THEORIES DES PROBABILITE
Processus stochastique
I. Rappels :
- Probabilité (c’est une mesure qui détermine le degré de réalisation d’un
évènement d’une expérience aléatoire)
Une expérience aléatoire dans une population donnée est une expérience dans le
quel différente éventualité ou résultats possibles sont tous connue mais les
résultats à l’usus de cette expérience ne pas apriori
Notons par omega (Ω) qui le resultat possible de ette experience
aleatoireexemple : jet une piece de monnaie (soit ca tombe sur pile ou face) un
evenement est un resultat possible d’une experience aleatoire.
Considerons une experience aleatoire et omega l’univers
Notons par A =P(Ω) exemple : A=P(A) qui donne l’ensemble de partie d’un
ensemble
La probabilite vas quitter β : P(Ω) [0,1]
Exemple : A P(A) =
Il suit que un evenemant ne rien d’autre que un element de P(Ω)
NB : ensemble vide etl’univers sont aussi des evenements appeler evenement
impossible et certainne
Est appeler espace probabilisable tandis que (Ω,A,P) espace probabilisé
Proprieté : probabilité de l’ensemble vide =0 VA
P(Ω)=1
VA cA-(Ø, Ω) 0 « P(A) « 1
Deux evenement Aet B sont dit independent si et seulement si probabilité de A
inter B qui est egale a la probabilité de l’ensemble vide =0
Cela implique que la probabilité de ce unons sera egale la probabilité de A +
probabilité de B
Deux evenement Aet B sont dit complementaire si et seulement si A U B =Ω et A
inter B= Ø donc P(A)+P(B)=1
Soit (Ω,A,P)
Considerons A1,A2………..An €A de Ω cad Ai= Ω
i=1
n
ȠAi= Ø
I=1
P(nȠAi )=0
I=1
En d’autreterme deux evenement coplementaire forme une partition
Soit Aunevenement on note par Ǡ
Exemple : P(A)+P(Ǡ)=1
Equiprobabilité ou probabilité uniforme
Soit (Ω ,A, P) en espace probailisé
Et Ω ={W1,W2,………Wn}
On appele probabilité une forme P(W1)=P(W2)=……………=P(Wn)=1
n
Exemple : jet d’une piece
Ω ={pile,face}
On appele probabilite condutionnelle la probabilité pour que un evenementsoit
realiser sachant qu’un autre probabilité
Soit A et B
P(A\B)
Exemple : 5NV = (A\B)=P(A interB)sur P(B)
10NA
Soit P(A inter B) =P(A). P(B)
Frmule de probabilité totale :
Soit une population donnée et (Ω ,A, P) cette espaceprobabilisée dans cette population
Soit B1,B2,………….Bn N evenement relatf a une meme esperience dansla meme popultion et A c A
Pouvant etre realisé avec la combinaisson P(A)= n∑ P(A\Bi).P(Bi)
I=1
= n∑ P(A inter Bi)
I=1
Theorem de Baesse : P(Bi\A)
P(A\B)=P(A\Bi).P(Bi)
n
∑ P(A\Bi).P(Bi)
i=1
- V.A
- Lois de probabilité
Prof lueteta :
Pourquoi etudier les probabilité ?
LES NOTION DE VARIABLES ALEATIORS : elle permet relier une valeur au ne autres
Le variable aleatoire parce que on veut donner des valeurs et cela signifie quenous avons des
evenements (Ω ,A, P) =univer( Ω ) mesure de probailité (A, P)
Lorsque un evenement est realiser
Exemple : discution de foot real ou barca gagne quel est la probabilité que real gagne ?
On dira que le deux equipe null et autre diront que barca gagne donc cest un phenmene aleatoir
Definition : une valeur aleatoire réelle ( V.A) est une application de l’univer dans R
Exemple : si je prend X une variable aleatoire
X ………….. » Ω R
w£ Ω X(w)
Ω ={123456} resultat possible
{1} est une eventualité
L’ensemble de valeurs prise dansla variable aleatoir X
Exemple : on lance une piece si la face est un nombre impaire le joueur perd 10$ et si c’est un
nombre paire il gagne 20$ trouver
x( Ω )={-10,20} dans ce cas on appel une variable aléatoire discret
x est l’application de omega vers l’ensemble de reelles (R)
l’univer sera X : {123456} qui tant vers R
1=-10
2=-10
3=20
NB : il aura que deux valeur
C’est quoi un ensemble dénombrable : est un ensemble
Exemple : je suis à la station ucc mont ngafula, j’observe les arrivées de client a la station, a la fin
de la journée il y’avait que 10 client qui ont acheté
Quel sera l’univer
L’univer= client
x ={12345678910}
Quel sera l’ensemble des valeurs prise
Sera l’ensemble de la réelle prise
x(Ω)=R lorsque l’ensemble de valeur prise est dense on parle de l’ensemble de valeurs continue
2. LOI D’une variable aléatoire
VARIABLE ALEATOIRE DISCRETTE
Si x est une VAD la loi et x est definie dans la famille des reelles ( P(x))xEx x(Ω) telque pur toute
evenement A C x(Ω) la probabilité que x apartient a A et que P(x € A)=∑P(x)
X€A
Exemple : nous lancons un D non biaisser soit X la face qui apparer lors d’un tirage X est une
variable aleatoire discrette a valeur dans
x(Ω) ={123456}
1
P(X=1)¿
6
La loi x est representé par
Derniere (asst)
V.A et LOIS de probabilité
soit (Ω,t,P)
X: Ω…………… X(Ω)
X(Ω) : ensemble au pus denombrable
VAD
Lois de probabilité discretes : loi bernuilli, binomiale, poisson
X(Ω): infini c.à.d un intervalle [a,b] ou ……. C R
Loi de probabilté continues : lois iniforme, geometrique
