Chapitre 2 Rappels Sur Les Probabilites

RAPPELS SUR LES
PROBABILITES
INTRODUCTION
Les probabilités peuvent être utilisées pour élaborer des
Modèles mathématiques des phénomènes aléatoires et
stochastiques.
Phénomènes
Déterministes Non déterministes

INTRODUCTION
Phénomènes déterministes :
Il existe un modèle mathématique qui permet de prédire «parfaitement»
l’évolution et le futur du phénomène.
De nombreux exemples, notamment de systèmes ou modèles

déterministes, existent en physique et en chimie. Un modèle
déterministe produira donc toujours la même sortie à partir d'une
condition de départ ou d'un état initial donné.
Par exemple : Les systèmes physiques, tels que les filtres linéaires,
décrits par des équations différentielles représentent des systèmes
déterministes, même si l'état du système à un moment donné peut être
difficile à décrire explicitement.
INTRODUCTION
Exemples de signaux déterministes
INTRODUCTION
Phénomènes non déterministes :
Il n’existe pas de modèle mathématique permettant de prédire
«parfaitement» l’évolution et le futur du phénomène.
Il s’agit dans ce cas de la quasi-totalité des phénomènes naturels (son,
image, température, … etc
Exemple d’un signal de parole du mot ‘’Samedi’’ Exemple d’un signal ECG
Exemples de signaux non déterministes

INTRODUCTION
C’est quoi l’analyse spectrale?
Exemple d’un bruit blanc centré et Gaussien
Exemples de signaux aléatoires

INTRODUCTION
Phénomènes non déterministes peut être divisé en deux principaux

groupes:
1. Phénomènes dus au hasard:

Il s’agit de résultats imprévisibles, sans possibilité de régularité
statistique même à long terme.
2. Phénomènes aléatoires :
Incapable de prédire les résultats, mais une possible régularité statistique
à long terme.
INTRODUCTION
Phénomènes
Hasard
Déterministes
Aléatoires
INTRODUCTION
Phénomènes aléatoires dus au hasard :
• Il s’agit bien sûr de résultats imprévisibles,

• Mais pas d'exposition à long terme de régularité statistique
dans les résultats.
• Existe-t-il de tels phénomènes?

• Est-ce que des phénomènes non déterministes peuvent aussi
présenter une régularité statistique à long terme?
INTRODUCTION
Phénomènes aléatoires
Incapable de prédire les résultats, mais à long terme, les résultats
présentent une régularité statistique.
Exemples:
Lancer une pièce de monnaie :
Impossible de prédire à chaque tirage s'il s'agit de ‘’face’’ ou ‘’pile’’.

À long terme, on peut prédire que 50% des ‘’faces’’ se produiront et 50% des
‘’piles’’ se produiront
Un jet de Dé :
Impossible de prédire à chaque tirage s'il s'agit de la face du dé ‘’1’’, ‘’2’’, ‘’3’’,
‘’4’’, ‘’5’’ ou ‘’6’’.
À long terme, on peut prédire que 16,66 % de chacune des six faces du dé s
‘’faces’’ se produiront
Notions sur les probabilités
DEFINITION
Espace probabiliste , S :
L'espace probabiliste, S, pour un phénomène aléatoire est l'ensemble de
tous les résultats possibles. C’est ce qu’on appelle aussi l’univers des
possibles,
Exemples:
Lancer une pièce de monnaie : S = {‘’Pile’’ , ‘’Face’’}
Un jet de Dé : S = {1, 2, 3, 4, 5, 6}.

DEFINITION
Un évènement E :
Un événement E, est une partie ou un sous ensemble (ou un sous espace)

quelconque de S. Cest-à-dire tout ensemble de résultats du phénomène
aléatoire étudié. Appelé également expérience aléatoire,
S
Diagramme deVenn
DEFINITION
Exemples d’évènement:
Soit l’évènement E correspondant au tirage de faces impaires d’un jet de

dé,
Donc nous avons : S={1, 2, 3, 4, 5, 6}
Alors que E = {1, 3, 5}

DEFINITION
Evènements particuliers:
1. Evènement vide non Nul E=

Il s’agit d’un événement qui ne contient aucun résultat
2. Evènement entier E= S
Il s’agit d’un événement qui contient tous les résultats de l’espace S.
L'événement vide, , ne se produit jamais.
L'événement entier, S, se produit toujours.

DEFINITION
Union: OU (OR)
Soit A et B deux événements appartenant les deux à un espace S, alors
l'union de A et B (denote par AB) est l'événement défini par:
A  B = {e| e appartient à A ou e appartient à B}
L'événement A  B se produit si l'événement A se produit ou/et si l'événement B se

produit.
AB
A B
DEFINITION
Intersection: ET (AND)
Soit A et B deux événements appartenant les deux à un espace S, alors
l’intersection de A et B (denote par A  B) est l'événement défini par:
A  B = {e| e appartient à A et e appartient à B}
L'événement A  B se produit si l'événement A se produit et si l'événement B se

produit.
AB
A B
DEFINITION
Evènement Complémentaire : NON (NOT)

Soit A un événement appartenant à un espace S, alors le complémentaire
de A (denote parA ) est l'événement défini par:
A = {e| e tout ce qui n’appartient pas à A mais appartient à S}
A L'événement se produit si l'événement A ne se produit pas
A
A
DEFINITION
Evènements mutuellement exclusifs : Cas de deux évènements
A B 
Deux événements A et B sont appelés mutuellement exclusifs si:
Si deux événements A et B sont mutuellement exclusifs, alors:

•Ils n'ont aucun résultat en commun.
•Ils ne peuvent pas se produire en même temps.
•Le résultat de l'expérience aléatoire ne peut appartenir à la fois à A et à B.
A B
On dit aussi que les évènements A
et B sont incompatibles ou disjoints
DEFINITION
Evènements mutuellement exclusifs : Cas de plusieurs évènements
Supposons que nous ayons un ensemble A1, A2, A3,… et que toute paire
s'exclut mutuellement (i.e. A1  A2 = f),
Soit ni = n (Ai) = le nombre d’éléments dans Ai.
Soit A = A1 A2  A3  ….
Et N = n( A ) = le nombre d’éléments dans A = n1 + n2 + n3 + …
A1 A2
n1 n2
A3 A4
n3 n4
NOTIONS DE PROBABILITE
Definition: probabilité d’un évènement E.
Soit un espace probabiliste S = {s1, s2, s3,… sN} a un nombre fini, N, de

résultats. On suppose également que chacun des résultats de S est
équiprobable. Alors pour tout événement E
Où n(E) et n(S) représentent le nombre d’éléments

respectivement dans E et S.
Remarque : S'applique uniquement au cas particulier lorsque

L'espace probabiliste S a un nombre fini de résultats, et Chaque
résultat est équiprobable
P(r) = 0 Événement impossible
P(r) = 1 Événement certain
C’est ce qu’on appelle la probabilité fréquentielle.
Si N est grand la probabilité fréquentielle tend à se rapprocher de

la probabilité théorique
Nombre de résultats favorables
Probabilité THÉORIQUE =
Nombre de résultats possibles
Nombre de fois qu’un résultat s’est produit
Probabilité FRÉQUENTIELLE =
Nombre d’expériences réalisées
Lorsque l’expérience est effectuée un très grand nombre de fois,

la probabilité fréquentielle tend à se rapprocher de la probabilité
théorique.
Exemple : On lance une pièce de monnaie.

Probabilité THÉORIQUE = 0,5
Probabilité FRÉQUENTIELLE =
Après 5 expériences : 3 piles et 2 faces PF (pile) = 3/5 = 0,6
Après 20 expériences : 9 piles et 11 faces PF (pile) = 9 / 20 = 0,45
Après 100 expériences : 52 piles et 48 faces PF (pile) = 52 / 100 = 0,52
REGLES DE PROBABILITES
La règle additive : (cas d’événements mutuellement exclusifs)
P[A  B] = P[A] + P[B]

i.e.
P[A or B] = P[A] + P[B]
Si A  B = (A et B sont supposés mutuellement exclusives)

La règle additive : (cas général)
P[A  B] = P[A] + P[B] – P[A  B]
ou bien
P[A or B] = P[A] + P[B] – P[A et B]
A B
A B A B
Exercice:
Equipe1 et Equipe2 sont deux des cinq équipe en compétition finale pour une
coupe en sport. Il y a 20% de chances que l’équipe1 soit parmi les 5 finales. Il y a
35% de chances que l’équipe2 soit parmi les 5 finales et 8% de chances que
l’équipe1 et l’équipe2 soient toutes deux parmi les 5 finales.
Quelle est la probabilité que l’équipe1 ou l’équipe2 seront parmi les 5 finalistes?
Solution:
Soit A = l'événement que l’équipe1 est parmi les 5 finalistes.
Soit B = l'événement où l’équipe2 est parmi les 5 finalistes.
Nous avons donc P[A] = 0.20, P[B] = 0.35, et P[A  B] = 0.08
Quelle est donc P[A  B]?
Note: “et” ≡ , “ou” ≡  .
P  A  B   P  A  P  B   P  A  B 
 0.20  0.35  0.08  0.47
La règle pour le complément
   
Ou bien P not A  1  P A
S
A
A
Probabilité conditionnelle
• Souvent, avant d'observer le résultat d'une expérience aléatoire, on
peut recevoir des informations sur le résultat,
• Comment cette information devrait-elle être utilisée pour prédire le
résultat?
• À savoir, comment ajuster les probabilités pour prendre en compte ces
informations,
• Habituellement, les informations sont données sous la forme suivante:
On vous dit que le résultat appartient à un événement donné. (c'est-à-
dire qu'on vous dit qu'un certain événement s'est produit),
Supposons que nous nous intéressions au calcul de la probabilité de
l'événement A et qu'on nous ait dit que l'événement B s'est produit.
Alors la probabilité conditionnelle de A sachant B est définie comme
étant:
P  A  B
A A∩B B P  A B  
P  B
Probabilité conditionnelle
• Théorème de Bayes :
P( A  B) A
P( A / B)   P( A  B)  P( A / B) * P( B ) P(A/B)
P( B)
B Non A
P( A  B) P( A / B) * P( B) P(B)
P ( B / A)  
P( A) P( A)
P ( Non B )  1  P( B ) A
P(A)/nonB)
Non B
P ( A / Non B)  1  P( Non A / Non B ) Non A
P ( A)  P ( A / B ) * P ( B)  P( A / Non B) * P( Non B)
P ( A)  P ( A / B ) * P ( B)  [1  P( Non A / Non B)] * [1  P( B)]
Diagramme de Venn Sert à visualiser les relations entre les événements.
Les 200 élèves en télécommunications, 5 peuvent s’inscrire à 1 ou plusieurs

cours à option. Il y a 60 élèves inscrits en traitement du signal. Il y a 100 élèves
inscrits en électronique. Il y a 120 élèves inscrits en réseaux de télécoms.
télécoms Il y a
30 élèves inscrits en traitement du signal et en électronique. Il y a 60 élèves
inscrits en électronique et en réseaux. Il y a 20 élèves inscrits en traitement du
signal et en réseaux. Il y a 20 élèves inscrits en traitement du signal ,
électronique et en réseaux. Finalement, il y a 10 élèves inscrits à autre chose.
On peut représenter cette situation en définissant les ensemble suivants :
S = Élèves inscrits à 1 ou plusieurs cours à option. A B

A = Élèves inscrits en traitement du signal.
B = Élèves inscrits en électronique.
C = Élèves inscrits en réseaux. 20
C
 (200)

télécoms Il y a

10
C
 (200)

télécoms Il y a

B = Élèves inscrits en électronique. 10
C = Élèves inscrits en réseaux.
20
40
C
 (200)

télécoms Il y a

10
0 40
C
 (200)

télécoms Il y a

B = Élèves inscrits en électronique. 30 10 30
0 40
60 10
C
 (200)
Diagramme de Venn
Exemple :
On a interrogé 100 personnes sur leurs activités de fin de semaine. 50
personnes ont dit être allées au cinéma, 40 personnes ont joué au
billard, 10 d’entre elles ont dit être allées au cinéma et avoir joué au
billard et 20 personnes ont fait autre chose.
 (100)
C B
 = Les activités de fin de semaine. 40 10 30

C = Les personnes qui ont été au cinéma.
B = Les personnes qui ont joué au billard. 20
50 1
P(C) = =
100 2
Diagramme de Venn
Exemple :
 (100)
C B
 = Les activités de fin de semaine. 40 10 30

20
B = Les personnes qui ont joué au billard.
b) Quelle est la probabilité de choisir une personne qui est allée au cinéma et qui a
joué au billard ?
10 1
P(C  B) = =
100 10
Diagramme de Venn
Exemple :
 (100)
C B
40 10 30
 = Les activités de fin de semaine.
C = Les personnes qui ont été au cinéma. 20
c) Sachant que la personne est allée au cinéma, quelle est la probabilité qu’elle ait
aussi joué au billard ?
10 1 P(B  C)
PC (B) = = PC (B) = P (C)
50 5
Diagramme de Venn
Exemple :
 (100)
C B
40 10 30
C = Les personnes qui ont été au cinéma. 20
c) Sachant que la personne est allée au cinéma, quelle est la probabilité qu’elle ait
aussi joué au billard ?
10 1 P(B  C)
PC (B) = = PC (B) = P (C)
50 5
Diagramme de Venn
Exemple :
 (100)
C 40 B
C = Les personnes qui ont été au cinéma. 10 30
20
d) Sachant que la personne est allée jouer au billard, quelle est la probabilité qu’elle
soit aussi allée au cinéma ?
P(B  C) 10 1
PB (C) = P (B ) PB (C) = =
40 4
Diagramme de Venn
Exemple :
 (100)
C B

40 10 30
20
d) Sachant que la personne est allée jouer au billard, quelle est la probabilité qu’elle
soit aussi allée au cinéma ?
Donc, PB (C) ≠ PC (B)

Exemple : On tire une boule (sans remise) dans un sac qui contient 6 boules
numérotées de 1 à 6. On considère les événements suivants :
A = Obtenir un nombre pair.
B = Obtenir un nombre impair.
C = Obtenir un multiple de trois.
Donc :
A = {2, 4, 6}
B = {1, 3, 5}
C = {3, 6}
 (6)
A B
2 1
4 5
6 3
C

 (6)
A B
2 1
4 5
6 3
a) Les événements A et B sont-ils dépendants ?
P(A  B) = 0 Donc P(A  B)  P(A)  P(B)

P(A)  P(B) = ( 3 / 6 )  ( 3 / 6 )
= 9 / 36 Réponse : OUI.
= 1/4

 (6)
A B
2 1
4 5
6 3
b) Les événements A et C sont-ils dépendants ?
P(A  C) = 1 / 6 Donc P(A  C) = P(A)  P(C)

P(A)  P(C) = ( 3 / 6 )  ( 2 / 6 )
Réponse : NON, ils sont
= 6 / 36 indépendants.
= 1/6

 (6)
A B
2 1
4 5
6 3
c) Les événements B et C sont-ils dépendants ?
P(B  C) = 1 / 6 Donc P(B  C) = P(B)  P(C)

P(B)  P(C) = ( 3 / 6 )  ( 2 / 6 )
Réponse : NON, ils sont
= 6 / 36 indépendants.
= 1/6
Exemple : On lance un dé à 6 faces, numérotées de 1 à 6. On considère les
événements suivants :
 (6)
A B
2 1
4 5
6 3
a) Les événements A et B peuvent-ils se produire en même temps ?
Réponse : NON. Ils sont donc Remarque : P(A  B) = 0

mutuellement
exclusifs.
 (6)
A B
2 1
4 5
6 3
b) Les événements A et C peuvent-ils se produire en même temps ?
Réponse : OUI. Ils sont donc Remarque : P(A  C) ≠ 0

non mutuellement
exclusifs.
 (6)
A B
2 1
4 5
6 3
c) Les événements B et C peuvent-ils se produire en même temps ?
Réponse : OUI. Ils sont donc Remarque : P(B  C) ≠ 0

non mutuellement
exclusifs.
Exercice : Un jeu télévisé passe chaque jour à 20H30. Un couple suit

généralement cette émission quotidiennement. La probabilité que le
mari regarde aujourd’hui l'émission est de 80%, la probabilité que sa
femme regarde l'émission ce même jour est de 65%, tandis que la
probabilité qu'ils regardent tous les deux l'émission aujourd’hui est
de 60%. Si le mari regarde l'émission, quelle est la probabilité que sa
femme regarde également l'émission?
Solution :
Soit B = l'événement que le mari regarde le spectacle P [B] = 0,80
Soit A = l'événement que sa femme regarde le spectacle P [A] = 0,65
et P [A ∩ B] = 0,60
P  A  B 0.60
P  A B     0.75
P  B 0.80
Indépendance
Deux évènements A et B sont dits indépendants, si :
Note P  A  B   P  A P  B 
P  A  B P  A P  B 
P  A B     P  A
P  B P  B
Ainsi, en cas d'indépendance, la probabilité conditionnelle d'un

événement n'est pas affectée par la connaissance de l'autre événement
Différence entre indépendance et mutuellement exclusif
1. Evènements mutuellement exclusifs

Deux événements mutuellement exclusifs ne sont indépendants que dans
le cas particulier où
Sinon, les événements mutuellement

A exclusifs sont fortement dépendants.
B
A et B ne peuvent pas se produire
simultanément. Si un événement se
produit, l'autre événement ne se
produit pas.
Différence entre indépendance et mutuellement exclusif
1. Evènements indépendants
P  A  B   P  A P  B 
P  A  B P  A
 P  A 
ou
P  B P S
S
B Le rapport de la probabilité de
A l'ensemble A dans B est le même que
le rapport de la probabilité de
A B
l'ensemble A dans l'ensemble de
l'échantillon S.
La règle multiplicative de la probabilité
et
P  A  B   P  A P  B 
si A and B sont indépendants

ANALYSE COMBINATOIRE
1. Arrangement
n !  the number of ways you can order n objects
2. Permutations
n!
n Pk   The number of ways that you can
 n  k  ! choose k objects from n in a specific
order
3. Combinaisons
n n!
   n Ck   The number of ways that you
k  k ! n  k  ! can choose k objects from n
(order of selection irrelevant)
ANALYSE COMBINATOIRE
1. Factorielle
Le nombre de façon dont on peut ordonner n objets
2. Arrangement :
E étant un ensemble à n éléments, on appelle arrangement de p éléments de E toute p-liste d'éléments
distincts de E.
On note le nombre d'arrangements de p éléments parmi n. On a
2. Permutations
n!
n Pk   Le nombre de façons dont vous pouvez
 nk! choisir k objets parmi n dans un ordre
spécifique
3. Combinaisons
Le nombre de façons dont vous pouvez
n n!
   n Ck   choisir k objets parmi n (ordre de
k  k ! n  k  ! sélection non pertinent)

Langue

Chapitre 2 Rappels Sur Les Probabilites

Transféré par

Informations du document

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

Chapitre 2 Rappels Sur Les Probabilites

Transféré par

Droits d'auteur :

Formats disponibles

RAPPELS SUR LES

Déterministes Non déterministes

De nombreux exemples, notamment de systèmes ou modèles

Exemples de signaux non déterministes

Exemple d’un bruit blanc centré et Gaussien

Exemples de signaux aléatoires

Phénomènes non déterministes peut être divisé en deux principaux

1. Phénomènes dus au hasard:

Phénomènes aléatoires dus au hasard :

• Il s’agit bien sûr de résultats imprévisibles,

• Existe-t-il de tels phénomènes?

Impossible de prédire à chaque tirage s'il s'agit de ‘’face’’ ou ‘’pile’’.

Un jet de Dé : S = {1, 2, 3, 4, 5, 6}.

Un événement E, est une partie ou un sous ensemble (ou un sous espace)

Soit l’évènement E correspondant au tirage de faces impaires d’un jet de

Donc nous avons : S={1, 2, 3, 4, 5, 6}

Alors que E = {1, 3, 5}

1. Evènement vide non Nul E=

L'événement vide, , ne se produit jamais.

L'événement entier, S, se produit toujours.

L'événement A  B se produit si l'événement A se produit ou/et si l'événement B se

L'événement A  B se produit si l'événement A se produit et si l'événement B se

Evènement Complémentaire : NON (NOT)

A L'événement se produit si l'événement A ne se produit pas

Si deux événements A et B sont mutuellement exclusifs, alors:

Definition: probabilité d’un évènement E.

Soit un espace probabiliste S = {s1, s2, s3,… sN} a un nombre fini, N, de

Où n(E) et n(S) représentent le nombre d’éléments

Remarque : S'applique uniquement au cas particulier lorsque

Definition: probabilité d’un évènement E.

C’est ce qu’on appelle la probabilité fréquentielle.

Si N est grand la probabilité fréquentielle tend à se rapprocher de

Lorsque l’expérience est effectuée un très grand nombre de fois,

Exemple : On lance une pièce de monnaie.

La règle additive : (cas d’événements mutuellement exclusifs)

P[A  B] = P[A] + P[B]

Si A  B = (A et B sont supposés mutuellement exclusives)

La règle additive : (cas général)

P[A  B] = P[A] + P[B] – P[A  B]

Les 200 élèves en télécommunications, 5 peuvent s’inscrire à 1 ou plusieurs

On peut représenter cette situation en définissant les ensemble suivants :

S = Élèves inscrits à 1 ou plusieurs cours à option. A B

C = Élèves inscrits en réseaux. 20

Les 200 élèves en télécommunications, 5 peuvent s’inscrire à 1 ou plusieurs

S = Élèves inscrits à 1 ou plusieurs cours à option. A B

Les 200 élèves en télécommunications, 5 peuvent s’inscrire à 1 ou plusieurs

S = Élèves inscrits à 1 ou plusieurs cours à option. A B

Les 200 élèves en télécommunications, 5 peuvent s’inscrire à 1 ou plusieurs

S = Élèves inscrits à 1 ou plusieurs cours à option. A B

Les 200 élèves en télécommunications, 5 peuvent s’inscrire à 1 ou plusieurs

S = Élèves inscrits à 1 ou plusieurs cours à option. A B

 = Les activités de fin de semaine. 40 10 30

 = Les activités de fin de semaine. 40 10 30

 = Les activités de fin de semaine.

Donc, PB (C) ≠ PC (B)

A = Obtenir un nombre pair.

a) Les événements A et B sont-ils dépendants ?

P(A  B) = 0 Donc P(A  B)  P(A)  P(B)

A = Obtenir un nombre pair.

b) Les événements A et C sont-ils dépendants ?

P(A  C) = 1 / 6 Donc P(A  C) = P(A)  P(C)

A = Obtenir un nombre pair.

c) Les événements B et C sont-ils dépendants ?