
Statistiques et Probabilité | Notions de Probabilités | Langage de Probabilités
Notions de Probabilités
Langage de Probabilités
Exemples :
Dans l’expérience No 1 de l’exemple du dé à six faces :
Soit ω ∈ {1, 2, 3, 4, 5, 6} = Ω.
ω est appelé une réalisation ou une "épreuve".
Soit A = {2}, A ⊂ Ω est appelé un événement simple.
Soit B = { " le nombre obtenu est pair " } est appelé un événement
composé.
B est réalisé ⇐⇒ ω ∈ {2, 4, 6}.
A. Laghrib | c b n a 81 / 213
Statistiques et Probabilité | Notions de Probabilités | Langage de Probabilités
Notions de Probabilités
Langage de Probabilités
Exemples :
L’espace échantillon (univers) Ω est l’événement qui est toujours
réalisé, "événement certain".
L’ensemble vide ∅ est l’événement qui n’est jamais réalisé "événement
impossible".
Si A est un événement, alors A est un événement aussi.
Si A et B sont deux événements, alors A ∪ B est un événement aussi.
Si A et B sont deux événements, alors A ∩ B est un événement aussi.
A. Laghrib | c b n a 82 / 213
Statistiques et Probabilité | Notions de Probabilités | Opérations sur les événements
Notions de Probabilités
A. Laghrib | c b n a 83 / 213
Statistiques et Probabilité | Notions de Probabilités | Opérations sur les événements
Notions de Probabilités
A. Laghrib | c b n a 84 / 213
Statistiques et Probabilité | Notions de Probabilités | Tribus
Notions de Probabilités
Tribus
Definition (Tribus)
Soient Ω un ensemble et P(Ω) l’ensemble des parties de Ω. On appelle
tribu de Ω un sous-ensemble
T ⊂ P(Ω)
A. Laghrib | c b n a 85 / 213
Statistiques et Probabilité | Notions de Probabilités | Tribus
Notions de Probabilités
Tribus
Les éléments d’une tribu T de Ω sont donc des sous-ensembles de E. La
troisième condition précise que si un sous-ensemble est dans la tribu T , son
complémentaire également. Un cas particulier de la condition (4) est de dire
que si deux sous-ensembles A et B sont dans la tribu T , alors leur réunion
A ∪ B est aussi dans T .
A. Laghrib | c b n a 86 / 213
Statistiques et Probabilité | Notions de Probabilités | Tribus
Notions de Probabilités
Exemples
Soit Ω un ensemble. Alors T = P(Ω) est une tribu de Ω.
Soit Ω un ensemble. Alors T = {Ω, ∅} est une tribu de Ω. C’est la plus
petite tribu que l’on puisse construire sur Ω. Elle est souvent appelée la
tribu triviale.
Soit Ω = {a, b, c} un ensemble à trois éléments. Considérons le
sous-ensemble de P(Ω)
A. Laghrib | c b n a 87 / 213
Statistiques et Probabilité | Notions de Probabilités | Tribus
Notions de Probabilités
Exemples
Definition
Un espace probabilisable est un couple (Ω, T ) où Ω est un ensemble, T
une tribu sur Ω.
example
L’espace (Ω, P(Ω)) est un espace probabilisable.
A. Laghrib | c b n a 88 / 213
Statistiques et Probabilité | Notions de Probabilités | Tribus
Notions de Probabilités
Vocabulaire
Definition
Soit (Ω, T ) un espace probabilisable. Alors
Ω est appelé l’espace des épreuves.
Les éléments de la tribu T sont les événements.
Un élément ω ∈ Ω est appelé résultat. Si ω ∈ Ω est un élément d’un
événement A ∈ T , on dit que A est réalisé.
A. Laghrib | c b n a 89 / 213
Statistiques et Probabilité | Notions de Probabilités | Tribus
Notions de Probabilités
Vocabulaire
notations vocabulaire ensembliste vocabulaire probabiliste
Ω ensemble plein espace des épreuves (événement
∅ ensemble vide événement impossible
ω élément de Ω événement élémentaire
A sous-ensemble de Ω événement
ω∈A ω appartient à A ω réalise A
A⊂B A inclus dans B A implique B
A∪B réunion de A et B A ou B
A∩B intersection de A et B A et B
Ac ou A complémentaire de A événement contraire de A
A∩B =∅ A et B disjoints A et B incompatibles
A. Laghrib | c b n a 90 / 213
Statistiques et Probabilité | Notions de Probabilités | Tribus
Notions de Probabilités
Exemple
Considérons l’ensemble à deux éléments
Ω = {p, f }
Cet espace des épreuves peut, par exemple, correspondre aux résultats
d’un lancer d’une pièce de monnaie. Prenons
Ω, {p}
Notons que l’événement est toujours réalisé, quel que soit le résultat
ω ∈ Ω.
A. Laghrib | c b n a 91 / 213
Statistiques et Probabilité | Notions de Probabilités | Tribus
Notions de Probabilités
Exemple
Considérons l’ensemble à deux éléments
Ω = {p, f }
Cet espace des épreuves peut, par exemple, correspondre aux résultats d’un
lancer d’une pièce de monnaie. Prenons
Ω, {p}
Notons que l’événement est toujours réalisé, quel que soit le résultat
ω ∈ Ω.
A. Laghrib | c b n a 92 / 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Définition et propriétés d’une Probabilité
Definition
Soit (Ω, T ) un espace probabilisable. Une application
P : T 7→ [0, 1]
Notions de Probabilités
A. Laghrib | c b n a 94 / 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
P(Ω) 7→ [0, 1]
définie par
1
= P ({f }), P(Ω) = 1, P (∅).
P ({p}) =
2
est une probabilité sur cet espace.
A. Laghrib | c b n a 95 / 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
A. Laghrib | c b n a 96 / 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Definition
On appelle espace probabilisé un triplet (Ω, T, P ) où (Ω, T ) est un espace
probabilisable et P une probabilité sur (Ω, T ).
P (A) = 0.
A. Laghrib | c b n a 97 / 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Équiprobabilité
On dit qu’il y a équiprobabilité lorsque Ω est fini, de cardinal n, et tous les
événements simples sont de même probabilité c’est à dire elles ont la même
chance de se réaliser (équiprobables). Dans ce cas :
1 1
P ({ω}) = = , ∀ω ∈ Ω
n Card(Ω)
A. Laghrib | c b n a 98 / 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Indépendance
A. Laghrib | c b n a 99 / 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Indépendance
Definition
Soit (Ω, T, P ) un espace probabilisé. Un ensemble d’événements
A1 , A2 , . . . , An ∈ T est dit totalement indépendant si pour tout
sous-ensemble I ⊂ {1, 2, . . . , n}
Y
P ( ∩ Ai ) = P (Ai ),
i∈I
i∈I
100 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Exemple
On considère l’expérience relative à un lancer de deux dés. On a alors
Ω = {(1, 1), (1, 2), · · · , (1, 6), (2, 1), (2, 2), · · · , (2, 6), (6, 1), · · · , (6, 6)}
101 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Indépendance
102 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Indépendance
Definition
Soit (Ω, T, P ) un espace probabilisé. Un ensemble d’événements
A1 , A2 , . . . , An ∈ T est dit totalement indépendant si pour tout
sous-ensemble I ⊂ {1, 2, . . . , n}
Y
P ( ∩ Ai ) = P (Ai ),
i∈I
i∈I
103 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Indépendance
Exemple :
On considère l’expérience relative à un lancer de deux dés. On a alors
Ω = {(1, 1), (1, 2), · · · , (1, 6), (2, 1), (2, 2), · · · , (2, 6), (6, 1), · · · , (6, 6)}
104 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Indépendance
Theorem
Si A et B sont des événements indépendants, alors :
A et B sont des événements indépendants ;
A et B sont des événements indépendants ;
A et B sont des événements indépendants.
105 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Définition et propriétés d’une Probabilité
Notions de Probabilités
Indépendance
Exemple :
Une urne contient 12 boules numérotées de 1 à 12. On en tire une hasard, et
on considère les événements
A="tirage d’un nombre pair”,
B="tirage d’un multiple de 3”.
Les événements A et B sont-ils indépendants ?
106 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
P (A ∩ B)
P (A|B) =
P (B)
107 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Il est clair que la probabilité conditionnelle de A sachant l’événement total
Ω est égal à P (A). De même si B est un événement tel que B ⊂ A, alors
A ∩ B = B et P (A|B) = 1.
108 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Remarque :
Si A et B sont tels que P (A) > 0, P (B) > 0 on peut écrire :
P (A ∩ B)
P (A | B) = =⇒ P (A ∩ B) = P (A | B).P (B).
P (B)
De même :
P (A ∩ B)
P (B | A) = =⇒ P (A ∩ B) = P (B | A).P (A).
P (A)
109 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Remarque :
A : l’événement dont on cherche à prévoir la probabilité.
B : l’élément additionnel qui aide à prévoir la probabilité de A.
P (A) : c’est la probabilité à priori.
P (A | B) : probabilité à posteriori de A contenu de B.
P (B) : à calculer par la formule des probabilités totale.
P (B | A) : fiabilité informationnelle de B par rapport à A.
110 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Exemple :
On tire au hasard une carte parmi 10 (numérotées de 1 à 10).
soit S l’événement "le numéro tiré est multiple de 3 à condition qu’il soit
supérieur ou égal à 7".
111 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Exemple :
Une urne contient 10 boules noires et 15 boules blanches. On effectue deux
tirages successifs sans remettre la première boule tirée dans l’urne (tirage
sans remise). Quelle est la probabilité d’obtenir une boule noire au premier
tirage et une boule blanche au deuxième tirage ?
112 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Exemple (solution) :
On a Card(Ω) = 25
A : l’événement " Obtenir une boule noire au premier tirage "
10
Card(A) = 10 et P (A) =
25
B : l’événement " Obtenir une boule blanche au deuxième tirage "
15
Card(B) = 15 et P (B | A) =
24
C : l’événement " Obtenir une boule noire au premier tirage et une
boule blanche au deuxième tirage "
C = A ∩ B =⇒ P (C) = P (A ∩ B)
113 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Exemple (solution) :
P (B ∩ A) 15 10 1
P (B | A) = =⇒ P (B∩A) = P (B | A)P (A) = =
P (A) 24 25 4
114 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Remarque :
1 L’événement contraire de A | B est Ā | B.
2 Cas particulier si A ⊂ B alors P (A) ≤ P (B) et P (A ∩ B) = P (A)
d’où
P (A ∩ B) P (A)
P (A | B) = = .
P (B) P (B)
115 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
P (B|A)P (A)
P (A|B) = .
P (B)
116 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
On remarque que
P (B) = P (A ∩ B) + P (A ∩ B) = P (B | A)P (A) + P (B | A)P (A), ainsi
P (B | A)P (A)
P (A | B) = .
P (B | A)P (A) + P (B | A)P (A)
Notions de Probabilités
Probabilités conditionnelles
Soient deux cages remplies de lapins. La première C1 contient dix 10 lapins
gris et trente 30 blancs ; la seconde C2 contient vingt 20 de chaque. On tire
sans préférence particulière une des deux cages au hasard et dans cette
cage, on tire un lapin au hasard. Le lapin est blanc. Quelle est la probabilité
qu’on ait tiré ce lapin de la première cage ?
118 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Soit C1 l’événement " On tire dans la première cage"
et C2 l"événement " On tire dans la seconde cage".
Comme on tire sans préférence particulière : P (C1 ) = P (C2 )
de plus P (C1 ) = P (C2 ) = 12 .
119 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Notions de Probabilités | Probabilités conditionnelles
Notions de Probabilités
Probabilités conditionnelles
Notons B l’information donnée " On tire un lapin blanc " . On a
la probabilité de B sachant C1 vaut :
P (B ∩ C1 ) 30
P (B | C1 ) = = = 0.75
P (C1 ) 40
la probabilité de B sachant C2 vaut :
P (B ∩ C2 ) 20
P (B | C2 ) = = = 0.5
P (C2 ) 40
On veut calculer la probabilité de C1 sachant B. La formule de Bayes nous
donne donc,
P (B | C1 )P (C1 )
P (C1 | B) = = 0.6
P (B | C1 )P (C1 ) + P (B | C2 )P (C2 )
120 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition 121 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires
Variables aléatoires
Définition
Nous travaillons toujours dans un espace de probabilité (Ω, T , P ),
modélisant le phénomène aléatoire étudié.
Etant donné un univers Ω, Une variable aléatoire (v.a) X est une grandeur
numérique représentant le résultat d’une expérience aléatoire. On peut
donc considérer X comme une application de Ω dans R
X :Ω→ R
ω → X(ω)
122 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires
Variables aléatoires
Définition
123 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires
Variables aléatoires
Définition
A chaque évènement élémentaire ω de Ω correspond un nombre réel x
associé à la variable aléatoire X. Comme l’indique le graphe, il n’y a pas
obligatoirement autant de valeurs possibles prises par la variable aléatoire
X que d’évènements élémentaires. La valeur x correspond à la réalisation
de la variable X pour l’évènement élémentaire ω.
124 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires
Variables aléatoires
Exemple
Si l’on considère la constitution d’une fratrie de deux enfants, l’espace
fondamental est constitué des évènements élémentaires suivant :
Ω = {GG, GF, F G, F F }
Les valeurs possibles prises par la variable aléatoire
125 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires
Variables aléatoires
Exemple
L’expérience consiste à jeter trois pièces de monnaie simultanément.
Ω = {P P P, P P F, P F P, P F F, F P P, F P F, F F P, F F F }
Soit X = " nombre de faces obtenues " Dans ce cas : X(Ω) = {0; 1; 2; 3}.
126 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires
Variables aléatoires
Exemple
On lance un dé. On appelle X le numéro obtenu et Y son complément à 6.
Ω = {1, 2, 3, 4, 5, 6}.
ω 1 2 3 4 5 6
X(ω) 1 2 3 4 5 6
Y (ω) 5 4 3 2 1 0
sup(X, Y ) 5 4 3 4 5 6
127 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires
Variables aléatoires
Propriété
Soient X et Y deux variables aléatoires sur Ω et λ ∈ R. Alors X + Y ,
X − Y , λX, XY , sup(X, Y ) et inf(X, Y ) sont aussi des variables
aléatoires sur Ω.
128 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition 129 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
Loi de probabilité
130 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
Loi de probabilité
Dans la suite du cours, on utilisera la notation abrégée :
P ({ω ∈ Ω : X(ω) ∈ A}) = P (X ∈ A). De même, on notera P (X = x)
la probabilité P ({ω ∈ Ω : X(ω) = x})
131 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
Loi de probabilité
L’application PX définit une probabilité sur R.
132 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
133 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
134 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
135 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
Gain possible 10 5 1 0
1 12 4 15
Probabilité 32 32 32 32 1
136 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
Fonction de répartition
Fonction de répartition
Definition
On appelle fonction de répartition d’une v.a X, la fonction réelle F
définie par :
F : R → [0, 1]
x → F (x) = P (X ≤ x)
137 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Fonction de répartition d’une variable aléatoire
Fonction de répartition
Fonction de répartition
Propriété
Soit F la fonction de répartition de la v.a. X, on a
∀x ∈ R, 0 ≤ F (x) ≤ 1,
F est croissante,
F est continue à droite : ∀x0 ∈ R, on a lim F (x) = F (x0 )
x→x+
0
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition 139 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Différents types de variables aléatoires
Introduction
On distingue deux types de v.a, discrète et continue.
X(Ω), l’ensemble des possibilités, est fini ou dénombrable, on dit que
X est une v.a discrète, c’est à dire, X ne prend que des valeurs
numériques isolées.
X(Ω), l’ensemble des possibilités, est un intervalle ou une réunion
d’intervalles de R où R, on dit que X est une v.a continue.
140 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition 141 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète
Definition
Soit un espace probabilisé (Ω, P(Ω), P ) associé à une expérience
aléatoire. On appelle variable aléatoire discrète, une application X, de Ω
dans X(Ω) = {x1 , x2 , ..., xn , ...}, ensemble fini ou dénombrable :
142 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète
143 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
144 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
On note généralement P (X = xi ) = pi , et on a
1 Si X une v.a discrète finie, X(Ω) = {x1 , x2 , ..., xn }. La loi de de X est
définie par :
p1 = P (X = x1 ), p2 = P (X = x2 ), ..., pn = P (X = xn ) où 0 ≤ pk ≤ 1∀
où
n
X X
pk = 1, et P (A) = P (X = x), ∀A ⊂ X(Ω).
k=1 x∈A
145 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
1 Si X est une v.a discrète infinie, sa loi de probabilité est définie par la
suite infinie :
p1 = P (X = x1 ), p2 = P (X = x2 ), ..., pn = P (X = xn ), ...
P+∞
où 0 ≤ pk ≤ 1 pour tout k ∈ N et k=1 pk = 1.
146 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
Exemple :
On lance un dé. On appelle X le numéro obtenu et Y son complément à 6
et Z = sup(X, Y ).
1 Déterminer les ensemble des observables de X, Y et Z.
2 Déterminer les lois des v.a X et Y et Z.
147 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
Theorem
{(xi , Pi )/1 ≤ i ≤ n} est la loi de probabilité d’une v.a
(
0 ≤ Pi ≤ 1 pout tout i ∈ {1, 2, ..., n}
si et seulement si Pn (1)
i=1 Pi =1
148 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
Remarque
La loi de probabilité d’une v.a discrète X est entièrement déterminée par :
X(Ω) et {P (X = xi ), xi ∈ X(Ω)}
149 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
Example
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d X
représentant le nombre de faces obtenues après ces 2 lancements.
1 Donner les valeurs de X.
2 Définir la loi de probabilité de X.
150 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Loi de probabilité
Loi de probabilité
On a Ω = {(P ; P ); (P ; F ); (F ; P ); (F ; F )} événement équiprobable.
X : Ω −→ R et X(Ω) = {0; 1; 2}
Donc
x 0 1 2
1 1 1
P (X = x) 4 2 4
151 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Fonction de répartition
Definition
On appelle fonction de répartition de la v.a. discrète X, la fonction
F : R = → [0, 1]
x → F (x) = P (X ≤ x)
Autrement dit, X
F (x) = P (X = xi ).
xi ∈X(Ω),xi ≤x
152 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Fonction de répartition
Propriétés
Soit X une v.a finie de fonction de répartition F et de loi {p1 , p2 , ..., pn }.
X(Ω) = {x1 , x2 , ..., xn }, (x1 < x2 < · · · < xn ), alors
1 ∀x ∈] − ∞, x1 [, F (x) = 0
2 ∀x ∈ [xk , xk+1 [, F (x) = p1 + ... + pk 1 ≤ k ≤ n − 1
3 ∀x ∈ [xn , +∞[, F (x) = 1
4 pk = P (X = xk ) = F (xk ) − F (xk−1 )
153 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Fonction de répartition
Remarque
Il est parfois plus simple de déterminer la loi d’une v.a. d à partir de sa
fonction de répartition en utilisant la propriété 4.
154 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Fonction de répartition
Example
Soit la v.a.d X définie par X(Ω) = {1, 2, 3}.
1 1 1
p1 = P (X = 1) = , p2 = P (X = 2) = , p3 = P (X = 3) =
2 3 6
Donner la fonction de répartition de X
155 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Fonction de répartition
Example
0 si x<1
1/2 si 1≤x<2
F (x) =
5/6 si 2≤x<3
1 x≥3
si
156 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Fonction de répartition
la courbe de la fonction de répartition est une courbe en escalier.
157 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Espérance
Dans le cas discret X = x1 , x2 , ..., xn , l’espérence est donnée comme suit :
n
X
E(X) = p i xi
i=1
158 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variable aléatoire discrète | Fonction de répartition
Variance
On appelle variance de la variable aléatoire X la valeur moyenne des
carrés des écarts à la moyenne,
V (X) = E (X − E(X))2 .
159 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition 160 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi uniforme
161 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi uniforme
Loi uniforme
Example
On jette un dé bien équilibré, on considère la v.a.d X définie par X = le
point marqué par le dé.
si k ∈ S,
1 1
P ({k}) = P (X = k) = =
6 Card(S)
162 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Bernoulli
Loi Bernoulli
Soit une expérience à deux issues, succès et échec (ou vrai et faux) par
exemple. Soit la v.a X :
(
X = 0 si le résultat est un échec
X = 1 si le résultat est un succès
163 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Bernoulli
Loi Bernoulli
Definition
X est une v.a qui suit une loi de Bernoulli de paramètre p (0 ≤ p ≤ 1) si :
1) X(Ω) = {0, 1}.
2) P ({1}) = P (X = 1) = p, P ({0}) = P (X = 0) = 1 − p.
On écrira :
X ∼ Ber (p).
L’espérance et la variance de X sont :
164 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Bernoulli
Loi Bernoulli
Example
On jette une fois une pièce de monaie dont la probabilité d’avoir pile est p
(0 ≤ p ≤ 1), on considère la v.a X définie par :
(
1, si la pièce fait pile ;
X(ω) =
0, sinon.
165 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Bernoulli
Loi Bernoulli
Example
Si ω ∈ {π, F } alors
(
P (X = 1) = p, si ω = π ;
P ({ω}) =
P (X = 0) = 1 − p, si ω = F .
166 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Binomiale
Loi Binomiale
Soit une expérience à deux issues, succès ou échec (ou vrai et faux) par
exemple, on répète cette expérience dans les mêmes conditions n fois. On
note Xk la k ème observations
(
0 si le résultat est un échec
Xk =
1 si le résultat est un succès
et p la probabilité du succès.
167 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Binomiale
Loi Binomiale
Les v.a X1 , · · · , Xn sont des v.a de Bernoulli de paramètre p indépendantes.
soit X = X1 + · · · + Xn le nombre de succès obtenu en n expériences
indépendantes. Cherchons la loi de X c’est à dire calculons P (X = k)
Si k > n il est clair qu’il n’y a pas de solution et que la probabilité est
nulle.
Si k ≤ n, on cherche tout les n-uplets comportant k "un" et n − k
"zéro". Il y en a Cnk . A cause de l’indépendance, chacune de ces n-uplets
a une probabilité égale à pk (1 − p)n−k . au totale nous obtenons :
P (X = k) = Cnk pk (1 − p)n−k
168 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Binomiale
Loi Binomiale
Definition
On dit qu’une v.a.d X suit une loi Binomiale de paramètres n, p
(0 ≤ p ≤ 1) si :
X(Ω) = S = {0, 1, . . . , n}.
∀k ∈ S PX ({k}) = P (X = k) = Cnk pk (1 − p)n−k .
On note : X ∼ B(n, p).
169 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Binomiale
Loi Binomiale
L’espérance et la variance de X sont :
n
X n
X
E(X) = E(Xk ) = E(X1 ) = np
k=1 k=1
n
X n
X
V (X) = V (Xk ) = V (X1 ) = np(1 − p)
k=1 k=1
170 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Binomiale
Loi Binomiale
Propriété
Soient X1 et X2 deux v.a indépendantes suivant respectivent les lois
binomiales B(n1 , p) et B(n2 , p), alors X1 + X2 suit la loi binomiale
B(n1 + n2 , p).
171 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Binomiale
Loi Binomiale
Example
On lance un dé dont les faces sont numérotées de 1 à 6. On appelle
événement E l’obtention sur la face le numéro 3 ou 6.
1 On lance le dé, quelle est la probabilité de l’événement E ?
2 On lance ledé, 8100 fois, calculer la moyenne et l’écart-type du
nombre d’arrivées de l’événement E.
172 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi Binomiale
Loi Binomiale
Example
173 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi de poisson
Loi de poisson
La loi de poisson est une loi de probabilité qui s’applique aux événements
rares, elle décrit aussi le nombre d’apparitions d’un événement pendant une
duré de temps déterminée. Le nombre aléatoire X de ces événements suit
une loi de Poisson de paramètre λ > 0 qui représente la moyenne
d’événements survenus.
174 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi de poisson
Loi de poisson
Definition
On dit que la v.a X suit la loi de poisson de paramètre λ > 0 si :
X(Ω) = N.
λk exp[−λ]
P (X = k) = ∀k∈N
k!
On note
X ∼ P(λ).
175 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi de poisson
Loi de poisson
Definition
L’espérance et la variance de X sont :
+∞ +∞ +∞
X X λk exp[−λ] X λk
E(X) = kP (X = k) = k = λ car = exp[λ]
k=0 k=0
k! k=0
k!
V (X) = λ
176 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi de poisson
Loi de poisson
Propriété
Soient X1 et X2 deux v.a indépendantes suivant respectivent les lois de
poisson P(λ1 ) et P (λ2 ), alors X1 + X2 suit la loi de poisson P(λ1 + λ2 ).
177 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi de poisson
Loi de poisson
Example
Une machine utilisée dans une chaîne de production tombe en panne en
moyenne 2 fois par mois. Soit X le nombre de pannes par mois.
1 Quelle est la probabilité que dans un mois donnée la machine ne
tombe pas en panne ?
2 Quelle est la probabilité que dans un mois donnée la machine tombe
en panne au moins deux fois ?
178 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi de poisson
Loi de poisson
Example
X suit la loi de poisson de paramètre λ = 2, X ≈ P(2),
k
P (X = k) = 2 exp[−2]
k! .
1 La machine ne tombe pas en panne donc k = 0 et la probabilité est
0
P (X = 0) = 2 exp[−2]
0! = exp[−2] = 0.135.
2 La machine tombe en panne au moins deux fois donc k ≥ 2 et la
probabilité est : P (X ≥ 2) = 1 − P (X < 2) = 1 − (P (X =
0 1
0) + P (X = 1)) = 1 − ( 2 exp[−2]
0! + 2 exp[−2]
1! )=
1 − (exp[−2] + 2 × exp[−2]) = 1 − 0.405 = 0.595.
179 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités discrètes | Loi de poisson
Résumé
180 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition 181 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues
Introduction
Une variable aléatoire est dite continue si elle peut prendre toutes les
valeurs d’un intervalle. En particulier, dans le cas où la variable aléatoire
peut prendre toute valeur réelle (son ensemble de définition contient un
intervalle de R), on parle de variable aléatoire réelle.
182 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues
Introduction
Dans ce cas, il ne s’agira plus de calculer une probabilité d’apparition d’une
valeur donnée mais d’un intervalle. Quelques exemples :
temps d’attente pour avoir le bus : X(ω) ∈ [0, 30]
longueur de cheveux : X(ω) ∈ [0, 4]
intervalle entre deux averses :X(ω) ∈ [1, 20]
moyenne des tailles de 20 étudiants pris au hasard : X(ω) ∈ [1.5, 1.9]
183 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues
Definition
Soit X : Ω → R une variable aléatoire continue réelle, X(Ω), l’ensemble
des possibilités, est un intervalle ou une réunion d’intervalles de R ou R
et P une probabilité sur Ω
184 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues
P (a ≤ X ≤ b)
Lorsque cet intervalle tend vers 0, la valeur prise par X tend alors vers
une fonction que l’on appelle fonction densité de probabilité ou
densité de probabilité.
185 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Densité de probabilité
Densité de probabilité
En effet, pour une variable aléatoire continue, la probabilité associée à
l’évènement
{X = a}
est nulle, car il est impossible d’observer exactement cette valeur.
On considère alors la probabilité que la variable aléatoire X prenne
des valeurs comprises dans un intervalle [a, b] tel que
P (a ≤ X ≤ b)
Lorsque cet intervalle tend vers 0, la valeur prise par X tend alors vers
une fonction que l’on appelle fonction densité de probabilité ou
densité de probabilité.
186 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Densité de probabilité
Densité de probabilité
f: R → R
x → f (x)
telle que
f (x) ≥ 0 pour tout x ∈ R
f est continue sauf en un nombre fini de points.
R +∞
−∞ f (t)dt = 1
187 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Densité de probabilité
Densité de probabilité
Remarque
Cette fonction densité de probabilité est une loi de probabilité car l’aire sous
la courbe est égale à 1 pour toutes les valeurs de x définies.
188 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Densité de probabilité
Densité de probabilité
Réciproquement :
189 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Densité de probabilité
Example
Soit
f: R → R
cos(x), si x ∈]0, π2 ]
x → f (x) :=
0, si non
Fonction de répartition
Si comme pour les variables aléatoires discrètes, on définit la fonction de
répartition de X par :
191 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Fonction de répartition
Fonction de répartition
La fonction de répartition F est la primitive de la fonction densité de
probabilité f , et permet d’obtenir les probabilités associées à la variable
aléatoire X.
192 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Fonction de répartition
Fonction de répartition
Les propriétés associées à la fonction de répartition sont les suivantes :
Propriété
Soient X une v.a de densité f et F sa fonction de répartition. Alors :
F est continue sur R.
F est dérivable en tout point x0 où f est continue et on a
0
F (x0 ) = f (x0 ).
FX est croissante sur R
FX est à valeurs dans [0, 1]
lim F (t) = 0, lim F (t) = 1
t→−∞ t→+∞
193 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Fonction de répartition
Example
Soit
f: R → R
cos(x), si x ∈]0, π2 ]
x → f (x) :=
0, si non
Definition
Soit X : Ω −→ E une v.a. On appelle loi de X sous P la probabilité image
de P par X.
195 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Loi d’une v.a.c
Propriété
Soit X une variable aléatoire absolument continue de densité f et de fonction
de répartition F , alors :
Ra
P (X ≤ a) = F (a) = −∞ f (t)dt.
Rb
P (a < X ≤ b) = F (b) − F (a) = a f (t)dt, ∀a, b ∈ R.
P (X > a) = P (X ≥ a) = 1 − F (a), ∀a ∈ R.
P (X = a) = 0, ∀a ∈ R.
P (a < X < b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤
b), ∀a, b ∈ R.
196 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Loi d’une v.a.c
Espérence
Dans le cas d’une variable aléatoire continue, l’espérence est définie comme
suit :
Z
E(X) = xf (x) dx.
R
197 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Variables aléatoires continues | Loi d’une v.a.c
Variance
Dans le cas d’une variable aléatoire continue,
Z Z
2
V (X) = (x − E(X)) f (x) dx = x f (x) dx − E(X)2 .
2
R R
198 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues
Contents
1 Introduction aux probabilités
2 Analyse combinatoire
Arrangements
Permutations
Combinaisons
3 Notions de Probabilités
Langage de Probabilités
Opérations sur les événements
Tribus
Définition et propriétés d’une Probabilité
Probabilités conditionnelles
4 Variables aléatoires
5 Fonction de répartition d’une variable aléatoire
6 Différents types de variables aléatoires
7 Variable aléatoire discrète
Loi de probabilité
Fonction de répartition 199 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi uniforme
Definition
Une v.a X suit la loi uniforme sur l’intervalle [α, β] si elle admet pour
densité la fonction :
1
(
(β−α) si x ∈ [α, β]
f (x) =
0 sinon
Loi uniforme
Definition
L’espérance et la variance de X sont :
β+α (β − α)2
E(X) = et V (X) =
2 12
201 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi exponentielle
Definition
Une v.a X suit la loi exponentielle de paramètre λ > 0 si elle admet pour
densité la fonction :
(
λ exp[−λx] si x ≥ 0
f (x) =
0 si x < 0
1 12
L’espérance et la variance de X sont : E(X) = λ et V (X) = λ .
202 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi exponentielle
Loi exponentielle
La loi exponentielle sert de modèle dans les problèmes de files d’attentes et
de durée de vie.
203 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi Normale ou Gaussienne
Definition
La v.a X suit la loi normale (ou loi de Gauss) d’espérance mathématique
m et de variance σ 2 , si X peut prendre n’importe quelle valeur de R et si
elle admet pour densité la fonction :
" #
1 (x − m)2
f (x) = √ exp −
2πσ 2σ 2
204 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi Normale ou Gaussienne
Propriété
Soient X ∼ N (m, σ 2 ) et a, b ∈ R alors on a :
Y = aX + b ∼ N (am + b, a2 σ 2 ).
X−m
Si X ∼ N (m, σ 2 ) alors Z = σ ∼ N (0, 1).
Si Z ∼ N (0, 1) alors X = σZ + m ∼ N (m, σ 2 ).
205 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi Normale ou Gaussienne
206 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi Normale ou Gaussienne
Variables aléatoires
Propriétés
Résumons les principales propriétés de ces deux paramètres dans un
tableau.
207 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi Normale ou Gaussienne
Variables aléatoires
Propriétés
Definition
Une variable aléatoire X est dite centrée si son espérance
mathématique est nulle.
Une variable aléatoire X est dite réduite si son écart-type est égal à 1.
Une variable aléatoire centrée réduite est dite standardisée.
208 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi Normale ou Gaussienne
Variables aléatoires
V (X + Y ) = V (X) + V (Y ),
V (X − Y ) = V (X) + V (Y ).
209 /
A. Laghrib | c b n a 213
Statistiques et Probabilité | Exemples de lois de probabilités continues | Loi Normale ou Gaussienne
Variables aléatoires
E(XY ) = E(X)E(Y ).
210 /
A. Laghrib | c b n a 213
aléatoires
Variables aléatoires
211 /
A. Laghrib | c b n a 213
aléatoires
Variables aléatoires
Proposition
1 Si deux variables aléatoires sont indépendantes, leur covariance est
nulle.
2 Attention : La réciproque n’est pas vraie. Deux variables de covariance
nulle ne sont pas obligatoirement indépendantes.
3 Si deux variables aléatoires sont dépendantes,
212 /
A. Laghrib | c b n a 213