Académique Documents
Professionnel Documents
Culture Documents
02 février 2023
Plan du cours
2/1
Organisation du cours
3/1
Chapter 1
4/1
Chapter 1 Généralités
5/1
Chapter 1 Généralités
6/1
Chapter 1 Généralités
On a α + β + ..... + σ = n
Autres exemples ?
7/1
Chapter 1 Dispositions
8/1
Chapter 1 Dispositions
Dispositions avec répétition : Un élement donné peut figurer plus d’une fois ;
Dispositions non ordonnées : Les élements qui figurent dans une disposition
jouent le même rôle ;
Dispositions ordonnées : Les rôles joués par les élements sont différents deux
à deux ;
9/1
Chapter 1 Dispositions
Dispositions ordonnées :On placera des points entre les élements ; Exemple :
(a.b) différent de (b.a) ;
10 / 1
Chapter 1 Dispositions
Exemple : Soit deux urnes que l’on souhaite remplir de quatre boules,
deux sont blanches (B,B) indiscernables et deux sont noires (N,N)
indiscernables.Combien y’a t-il de situations possibles ?
11 / 1
Chapter 1 Dispositions
Exemple : Soit deux urnes que l’on souhaite remplir de quatre boules,
deux sont blanches (B,B) indiscernables et deux sont noires (N,N)
indiscernables.Combien y’a t-il de situations possibles ?
12 / 1
Chapter 1 Principes géneraux de dénombrement
13 / 1
Chapter 1 Principes géneraux de dénombrement
14 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Paires :
15 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Exemple :
16 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Multiplets :
17 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Exemple :
Quelle est la capacité d’un code dont les deux premiers symboles sont des
lettres, et les deux derniers symboles sont des chiffres ?
18 / 1
Chapter 1 Formules classiques d’analyse combinatoire
19 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Exemples :
20 / 1
Chapter 1 Formules classiques d’analyse combinatoire
1 ≤ p ≤ n.
21 / 1
Chapter 1 Formules classiques d’analyse combinatoire
n!
En utilisant la notation n! = 1.2.3.......n, On a Apn = (n−p)! ;
22 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Exemples :
23 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Dans chaque permutation avec répétition, chacun des élements figure dans
un ordre déterminé, une fois et une seule ;
24 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Exemple :
25 / 1
Chapter 1 Formules classiques d’analyse combinatoire
n!
Démontrez que Pγ = α!β!.......σ! .
26 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Exemple :
Combien de mots différents peux t on former avec les lettres des mots
Chat ; Statisticien ?
27 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Combinaisons :
Dans une même combinaison sans répétition figurent p éléments distincts les
uns des autres. Par conséquent1 ≤ p ≤ n
Apn n!
Démontrez que Cnp = p! = p!(n−p)!
28 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Exemple :
29 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Cnp = Cnn−p ;
p p−1
Cnp = Cn−1 + Cn−1 ;
30 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Triangle de Pascal :
31 / 1
Chapter 1 Formules classiques d’analyse combinatoire
Pn
(a + b)n = p=0 Cnp ap b n−p ;
32 / 1
Chapter 2
33 / 1
Chapter 2 Ensemble fondamental et évènements
Définitions :
Considérons une expérience dont l’issue n’est pas prévisible mais admettons
que l’ensembles des issues possibles soit connu. L’ensemble des issues
possibles est appélé Ensemble fondamental et est noté E .
34 / 1
Chapter 2 Ensemble fondamental et évènements
Définitions :
35 / 1
Chapter 2 Rappels sur les ensembles
1. Inclusion :
36 / 1
Chapter 2 Rappels sur les ensembles
2. Complémentaire :
37 / 1
Chapter 2 Rappels sur les ensembles
3. Ensembles disjoints :
38 / 1
Chapter 2 Rappels sur les ensembles
4. Réunion :
(A ⊂ C et B ⊂ C ) ⇔ [(A ∪ B) ⊂ C ]
(B ⊂ A) ⇔ (A ∪ B) ≡ A)
39 / 1
Chapter 2 Rappels sur les ensembles
5. Intersection :
(A et B disjoints) ⇔ (A ∩ B) ≡ ∅
A ∩ B ⊂ A ∪ B; (A ⊂ C et B ⊂ C) ⇔ A ∩ B ⊂ A ∪ B ⊂ C
(B ⊂ A) ≡ (A ∩ B ≡ B)
(A ∪ B) ⇔ A ∪ (A ∩ B) ≡ B ∪ (A ∩ B)
A∪B ≡A∩B
A∩B ≡A∪B
Les deux derniers résultats sont appélés lois de Morgan et peuvent être
géneralisés à n ensembles.
41 / 1
Chapter 2 Rappels sur les ensembles
6. Exemple
42 / 1
Chapter 2 Notion de probabilité
Lorsqu’on lance une pièce de monnaie, le jet peut amener soit pile (P), soit
face (F).
Dans ces conditions, on dit que les deux évènements sont équiprobables et
on attribue à chacune de ces éventualités la probabilité 1/2
43 / 1
Chapter 2 Notion de probabilité
44 / 1
Chapter 2 Notion de probabilité
Extension de la définition
45 / 1
Chapter 2 Notion de probabilité
Quelques remarques
1
P(éventualit é équiprobable) = N ;
∀A ⊂ E On a 0 ≤ P(A) ≤ 1 ;
P(A) = 1 ⇔ [A = E ]
P(A) + P(A) = 1
P(A) = 0 ⇔ [A = ∅]
46 / 1
Chapter 2 Notion de probabilité
Exemples
Si deux dés sont jétés, quelle est la probailité pour que la somme des faces
soit 7 ?
Si n personnes sont présentes dans une pièce, quelle est la probabilité que
leurs anniversaires tombent sur des jours tous différents ?Quelle valeur faut-il
donner à n pour que cette probabilité descende en dessous de 12 ?
47 / 1
Chapter 2 Axiomes du calcul des probabilités
48 / 1
Chapter 2 Axiomes du calcul des probabilités
49 / 1
Chapter 2 Axiomes du calcul des probabilités
1 P(A) = 1 − P(A) ;
2 P(∅) = 0 ;
50 / 1
Chapter 2 Axiomes du calcul des probabilités
Pn PP
1 P(A1 ∪ A2 ∪ ...... ∪ An ) = i=1 P(Ai ) − P(Ai ∩ Aj ) +
i<j
P(Ai ∩ Aj ∩ Ak ) + ......... + (−1)n−1 P(A1 ∩ A2 ∩ .............An )
PP P
i<j<k
PP P
2 En posant Sk = ..... P(Ai1 ∩ Ai2 ∩ .............Aik )
i1 <i2 <.....<ik
Pn k−1
3 On a P(A1 ∪ A2 ∪ ...... ∪ An ) = k=1 (−1) Sk
51 / 1
Chapter 2 Axiomes du calcul des probabilités
52 / 1
Chapter 3
53 / 1
Chapter 3 Introduction
54 / 1
Chapter 3 Probabilités conditionnelles
Supposons encore que nous puissions observer le premier dé, qui donne un 3.
Sur la base de cette information, quelle est dès lors la probabilité que la
somme des dés donne 8 ?
55 / 1
Chapter 3 Probabilités conditionnelles
Il ne peut y avoir que 6 évènements dans notre experience : (3,1) (3,2) (3,3)
(3,4) (3,5) (3,6) ;
1
Ainsi la probabilité cherchée est 6
56 / 1
Chapter 3 Probabilités conditionnelles
Si nous désignons par E et F, les évènements ”la somme des dés est 8” et
”le premier dé donne 3” ;
57 / 1
Chapter 3 Probabilités conditionnelles
Comme nous savons que F est réalisé, cet ensemble devient notre nouvel
ensemble fondamental ;
P(E ∩F )
Si P(F ) > 0, la probabilité conditionnelle de E sera P(E |F ) = P(F )
58 / 1
Chapter 3 Probabilités conditionnelles
Définition :
Soit F une famille de parties de E
59 / 1
Chapter 3 Probabilités conditionnelles
Exemples :
1 Une urne contient 10 billes blanches, 5 jaunes et 10 noires. Une bille est
tirée au hasard de l’urne et l’on constate qu’elle n’est pas noire. Quelle est la
probabilité qu’elle soit jaune ?
2 Une urne contient 8 boules rouges et 4 boules blanches. On tire sans remise
deux boules de l’urne et on adment qu’à chaque étape tous les tirages
possibles sont équiprobables. Quelle est la probabilité que les deux boules
tirées soient rouges ?
60 / 1
Chapter 3 Règle de la multiplication
Règle de la multiplication
P(E1 ∩ E2 ∩ E3 . . . ∩ En ) =
P(E1 )P(E2 |E1 )P(E3 |E1 ∩ E2 ) . . . P(En |E1 ∩ E2 . . . ∩ En−1 )
61 / 1
Chapter 3 Formules de Bayes
Probabilités totales
Il s’agit de la formule des probabilités totales. Elle est peut être interprétée
de la façon suivante : la probabilité de l’évènement E est une moyenne
pondérée de la probabilité conditionnelle de E lorsque F est apparu et de la
probabilité conditionnelle du même E lorsque F n’est pas apparu.
62 / 1
Chapter 3 Formules de Bayes
Probabilités totales-Géneralisation
Pn
Démontrez que P(E ) = i=1 P(E |Fi )P(Fi ) ;
63 / 1
Chapter 3 Formules de Bayes
Exemple
1 Une compagnie d’assurance estime que les gens peuvent être repartis en deux
classes : ceux qui sont enclins aux accidents et ceux qui ne le sont pas. Ses
statistiques montrent qu’un individu enclin aux accidents a une probabilité
de 0,4 d’en avoir un en l’espace d’un an ; cette probabilité tombe à 0,2 pour
les gens à risque modéré. On suppose que 30% de la population appartient à
la classe à haut risque. Quel est la probabilité qu’un nouvel assuré soit
victime d’un accident durant l’année qui suit la signature de son contrat ?
64 / 1
Chapter 3 Formules de Bayes
65 / 1
Chapter 3 Formules de Bayes
66 / 1
Chapter 3 Formules de Bayes
67 / 1
Chapter 3 Evènements indépendants
68 / 1
Chapter 3 Evènements indépendants
Exemples
On jette deux dés équilibrés.A est l’évènement ”la somme des dés est 6” et
B désigne ”le premier dé donne 4”. A et B sont-ils indépendants ?
69 / 1
Chapter 3 Evènements indépendants
70 / 1
Chapter 4
71 / 1
Chapter 4 Introduction
Nh
Soit ph la proportion des boules de couleur h : ph = N
On a p1 + p2 + . . . + pk = 1
72 / 1
Chapter 4 Introduction
Le tirage des boules dans l’urne peut être effectuée de deux façons :
Tirage bernouillien ou tirage avec remise : les boules sont tirées une à une
et remises dans l’urne avant le tirage de la boule suivante ;
Tirage exhaustif ou tirage sans remise : les boules sont tirées une à une
mais ne sont pas remises avant tirage de la boule suivante ou encore-ce qui
revient au même- sont tirées d’un seul coup.
73 / 1
Chapter 4 Tirage exhaustif
n n n
CN1 CN2 ......CNk
La probabilité cherchée est P[n1 ∗ n2 ∗ . . . . . . ∗ nk ] = 1 2
CNn
k
74 / 1
Chapter 4 Tirage exhaustif
2 0 <= nh <= Nh
3 0 <= n − nh <= N − Nh
75 / 1
Chapter 4 Tirage exhaustif
Exemple :
1 Une urne contient N1 = 3 boules rouges, N2 = 2 boules noires et
N3 = 2 boules blanches. On tire de cette urne n = 2 boules sans
remise. Quelle est le nombre de repartitions possibles ? Quelles sont
les probabilités attachées aux diverses répartitions possibles ?
76 / 1
Chapter 4 Tirage exhaustif
Montrons que si on convient de tirer les n boules une à une sans remise,
on aboutit au même résultat :
Quelle est la probabilité d’obtenir la répartition (n1 ∗ n2 ∗ . . . . . . ∗ nk )
dans un ordre spécifié ? les n1 boules de couleur 1 apparaissent à des
rangs de tirage spécifiés, de même les n2 boules.... les nk
77 / 1
Chapter 4 Tirage exhaustif
78 / 1
Chapter 4 Tirage exhaustif
n n n
n1 !...nk ! CN1 CN2 ......CNk
P= n! ∗ 1
CNn
2 k
Cette probabilité est ainsi la même quel que soit l’ordre spécifié. Le
nombre d’ordres correspondant à la répartion (n1 ∗ n2 ∗ . . . . . . ∗ nk )
n!
est égal au nombre de permutations avec répétition soit n1 !...n k!
n n n
CN1 CN2 ......CNk
1 2
D’où P = CNn
k
79 / 1
Chapter 4 Le tirage bernouillien
80 / 1
Chapter 4 Le tirage bernouillien
n1 + . . . + nk = n
∀h : 0 <= nh <= n
81 / 1
Chapter 4 Le tirage bernouillien
82 / 1
Chapter 5
83 / 1
Chapter 5
Après avoir réalisé une expérience, il arrive souvent qu’on s’intéresse plus à
une fonction du résultat qu’au résultat.
84 / 1
Chapter 5 Définition et exemples
Après avoir réalisé une expérience, il arrive souvent qu’on s’intéresse plus à
une fonction du résultat qu’au résultat.
85 / 1
Chapter 5 Définition et exemples
86 / 1
Chapter 5 Variables aléatoires discrètes
Définition
Une variable aléatoire réelle est dite discrète si son domaine de variation est
fini ou denombrable ;
87 / 1
Chapter 5 Variables aléatoires discrètes
Lois de probabilités
88 / 1
Chapter 5 Variables aléatoires discrètes
Exemple
On répète le jet d’une pièce jusqu’à ce que face apparaisse mais au plus n
fois. Les jets sont indépendants et face apparait avec probabilité p.X
désigne le nombre de jets réalisés jusqu’à l’arrêt de l’expérience. C’est donc
une variable aléatoire et elle prendra les valeurs 1, 2, . . . n. Calculez les
différentes probabilités associées.
1
Répresentez la fonction de densité de X pour n = 7 et p = 2
89 / 1
Chapter 5 Variables aléatoires discrètes
90 / 1
Chapter 5 Variables aléatoires discrètes
91 / 1
Chapter 5 Variables aléatoires discrètes
limx→−∞ F (x) = 0
limx→+∞ F (x) = 1
92 / 1
Chapter 5 Variables aléatoires discrètes
93 / 1
Chapter 5 Variables aléatoires discrètes
L’espérance
P mathématique est le moment d’ordre 1,
E (X ) = i xi P(X = xi )
94 / 1
Chapter 5 Variables aléatoires discrètes
E (a) = a
E (aX ) = aE (X )
E (X + Y ) = E (X ) + E (Y )
E (aX + bY ) = aE (X ) + bE (Y )
95 / 1
Chapter 5 Variables aléatoires discrètes
Variable centrée
On dit qu’une variable aléatoire est centrée si elle est d’esperance nulle
96 / 1
Chapter 5 Variables aléatoires discrètes
Espérance conditionnelle
On définit l’esperance
P conditionnelle de X |Y = yl
E (X |Y = yl ) = k xk P(X = xk |Y = yl )
P
Démontrez que E (X ) = l E (X |Y = yl )P(Y = yl )
97 / 1
Chapter 5 Variables aléatoires discrètes
On appelle
P variance d’une variable aléatoire discrète la quantité
V (X ) = i (xi − E (X ))2 P(X = xi )
p
L’écart type est défini par σ(X ) = V (X )
98 / 1
Chapter 5 Variables aléatoires discrètes
Propriétés de la variance
V (X ) >= 0
99 / 1
Chapter 5 Variables aléatoires discrètes
Variance réduite
X
Montrez que la variable aléatoire σ(X ) est réduite
100 / 1
Chapter 5 Variables aléatoires discrètes
Variance conditionnelle
101 / 1
Chapter 5 Variables aléatoires discrètes
Covariance
Cov (X , Y ) = E (XY ) − E (X )E (Y )
V (X + Y ) = V (X ) + V (Y ) + 2Cov (X , Y )
P P P
En géneralisant à n variables V ( i Xi ) = i V (Xi ) + 2 i<j Cov (Xi , Xj )
102 / 1
Chapter 5 Variables aléatoires discrètes
Coefficient de correlation
−1 ≤ r (X , Y ) ≤ 1
103 / 1
Chapter 5 Variables aléatoires discrètes
Inégalité de Markov
104 / 1
Chapter 5 Variables aléatoires discrètes
Inégalité de Biennaymé-Tchebychev
105 / 1
Chapter 5 Variables aléatoires continues
Définition
Une variable aléatoire réelle est dite continue si son domaine de variation est
R ou un intervalle de R ;
106 / 1
Chapter 5 Variables aléatoires continues
Exemples
107 / 1
Chapter 5 Variables aléatoires continues
Lois de probabilités
Rb
P(a < X < b) = a
f (x)dx
108 / 1
Chapter 5 Variables aléatoires continues
Exemples
109 / 1
Chapter 5 Variables aléatoires continues
Fonction de repartition
F 0 (x) = f (x)
limx→−∞ F (x) = 0
limx→+∞ F (x) = 1
110 / 1
Chapter 5 Variables aléatoires continues
R∞
L’espérance mathématique est le moment d’ordre 1, E (X ) = −∞
tf (t)dt
R∞
Pour toute fonction réelle g, E (g (x)) = −∞
g (t)f (t)dt
Les propriétes de l’espérance mathématique sont les mêmes que dans le cas
discret.
111 / 1
Chapter 5 Variables aléatoires continues
Exemples
Exemple
( 1 : Trouvez E(X) lorsque la densité de X est f (x) =
2x 0 ≤ x ≤ 1
0 sinon
(
1 0≤x ≤1
Exemple 2 : La densité de X est donnée par f (x) =
0 sinon
Trouvez E (eX )
112 / 1
Chapter 5 Variables aléatoires continues
Les définitions sont exactemet les mêmes que pour les variables aléatoires
réelles discrètes
113 / 1
Chapter 5 Variables aléatoires continues
On appelle
R ∞variance d’une variable aléatoire rélle continue la quantité
V (X ) = −∞ (x − E (X ))2 f (x)dx
114 / 1
Chapter 5 Variables aléatoires continues
Exercice d’application :
On suppose que la durée de vie d’un individu est une variable aléatoire
continue
( dont la densité de probabilité f est donnée par
f (t) = kt 2 (100 − t)2 0 ≤ t ≤ 100
0 sinon
1 Déterminez k pour que f soit effectivement une densité de probabilité.
Répresentez f sur un graphique.
115 / 1
Chapter 5 Variables aléatoires continues
Démontrez les.
116 / 1
Chapter 5
117 / 1
Chapter 5 Variable de Bernoulli et variable binomiale
Variable de Bernoulli
118 / 1
Chapter 5 Variable de Bernoulli et variable binomiale
Variables binomiales
119 / 1
Chapter 5 Variable de Bernoulli et variable binomiale
Démontrez que E (X ) = np
120 / 1
Chapter 5 Variable de Bernoulli et variable binomiale
Exemples
2 On sait que les vis fabriquées par une certaine société sont affectés d’un
défaut avec une probabilité 0,01 ; l’état d’une vis est indépendant de celui
des précedentes ou suivantes. Or la société accepte de rembourser les
paquets de 10 vis si plus d’une des vis présente un défaut. Quelle proportion
des paquets vendus la société s’expose t-elle à rembourser ?
121 / 1
Chapter 5 Variable aléatoire de Poisson
Définition
122 / 1
Chapter 5 Variable aléatoire de Poisson
Démontrez que E (X ) = λ
Démontrez que V (X ) = λ
123 / 1
Chapter 5 Variable aléatoire de Poisson
124 / 1
Chapter 5 Variable aléatoire de Poisson
125 / 1
Chapter 5 Variables aléatoires uniforme
Définition
Une variable
( aléatoire est uniforme sur l’intervalle (α, β) si sa densité est
1
α<x <β
f (x) : β−α
0 sinon
Calculez E (X ) et V (X )
126 / 1
Chapter 5 Variables aléatoires uniforme
Exemple
A partir de 7h, les bus passent toutes les 15 minutes à un arrêt donné. Un
usager se présente entre 7h00 et 7h30 à cet arrêt, l’heure exacte de son
arrivée étant une variable uniforme sur cette période.1) Trouvez la probabilité
qu’il doive attendre moins de 5 minutes, 2) puis plus de 10 minutes.
127 / 1
Chapter 5 Variables aléatoires normales
Définition
E (X ) = µ et V (X ) = σ 2
128 / 1
Chapter 5 Variables aléatoires normales
E (X ) = µ et V (X ) = σ 2
129 / 1
Chapter 5 Variables aléatoires normales
X −µ
La variable Z = σ est normalement distribuée de paramètre 0 et 1.
Une variable normale ayant ces deux paramètres est dite standard ou centrée
Rx −x 2
réduite. Sa fonction de repartition est donnée par φ(x) = √12π −∞ e 2 dx
φ(−x) = 1 − φ(x)
130 / 1
Chapter 5 Variables aléatoires normales
Exemple
131 / 1
Chapter 5 Variables aléatoires normales
Loi exponentielle
Loi gamma
Loi de Weibull
Loi bêta
132 / 1