Ch1 Brice

Chapitre 1: Modèle probabiliste
2021-2022

Plan de cours
1 Rappel sur les ensembles
Les sous-ensembles
Les opérations sur les ensembles
Le produit cartésien
Le cardinal
L’ensemble-puissance
2 Calcul combinatoire
Les permutations
Les combinaisons
3 Espace probabilisabe et espace probabilisé
Expérience aléatoire et événements
Algèbres des événements
Espace probabilisé
4 Lois de probabilités conditionnelles, indépendance
Introduction et définitions
Indépendance
Les probabilités totales et la formule de Bayes
Rappel sur les ensembles
Définition 1.1
Un ensemble est une collection ou groupe d’objets. On le désigne
habituellement par une lettre majuscule, telle que A, B, etc. On appelle
”élément de A” les objets qui forment l’ensemble A. En général, on écrit
x ∈ A si x appartient à l’ensemble A et x 6∈ A si tel n’est pas le cas.
Pour définir un ensemble, on peut énumérer ses éléments ou indiquer une

propriété caractéristique.
Exemple 1.1
On peut définir l’ensemble des voyelles de l’alphabet français en écrivant
V = {a, e, i, o, u, y}.
On peut aussi indiquer une caractéristique propre à cet ensemble, en
utilisant un symbole, d’où
V = {∗ : ∗ est une voyelle de l’alphabet français}.

Rappel sur Les ensembles
Notations :
Il y a des notations réservées pour certains ensembles ; par exemple, N
est l’ensemble des entiers naturels ; Z, Q, R et C désignent
respectivement l’ensemble des entiers relatifs, des nombres rationnels,
des nombres réels et des nombres complexes.
Un ensemble à un seul élément x est noté {x} et on l’appelle le
singleton {x}. On a donc x ∈ {x} (et pas x = {x}).

Exemple 1.2
L’ensemble formé des nombres entiers 5, 6, 7 et 8 est fini et contient 4
éléments. On peut le noter
A = {5, 6, 7, 8}.
Les énoncés 5 ∈ A et 9 6∈ A sont vrais. Par contre, 1 ∈ A est faux.
Exemple 1.3
Soit A l’ensemble de tous les nombres réels compris entre 0 et 1
inclusivement. On peut définir cet ensemble caractéristique propre et écrire
A = {x : x ∈ R, 0 ≤ x ≤ 1},
où R représente l’ensemble de tous les nombres réels.
Exemple 1.4
L’ensemble B = {−3, +3} est identique à l’ensemble
B = {x : x ∈ R, x2 = 9}, où R représente l’ensemble des nombres réels.
Définition 1.2
L’ensemble de tous les objets considérés porte le nom d’”ensemble
universel” ou ”ensemble référentiel”. On le désigne en général par U.
L’ensemble vide est un autre ensemble particulier, le plus souvent noté Ø.
Illustrons ces deux concepts. Soit l’ensemble
A = {x : x ∈ R, x2 = −1}.
On a ici l’ensemble des nombres réels R comme ensemble universel.

L’ensemble A est manifestement vide, puisqu’il n’existe aucun nombre réel
tel que x2 = −1.
Soulignons que l’ensemble {0} 6= Ø

Les sous-ensembles
Soient A et B deux ensembles. L’ensemble A est un sous-ensemble de B ou A

est inclus dans B (A ⊂ B) si chacun de ses éléments appartient aussi à
l’ensemble B.
Les ensembles A et B sont dits ”égaux” A = B si et seulement si A ⊂ B et
B ⊂ A.
On peut démontrer qu’il en résulte ce qui suit :
1. L’ensemble vide est inclus dans tout ensemble A.
2. Dans un ensemble universel U donné, tout autre ensemble A satisfait à la
relation A ⊂ U.
3. Tout ensemble A est inclus dans lui-même (relation réflexive), A ⊂ A.
4. Si A ⊂ B et B ⊂ C, alors A ⊂ C (relation transitive).

Si A et B sont des sous-ensembles quelconques de l’ensemble universel U,

les énoncés suivants s’appliquent :
1. Le complémentaire de l’ensemble A (dans U) est l’ensemble de tous les
éléments de U qui n’appartiennent pas à A. On le note A. Autrement dit,
A = {x : x ∈ U, x 6∈ A}.
2. L’intersection des ensembles A et B est l’ensemble des éléments qui

appartiennent à la fois à A et à B. On la note A ∩ B. En d’autres termes,
A ∩ B = {x : x ∈ A et x ∈ B}.
Soulignons que A ∩ B forme un ensemble qu’on pourrait désigner par une

lettre quelconque telle que C.


3. La réunion des ensembles A et B est l’ensemble des éléments qui
appartiennent à A ou à B,ou aux deux à la fois. On la note A ∪ B. Soit D la
réunion de A et B. On a alors
D = A ∪ B = {x : x ∈ A ou x ∈ B ( ou les deux )}
Exemple 1.5
Soient U l’ensemble des lettres de l’alphabet,
U = {∗ : ∗ est une lettre de l’alphabet français}, A = {∗ : ∗ est une voyelle}
et B = {∗ : ∗ est l’une des lettres a, b ou c}. On a que
A = l’ensemble des cosonnes
B = {d, e, f , g, ..., x, y, z}
A ∪ B = {a, b, c, e, i, o, u, y}, A ∩ B = {a}

Exemple 1.6
On donne l’ensemble universel U = {1, 2, 3, 4, 5, 6, 7} et les trois
sous-ensembles A = {1, 2, 3}, B = {2, 4, 6} et C = {1, 3, 5, 7}. Il ressort
directement des définitions citées précédemment que
A = {4, 5, 6, 7}, B = {1, 3, 5, 7} = C, C = {2, 4, 6} = B
A ∪ B = {1, 2, 3, 4, 6}, A ∪ C = {1, 2, 3, 5, 7}, B ∪ C = U

A ∩ B = {2}, A ∩ C = {1, 3}, B ∩ C = Ø
Il serait parfois utile de représenter ces opérations par un diagramme appelé

”diagramme de Venn”.


On peut facilement étendre les opérations d’intersection et de réunion à tout
nombre fini d’ensembles.
Supposons qu’on a trois ensembles : A, B et C. On a les égalités suivantes

Les lois d’identité :
A ∪ Ø = A, A ∩ U = A
A ∪ U = U, A ∩ Ø = Ø
Les lois de De Morgan :
A ∪ B = A ∩ B, A ∩ B = A ∪ B
Les lois associatives :
A ∪ (B ∪ C) = (A ∪ B) ∪ C
A ∩ (B ∩ C) = (A ∩ B) ∩ C

Les lois distributives :
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
Lorsqu’il y a plus de trois ensembles, on généralise en recourant à des
indices.
Supposons ainsi que n est un nombre entier positif et que B1 , B2 , ...., Bn sont
des ensembles donnés. Ainsi
B1 ∩ B2 ∩ .... ∩ Bn correspond à l’ensemble des éléments qui appartiennent à
tous ces ensembles à la fois ;
B1 ∪ B2 ∪ .... ∪ Bn , correspond à l’ensemble des éléments qui appartiennent à
au moins un de ces ensembles.

Le produit cartésien
Soit les ensembles A et B. On appelle ”produit cartésien” de A et de B

l’ensemble de tous les couples ordonnés (a, b) tels que a ∈ A et b ∈ B. Ce
produit se note habituellement A × B, d’où
A × B = {(a, b) : a ∈ A et b ∈ B}.
Soit n un entier positif supérieur à 1 et A1 , ..., An des ensembles. Le produit

cartésien de ces ensembles correspond à
A1 × A2 × ... × An = {(a1 , a2 , ....., an ) : aj ∈ Aj pour j = 1, 2, ...., n}.

Le cardinal
Définition 1.3
Le nombre d’éléments d’un ensemble est dit ”cardina d’un ensemble” et on
le note n(A).
S’il s’agit d’un nombre fini, on est en présence d’un ensemble fini.
Un ensemble infini tel qu’on peut établir une correspondance bijective entre
ses éléments et les nombres naturels porte le nom d’”ensemble infini
dénombrable.
On appelle ”ensemble non dénombrable” un ensemble constitué d’un

nombre infini d’éléments impossibles à compter.
Ainsi, si a < b, alors A = {x ∈ R, a ≤ x ≤ b} définit un ensemble non
dénombrable.

L’ensemble-puissance
Définition 1.4
On appelle ”ensemble puissance” l’ensemble constitué de tous les sous
ensembles d’un ensemble A donné, et on le note parfois {0, 1}A .
Exemple 1.7
Soit A = {1, 2, 3}. On a alors
{0, 1}A = {Ø, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}}.

Calcul combinatoire
Les permutations
Les permutations
Définition 2.1
Une permutation est un arrangement ordonné d’objets distincts.
Exemple 2.1
Considérons 4 jetons marqués par les lettres a, b, c, d les permutations
possibles pour ces jetons pris un à la fois sont : a b c d.
Les permutations possibles pour ces jetons pris deux à la fois sont :
ab ba ac ca ad da bc cb bd db cd dc.
Pour généraliser, les permutations de r objets à partir de n objets, se donnent
ainsi :
n!
Pnr = n(n − 1)(n − 2)(n − 3) · · · (n − r + 1) = .
(n − r)!
En particulier,
Pnn = n!.
Calcul combinatoire
Les combinaisons
Les combinaisons
Définition 2.2
Une combinaison est un arrangement d’objets distincts sans donner
d’importance à leur ordre.
Exemple 2.2
Considérons à nouveau les 4 jetons marqués par les lettres a, b, c, d les
combinaisons possibles pour ces jetons pris deux à la fois sont :
ab ac ad bc bd cd.
Pour généraliser, les combinaisons de r objets à partir de n objets sont :
n!
Cnr = .
r!(n − r)!
En particulier,
(n−1)
Cnn = Cn0 = 1, Cn = Cn1 = n, Cnr = Cnn−r , Cnr = Cn−1
r−1 r
+ Cn−1 .
Les bases en statistique et probabilités Modèle Probabiliste
Statistique Inférentielle Variables Aléatoires et Distributions
Théorie des tests Convergences et Théorèmes limites
Principales méthodes d'analyse des données Résumés quantitatifs de variables statistiques
Démarche statistique globale Résumés graphiques de variables statistiques
Calcul combinatoire
Les permutations : On classe n éléments d'un ensemble

dans un ordre particulier : sans répétition (les n éléments
sont distincts) on a n! résultats possibles et avec répétition
(k d'entre eux se répètent) on a : n1 !×n2n!
!×...×nk ! .
Les arrangements : On classe p éléments dans un ordre
précis pris parmi n : sans répétition on a Apn = (n−p)! n!
résultats possibles et avec répétition on a np résultats

possibles.
Les combinaisons : On classe p éléments pris parmi n
sans se soucier de l'ordre : sans répétition on a
Cnp = p!×(n−p)!
n!
résultats possibles et avec répétition on a
Kn = Cn+p−1 résultats possibles.
p p
Brice DONGMEZO Cours de Statistique LE2S 9 octobre 2020 7 / 70

Espace probabilisabe et espace probabilisé
Expérience aléatoire et événements
Définition 3.1
Une expérience est qualifiée d’”aléatoire” si l’on ne peut prévoir par
avance son résultat et si, répétée dans des conditions identiques, elle peut
donner des résultats différents.
On représente le résultat de cette expérience comme un élément ω de

l’ensemble Ω de tous les résultats possibles : Ω est appelé l’”ensemble
fondamental” ou l’univers des possibles.
Ainsi à l’expérience aléatoire qui consiste à lancer deux dés, on peut associer
l’ensemble Ω = {(1.1), (1.2), (1.3)...} à 36 éléments.
Notons que l’ensemble Ω ne se déduit pas de manière unique de

l’expérience mais dépend de l’usage qui doit être fait des résultats : ainsi, si
l’on retient seulement de l’expérience la somme des points affichés, on a
Ω0 = {2, 3, 4...12}.
Définition 3.2
Un ”événement” est une assertion ou proposition logique relative au
résultat de l’expérience
A la réalisation d’un événement on peut associer tous les résultats de

l’épreuve correspondante.
Exemple 3.1
Dans l’exemple précédent, considérons les résultats des deux dés dont la
somme des points est supérieur ou égale à 10.
Ainsi la somme supérieur ou égale à 10 est l’ensemble de résultats suivants :
{(4.6), (5.5), (5.6), (6.6), (6.4), (6.5)}
c’est donc une partie de Ω.
On appelle événement élémentaire une partie de Ω réduite à un seul élément.

Donnons encore quelques notions particulières :
Définition 3.3
Événements incompatibles. Deux événements A et B sont dits incompatibles
ou disjoints si la réalisation de l’un exclut celle de l’autre, autrement dit
pour A et B de Ω A ∩ B = Ø.
Système complet d’événements. A1 , A2 , ....., An forment un système complet

d’événements si les parties A1 , A2 , ....., An de Ω constituent une partition de
Ω:
∀i 6= j, Ai ∩ Aj = Ø
∪Ai = Ω

Définition 3.4
Notons P(Ω) l’ensemble des parties de Ω, on appelle une σ −algèbre
d’événements ou une tribu C de P(Ω) toute classe C vérifiant les trois
axiomes :
1 Ω∈C ;
2 ∀A ∈ C , A ∈ C ;
3 pour tout ensemble fini ou dénombrable A1 , A2 , ...., An ∈ C , ∪Ai ∈ C .
Remarquons que P(Ω) est une σ −algèbre particulière, la plus grosse, mais
il n’est pas toujours utile ni souhaitable de l’utiliser.
Définition 3.5
On appelle espace probabilisable le couple (Ω, C ) où C constitue une tribu
de parties de Ω.

L’axiomatique de Kolmogorov
A chaque événement on associe un nombre positif compris entre 0 et 1, sa
probabilité. On a donc la définition suivante
Définition 3.6
On appelle ”probabilité” sur (Ω, C ) (ou ”loi de probabilité”) toute
application P de C dans [0, 1] telle que :
1 P(Ω) = 1 ;
2 pour tout ensemble dénombrable d’événements incompatibles
A1 , A2 , ...., An , on a P(∪Ai ) = ∑ P(Ai ).
On appelle espace probabilisé le triplet (Ω, C , P).
Une loi de probabilité n’est donc rien d’autre qu’une mesure positive de
masse totale 1.
Par conséquent, la théorie des probabilités s’inscrit dans le cadre de celle de

la mesure.
Propriétés élémentaires
Des axiomes on déduit immédiatement les propriétés suivantes :

Propriété1 :P(Ø) = 0.
Propriété2 :P(A) = 1 − P(A).
Propriété3 :P(A) ≤ P(B) si A ⊂ B.
Propriété4 :P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
Propriété5 :P(∪Ai ) ≤ ∑ P(Ai ).
Propriété6 : Si Ai ↓ Ø, alors lim P(Ai ) = 0(continuité monotone
séquentielle).
Propriété7 :Théorème des probabilités totales : Soit Bi un système complet
d’événements alors
∀A : P(A) = ∑ P(A ∩ Bi ).

Propriétés élémentaires
Formule de Poincaré
Cette formule permet de calculer la probabilité de la réunion d’un nombre
quelconque d’événements ; elle se démontre par récurrence :
n n n
P(∪ni=1 A) = ∑ P(Ai ) − ∑ P(Ai ∩ Aj ) + ∑ P(Ai ∩ Aj ∩ Ak ) + ....
i=1 1≤i<j≤n 1≤i<j<k≤n
+(−1)n−1 P(A1 ∩ A2 ... ∩ An )
Remarque :P(A) = 0 n’implique pas nécessairement A = Ø. Un événement

de probabilité nulle n’est pas nécessairement impossible : soit Ω = [0, 1]
muni de la loi de probabilité uniforme (c’est-à-dire de la mesure de
Lebesgue) alors P(ω) = 0, ∀ω ∈ Ω.
De même P(A) = 1 n’implique pas que A soit l’événement certain : on
parlera d’événement presque certain et dans le cas précédent d’événement
presque impossible.

Lois de probabilités conditionnelles, indépendance
Supposons que l’on s’intéresse à la réalisation d’un événement A, tout en

sachant qu’un événement B est réalisé.
Si A et B sont incompatibles, la question est tranchée : A ne se réalisera pas.
Si A ∩ B 6= Ø, il est possible que A se réalise ; cependant, l’univers possible

n’est plus Ω tout entier, mais est restreint à B.
En fait, seule nous intéresse la réalisation de A à l’intérieur de B, c’est-à-dire

A ∩ B par rapport à B.

Exemple 4.1
Soit un groupe de 100 individus dont 20 travailleurs autonomes, 40 diplômés
universitaires, et 10 appartiennent à ces deux catégories. Notons
respectivement ces ensembles A, B et C.
On choisit un individu au hasard, quelle est la probabilité que cet individu

travaille pour son compte sachant qu’il s’agit d’un diplômé universitaire ?
On sait que P(A) = 0, 2, P(B) = 0, 4 et P(A ∩ B) = 0, 1.
La probabilité de A sachant B P(A/B) est :
n(A ∩ B) n(A ∩ B)/n P(A ∩ B) 0, 1

P(A/B) = = = = = 0, 25.
n(B) n(B)/n P(B) 0, 4
Ceci justifie la définition suivante :

Définition 4.1
Soit B un événement de probabilité non nulle. On appelle probabilité
conditionnelle de A sachant B (ou encore de A si B est réalisé) le rapport
noté P(A/B) :
P(A ∩ B)
P(A/B) =
P(B)
On s’assure que le nom de probabilité est justifié. Vérifions les 2 axiomes :
P(Ω ∩ B) P(B)
P(Ω/B) = = =1
P(B) P(B)
P((∪Ai ) ∩ B) P(∪(Ai ) ∩ B) P(Ai ∩ B)
P(∪Ai /B) = = =∑ = ∑ P(Ai /B)
P(B) P(B) P(B)
On peut donc munir (Ω, C ) d’une nouvelle loi de probabilité, la loi de
probabilité conditionnelle à B fixé et ceci pour tout B de probabilité
non-nulle.
Indépendance
Indépendance de deux événements

Définition 4.2
A est indépendant de B si P(A/B) = P(A).
Autrement dit, la connaissance de B ne change pas les ”chances” de la

réalisation de A.
Propriété 4.1
A indépendant de B ⇒ B indépendant de A.
On parlera désormais d’événements indépendants sans autre précision.

En effet, si P(A/B) = P(A), alors :
P(A ∩ B)
= P(A)
P(B)
et :
P(A ∩ B)
P(B/A) = = P(B)
P(A)
Indépendance
Indépendance de deux événements
On a donc l’importante formule :
P(A ∩ B) = P(A)P(B)
si et seulement si A et B sont indépendants.
N.B : La notion d’indépendant n’est pas une notion purement ensembliste

comme l’incompatibilité : deux événements peuvent être indépendants pour
une loi de probabilité P et pas pour une autre P0 .
Théorème 4.1
Si A et B sont deux événements indépendants, alors :
1 A et B sont deux événements indépendants ;
2 A et B sont deux événements indépendants ;
3 A et B sont deux événements indépendants.

Indépendance
Indépendance deux à deux et indépendance mutuelle
Définition 4.3
Les événements, A1 , A2 , ...., An sont dits mutuellement indépendants si et
seulement si pour r = 2, 3, · · · , n
r
P(Ai1 ∩ Ai2 ∩ · · · ∩ Air ) = ∏ P(Aij ).
j=1
Remarque 4.1
Cette condition est beaucoup plus forte que l’indépendance deux à deux, qui
ne lui est pas équivalente mais en est une simple conséquence.

Indépendance
Exemple 4.2
Considérons l’espace échantillonal suivant
C = {(0, 0, 0), (0, 1, 1), (1, 0, 1), (1, 1, 0)}.

Soient les événements ci-dessous :
A0 le premier chiffre est 0, A1 le premier chiffre est 1.
B0 le deuxième chiffre est 0, B1 le deuxième chiffre est 1.
C0 le troisième chiffre est 0, C1 le troisième chiffre est 1.
Alors Ai , Bi et Ci sont deux à deux indépendants.
Mais ils ne sont pas mutuellement indépendants.

Théorème de Bayes
Imaginons que l’on connaı̂t P(A), P(B) et P(A/B) et que l’on souhaite
trouver
P(B/A).
Alors, le théorème de Bayes nous donne
Théorème 4.2
P(A/B)P(B)
P(B/A) = .
P(A)
Théorème 4.3
Soit Bi , i = 1, · · · , n un système complet d’événements (appelé aussi une
partition), alors la probabilité totale de A se traduit par
P(A) = ∑ P(A/Bi )P(Bi ).

i

Formule de Bayes
Soit Bi , i = 1, · · · , n un système complet d’événements, en remplaçant P(A)

par sa probabilité totale, on aura la formule de Bayes :
P(A/Bi )P(Bi )
P(Bi /A) = .
∑i P(A/Bi )P(Bi )

Exemple 4.3
Dans une usine, trois machines M1 , M2 et M3 fabriquent des boulons de
même type. M1 sort en moyenne 0.3% de boulons défectueux, M2 0.8% et
M3 1%. On mélange 1000 boulons dans une caisse, 500 provenant de M1 ,
350 de M2 150 de M3 . On titre un boulon au hasard de la caisse ; il est
défectueux. Quelle est la probabilité qu’il ait été fabriqué par M1 , M2 ou
M3 ?
Lorsque l’on tire un boulon au hasard les probabilités qu’il provienne de M1 ,

M2 ou M3 sont évidement
P(M1 ) = 0.50, P(M2 ) = 0.35, P(M3 ) = 0.15.
Ces probabilités sont dites des probabilités à priori.

Formules de Bayes
Lorsque l’on sait qu’il est défectueux, événement noté D, il faut alors
calculer les probabilités conditionnelles :
P(M1 /D), P(M2 /D), P(M3 /D).
On a que
P(D/M1 ) = 0.003, P(D/M2 ) = 0.008, P(D/M3 ) = 0.01.
La deuxième formule de Bayes permet d’écrire :
P(D/M1 )P(M1 )
P(M1 /D) =
P(D/M1 )P(M1 ) + P(D/M2 )P(M2 ) + P(D/M3 )P(M3 )
0.003 × 0.5
= ' 0.26
0.003 × 0.5 + 0.008 × 0.35 + 0.01 × 0.15

Formules de Bayes
De même, on calcule P(M2 /D) et P(M3 /D) et on trouve

P(M2 /D) ' 0.48, P(M3 /D) ' 0.26.
Ce sont des probabilités dites à posteriori, sachant que le boulon est

défectueux.
On voit donc que la prise en compte d’une information (le boulon est
défectueux) modifie les valeurs des probabilités de M1 , M2 et M3 .

Ch1 Brice

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

Ch1 Brice

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1: Modèle probabiliste

Chapitre 1: Modèle probabiliste

Chapitre 1: Modèle probabiliste

Pour définir un ensemble, on peut énumérer ses éléments ou indiquer une

V = {∗ : ∗ est une voyelle de l’alphabet français}.

Chapitre 1: Modèle probabiliste

Rappel sur Les ensembles

Chapitre 1: Modèle probabiliste

Les énoncés 5 ∈ A et 9 6∈ A sont vrais. Par contre, 1 ∈ A est faux.

où R représente l’ensemble de tous les nombres réels.

Illustrons ces deux concepts. Soit l’ensemble

On a ici l’ensemble des nombres réels R comme ensemble universel.

Chapitre 1: Modèle probabiliste

Soient A et B deux ensembles. L’ensemble A est un sous-ensemble de B ou A

Chapitre 1: Modèle probabiliste

Les opérations sur les ensembles

Si A et B sont des sous-ensembles quelconques de l’ensemble universel U,

2. L’intersection des ensembles A et B est l’ensemble des éléments qui

Soulignons que A ∩ B forme un ensemble qu’on pourrait désigner par une

Chapitre 1: Modèle probabiliste

Les opérations sur les ensembles

A = l’ensemble des cosonnes

Chapitre 1: Modèle probabiliste

Les opérations sur les ensembles

A = {4, 5, 6, 7}, B = {1, 3, 5, 7} = C, C = {2, 4, 6} = B

A ∪ B = {1, 2, 3, 4, 6}, A ∪ C = {1, 2, 3, 5, 7}, B ∪ C = U

Il serait parfois utile de représenter ces opérations par un diagramme appelé

Chapitre 1: Modèle probabiliste

Les opérations sur les ensembles

Supposons qu’on a trois ensembles : A, B et C. On a les égalités suivantes

Les lois associatives :

Chapitre 1: Modèle probabiliste

Les opérations sur les ensembles

Les lois distributives :

Chapitre 1: Modèle probabiliste

Soit les ensembles A et B. On appelle ”produit cartésien” de A et de B

Soit n un entier positif supérieur à 1 et A1 , ..., An des ensembles. Le produit

A1 × A2 × ... × An = {(a1 , a2 , ....., an ) : aj ∈ Aj pour j = 1, 2, ...., n}.

Chapitre 1: Modèle probabiliste

On appelle ”ensemble non dénombrable” un ensemble constitué d’un

Chapitre 1: Modèle probabiliste

Chapitre 1: Modèle probabiliste

Les permutations : On classe n éléments d'un ensemble

résultats possibles et avec répétition on a np résultats

Brice DONGMEZO Cours de Statistique LE2S 9 octobre 2020 7 / 70

Expérience aléatoire et événements

On représente le résultat de cette expérience comme un élément ω de

Notons que l’ensemble Ω ne se déduit pas de manière unique de

A la réalisation d’un événement on peut associer tous les résultats de

Ainsi la somme supérieur ou égale à 10 est l’ensemble de résultats suivants :

{(4.6), (5.5), (5.6), (6.6), (6.4), (6.5)}

c’est donc une partie de Ω.

On appelle événement élémentaire une partie de Ω réduite à un seul élément.

Chapitre 1: Modèle probabiliste

Algèbres des événements

Donnons encore quelques notions particulières :

Système complet d’événements. A1 , A2 , ....., An forment un système complet

Chapitre 1: Modèle probabiliste

Algèbres des événements

Chapitre 1: Modèle probabiliste

Par conséquent, la théorie des probabilités s’inscrit dans le cadre de celle de

Des axiomes on déduit immédiatement les propriétés suivantes :

Chapitre 1: Modèle probabiliste