Académique Documents
Professionnel Documents
Culture Documents
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
Chapitre 1: Modèle probabiliste
Chapitre 1: Modèle probabiliste
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.
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}.
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},
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.
Chapitre 1: Modèle probabiliste
Chapitre 1: Modèle probabiliste
Rappel sur les ensembles
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.
A = {x : x ∈ R, x2 = −1}.
Les sous-ensembles
A = {x : x ∈ U, x 6∈ A}.
A ∩ B = {x : x ∈ A et x ∈ B}.
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
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 ∪ B = A ∩ B, A ∩ B = A ∪ B
A ∪ (B ∪ C) = (A ∪ B) ∪ C
A ∩ (B ∩ C) = (A ∩ B) ∩ C
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
A × B = {(a, b) : a ∈ A et b ∈ B}.
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.
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}}.
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!.
Chapitre 1: Modèle probabiliste
Chapitre 1: Modèle probabiliste
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 .
Chapitre 1: Modèle probabiliste
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
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.
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.
Définition 3.2
Un ”événement” est une assertion ou proposition logique relative au
résultat de l’expérience
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.
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.
Propriétés élémentaires
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
Introduction et définitions
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.
Introduction et définitions
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)
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.
Chapitre 1: Modèle probabiliste
Chapitre 1: Modèle probabiliste
Lois de probabilités conditionnelles, indépendance
Indépendance
P(A ∩ B) = P(A)P(B)
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.
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.
Exemple 4.2
Considérons l’espace échantillonal suivant
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).
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
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 ?
Formules de Bayes
Lorsque l’on sait qu’il est défectueux, événement noté D, il faut alors
calculer les probabilités conditionnelles :
On a que
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
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 .