Cours et exercices de mathématiques M. CUAZ, [Link]
fr
PROBABILITES
L’univers Ω est l’ensemble des résultats possibles d’une expérience aléatoire. Un événement A est une partie de Ω
Langage ensembliste Langage probabiliste Notation
Ω Univers des possibles Ω = {ω ; ω ; ω ;...ω }
1 2 3 n
{ωi } i ∈ [1; n ] Evénement élémentaire {ωi } i ∈ [1; n ]
A est une partie de Ω A est un événement A⊂Ω
A est vide L’événement A est impossible A=∅
A est égal à Ω L’événement A est certain A=Ω
C = A∪ B C est l’évenement « A ou B » C = A∪ B
C = A∩ B C est l’évenement « A et B » C = A∩ B
A et B sont disjoints Les événements A et B sont incompatibles A∩ B = ∅
A et B sont complémentaires Les événements A et B sont contraires B=A
Une probabilité p définie sur Ω vérifie :
- Pour tout événement A, 0 ≤ p ( A ) ≤ 1 . On a p ( ∅ ) = 0 et p ( Ω ) = 1
- La somme des probabilités des événements élémentaires vaut 1
- La probabilité d’un événement est égale à la somme des probabilités des événements élémentaires qui le composent
Card ( A)
En cas d’équiprobabilité, p ( A) = . Pour deux événements A et B, p ( A ∪ B ) = p ( A ) + p ( B ) − p ( A ∩ B ) .
Card (Ω)
( )
S’ils sont incompatibles p ( A ∪ B ) = p ( A ) + p ( B ) . Pour tout événement A, p A = 1 − p ( A )
Si A et B sont deux événement, tels que p ( A ) ≠ 0 , on définit la
probabilité conditionnelle de l’événement B sachant A par
p( A ∩ B)
pA ( B ) = . En version « multiplicative » on a
p ( A)
p ( A ∩ B ) = p ( A) × pA ( B )
Les probabilités situés « sur les sous-branches » d’un arbre sont des
probabilités conditionnelles
Les événements A et B sont indépendants lorsque la réalisation de l’un n’influe pas sur la réalisation de l’autre.
Autrement dit, p A ( B ) = p ( B ) ou pB ( A ) = p ( A ) , ce qui se traduit en pratique par p ( A ∩ B ) = p ( A) × p ( B )
Variable aléatoire :
Soit Ω l’univers associé à une expérience aléatoire. On appelle variable aléatoire toute application X de Ω dans \ .
X ( Ω ) est alors l’image de Ω . La loi de probabilité de la variable aléatoire X est la fonction
L : X (Ω ) → [0,1] . Elle est souvent présentée dans un tableau :
k 6 L(k ) = P ( X = k )
valeurs possibles x1 x2 … xn
probabilité p1 p2 … pn
L’espérance de cette loi est le nombre noté E(X) à égal à : E ( X ) = p1 x1 + p2 x2 + .... pn xn
La variance de cette loi est le nombre noté V(X) défini par : V(X)=E[X-E(X)] , autrement dit :
V ( X ) = p1 ( x1 − E ( X ) ) + p2 ( x2 − E ( X ) ) + .... pn ( xn − E ( X ) )
2 2 2
Page 1/2
Cours et exercices de mathématiques M. CUAZ, [Link]
2
Propriété (formule de Koenig) V ( X ) = p1 x12 + p2 x22 + .... pn xn2 − E ( X )
espérance de la variable aléatoire X2 carré de l'espérance
de la variable aléatoire X
L’écart-type de cette loi, noté σ , est la racine carrée de la variance : σ ( X ) = V ( X )
On a toujours V ( X ) ≥ 0 ; donc on peut toujours calculer σ ( X ) = V ( X ) . De plus on a toujours σ ( X ) ≥ 0 .
Loi binomiale
Une épreuve de Bernoulli est une expérience aléatoire à deux issues possibles : « Succès » et « Echec ». Si on note p la
probabilité d’un succès, alors la probabilité d’un échec est égale à q = 1 − p .
Si on considère une une épreuve de Bernoulli, de succès de probabilité p, et d’échec de probabilité q=1-p , répétée n fois
de manière indépendante, et si on note X la variable aléatoire désignant le nombre de succès obtenus au cours de ces n
répétitions, on dit que la variable aléatoire X suit la loi binomiale de paramètre n et p , notée B(n,p)
n
Alors pour tout entier k, tel que 0 ≤ k ≤ n , P ( X = k ) = p k (1 − p ) n − k .
k
Si X suit la loi binomiale B(n,p) alors E ( X ) = np , V ( X ) = np (1 − p ) et σ ( X ) = np (1 − p ) .
Loi de Poisson L ( λ )
Une variable aléatoire X suit la loi de poisson L ( λ ) si et seulement si sa loi de probabilité est définie par :
λk
Pour tout entier naturel k, P ( X = k ) = e − λ .
k!
Si X suit la loi de Poisson L(λ) alors E ( X ) = λ , V ( X ) = λ et σ ( X ) = λ .
Si n est « grand », si p est « proche » de 0 et si np « n’est pas trop grand » alors on peut approcher la loi binomiale
B ( n; p ) par la loi de Poisson L ( np )
Lois continues
Soit f une fonction continue, positive sur un intervalle I = [ a; b ] (respectivement [ a; +∞[ ).
On définit sur I une loi de probabilité P dont f est appelée densité si :
b x
- ∫ f (t )dt = 1 ( respectivement
a
lim
x →+∞ ∫ f (t )dt = 1 )
a
- Si c et d désignent les bornes d'un intervalle J, (de la forme [ c; d ] , [ c; d [ , ]c; d ] , ]c; d [ ), avec c et d éléments de I,
d c
p( J ) = ∫ f (t )dt . De plus pour tout intervalle J = [ c; +∞[ , où c appartient à I, on a p( J ) = 1 − ∫ f (t )dt
c a
Loi de durée de vie sans vieillissement :
La loi exponentielle de paramètre λ (réel strictement positif) a pour densité la fonction f λ définie sur l'intervalle
I = [ 0; +∞[ par f λ (t ) = λ e − λt .
x
Ainsi, pour tout réel x ≥ 0 , p ( X ≤ x ) = λ e − λt dt∫
0
Loi uniforme sur [0;1]
La loi uniforme P sur [0;1] modélise le choix d'un nombre réel au hasard dans l'intervalle [0;1].
Pour tous réels c et d de [0;1], tels que c ≤ d , si I désigne l'un des quatre intervalles [ c; d ] , [ c; d [ , ]c; d ] , ]c; d [ ,
on a p ( I ) = d − c
Page 2/2
