Le raisonnement

probabiliste
Maths et stats appliquées, L1 AES
Cours JP. Malrieu
Expérience aléatoire
• Une expérience qui a plusieurs résultats possibles
• On ne peut prévoir celui qui se réalisera
• Les résultats possibles sont appelés des issues ou
éventualités

• Ex: jeter un dé à six faces numéroté de 1 à 6

• « 2 » est une issue ou éventualité
Univers
• Univers : c’est l’ensemble de toutes les issues ou
éventualités possibles, souvent noté
• Ex. du dé: ={1,2,3,4,5,6}
Evénement
• Evénement: c’est un sous ensemble de l’univers
• Ex: tirer un nombre pair A={2,4,6}
• Un événement élémentaire est un événement ne
contenant qu’une éventualité. Ex: tirer un nombre
pair < 3
• L’intersection de deux événements ET
• Union de de deux événements OU
• Le contraire d’un événement (noté ) NON
Probabilités
• La probabilité est la « chance » qu’un événement se
réalise, mesurée entre 0 et 1
• probabilité = 0 , événement impossible
• probabilité = 1, événement assuré
• probabilité = 0,333, une chance sur 3
• Etc.
Loi de probabilité
• Une loi de probabilité d’une expérience aléatoire
associe
• A chaque éventualité de un nombre réel tel que et
• A chaque événement le nombre réel
• En français
• Les probabilités (des éventualités comme des
événements) sont comprises entre 0 et 1
• La somme des probabilités des éventualités est 1
• La probabilité d’un événement est la somme des
probabilités de ses éventualités
Loi de probabilité
(exemple)
• Pour l’exemple du dé
• On associe à chaque éventualité la probabilité 1/6
• On calcule la probabilité de faire un nombre pair
comme P(2)+P(4)+P(6)= 1/6+1/6+1/6=1/2
Calcul et estimation des
probabilités
• Deux modes de raisonnements fondamentaux
permettent de calculer une probabilité
• En sommant les probabilités des éventualités
• La déduction depuis une autre probabilité connue
• On peut aussi estimer une probabilité sur la base
de l’observation des fréquences
Cas particulier: la méthode
des dénombrements
• Si les éventualités sont équiprobables
• La probabilité peut être déduite du nombre
d’éventualités

• Exemple: probabilité de tirer un nombre pair =

nombres d’éventualités paires (3) / nombre
d’éventualités (6)
Fréquence et probabilité
• On peut estimer les probabilité sur la base des
fréquences (calculées sur la population totale ou
sur un échantillon)
Ecoute du rap N’en écoute pas total
- 30 ans 240 960 1200
+ 30 ans 270 1530 1800
Total 510 2490 3000

P(Rap)=510/3000
P(Rap et -30 ans)=240/3000
Méthode de déduction
• Exemples de règles de dérivation de probabilité
• Règle liée à NON (ou PAS)
• Règle lié au OU
• Règle lié au ET
• Probabilité conditionnelle
Probabilité de NON
• Si A et sont deux événements complémentaires
• Ex: P(marié) + P(ne pas être marié) = 1
• et donc

A 𝐴
Probabilité de OU

• Ex: Probabilité d’être une femme ou chef

d’entreprise

A 𝐴∩ 𝐵 B
Probabilité de ET, exemple
1
A: né en Vaucluse
B: né à Avignon

Né à Avignon

Né en Vaucluse
Probabilité de ET, exemple
2
A: né en Ile de France
B: né à Avignon

Né en Ile de France Né à Avignon

Evénements indépendants
• Deux événements sont indépendants si la réalisation
de l’un n’influence pas la réalisation de l’autre

• Par ex. faire un nombre pair lors du jeté de 2 dés

successifs

Si A et B sont indépendants
𝐴∩ 𝐵 𝐴∩ 𝐵 𝐴∩ 𝐵
=
Probabilité conditionnelle
• La probabilité conditionnelle P(A|B) ou PB(A) est la
probabilité de A sachant que B est réalisé

• Exemple: la probabilité d’avoir l’accent marseillais

sachant qu’on est né à Marseille
Probabilité conditionnelle
• Calculer P(A|B) revient à restreindre l’univers à B
• Par exemple P(Rap | - 30 ans)
• P(Rap | - 30 ans)= 240/1200
Ecoute du rap N’en écoute pas total
- 30 ans 240 960 1200
+ 30 ans 270 1530 1800
Total 510 2490 3000
Arbre de probabilité
𝑃 (𝐵∨ 𝐴) 𝐵 𝐴∩ 𝐵

𝐴 𝑃 𝐴 ( 𝐵)
𝑃 ( 𝐴)
𝐵 𝐴∩ 𝐵

𝑃 (𝐵∨ 𝐴) 𝐵
𝑃 ( 𝐴)
𝐴 𝑃 𝐴 ( 𝐵)
𝐵

Et donc
Probabilité conditionnelle
• Calculer la probabilité de A sachant B

0,5 0,2
• Exemple : P(avoir un enfant | marié) = P(avoir un enfant
ET être marié) / P(être marié)

0,4
Importance des
probabilités conditionnelle
• Les probabilités conditionnelles sont
fondamentales en économie parce que les agents
font souvent des choix sans avoir de certitude
• Par ex: on n’est pas sûr que le fait d’acheter des
chaussures de marque va nous procurer des
chaussures plus solides
• Tout ce que l’on peut estimer (sur la base de notre
expérience par ex.) c’est la probabilité
conditionnelle que les chaussures soient solides
sachant qu’elles sont de marque
 Arbre de probabilité dual
et formule de Bayes
𝑃 (𝐵∨ 𝐴) 𝐵 𝑃 ( 𝐴 ∩ 𝐵) 𝐴 𝑃 ( 𝐴∨ 𝐵)
𝑃 ( 𝐴) 𝐴 𝐵 𝑃 (𝐵)
𝐵 𝐴
R
R
𝐵 𝐴
𝐴 𝐵
𝐵 𝐴

𝑃 ( 𝐴) × 𝑃 ( 𝐵| 𝐴 )= 𝑃 ( 𝐴∩ 𝐵 )=𝑃 ( 𝐵∩ 𝐴) =𝑃 ( 𝐴∨ 𝐵)× 𝑃 (𝐵)

Formule de Bayes:
Formule de Bayes exemple

0,5 | marié) = P(être marié0,6

• Ex: P(avoir un enfant | avoir un
enfant) × P(avoir un enfant) / P(être marié)
0,4 0,33
Loi de la probabilité totale

• Ex: P(avoir un enfant) = P(avoir un enfant|est marié) ×

P(être marié) + P(avoir un enfant|est pas marié) ×
P(être pas marié)
• Plus généralement si B1, B2, … Bn sont n modalités
possibles d’un caractère
 Arbre de probabilité et loi
proba totale
𝑃 (𝐵∨ 𝐴) 𝐵 𝑃 ( 𝐴 ∩ 𝐵) 𝐴 𝑃 ( 𝐴∨ 𝐵)
𝑃 ( 𝐴) 𝐴 𝐵 𝑃 (𝐵)
𝐵 𝐴
R
R
𝐵 𝐴
𝐴 𝐵
𝐵 𝐴
Variable aléatoire
• Une variable aléatoire associe un nombre réel à une
expérience aléatoire
• Par ex. on peut associer la somme des deux dés
(nombre réel) à l’expérience aléatoire qui consiste à
jeter deux dés
• A chaque valeur possible de la variable aléatoire, on
associe une probabilité (cela revient à définir une
fonction de densité de probabilité)
• Souvent en économie, on considère la variable
aléatoire correspondant au gain (ou à l’utilité) d’une
expérience aléatoire
Exemple de variable
aléatoire
• On considère l’expérience qui correspond au jeté
de deux dés
• Il y a 6 fois 6 = 36 événements possibles
• On note P(n) la probabilité de « la somme des deux
dés fait n »
• P(2) = P(12) = 1/36
• P(3) = 2/36
• P(4) = 3/36
 Dé 2
1 2 3 4 5 6

1 2 3 4 5 6 7

2 3 4 5 6 7 8

3 4 5 6 7 8 9
Dé 1
4 5 6 7 8 9 10

5 6 7 8 9 10 11

6 7 8 9 10 11 12
Fonction de densité et
densité de probabilité
• Soit f la fonction de densité de la variable aléatoire
• Si dt est assez petit, alors
Densité de proba et aire
Si l’intervalle considéré de la variable n’est pas petit, on somme
les probabilités: la probabilité est alors l’aire sous la fonction de
densité
Probabilité
0.07

0.06
P(17<X<22)
0.05

0.04

0.03

0.02

0.01

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39
Valeur de l’aire totale
• La somme des probabilités de l’ensemble des
valeurs possibles est égale à 1
• Donc, pour une fonction de densité, l’aire comprise
sous la courbe est égale à 1
• Si, par exemple, la variable prend des valeurs entre
0 et 40, on peut noter cette égalité sous la forme
Lois de probabilités
connues
• Il existe un certain nombre de lois de probabilités
connues (loi normale, loi binomiale, etc.)
• Assez fréquemment, les variables aléatoires suivent
une loi de probabilité connue
• Dans le cours sur l’échantillonnage on verra que la
moyenne d’un échantillon aléatoire suit une loi
normale
• Il est souvent nécessaire de tester si une variable
aléatoire observée suit ou pas une loi de probabilité
donnée
Espérance mathématique
• Variable discrète

• Variable continue de densité f

Moyenne et espérance
mathématique
• L’espérance mathématique est la valeur que l’on
s’attend à trouver pour la moyenne si on a un grand
nombre d’observation
• La moyenne est donc un « estimateur » de
l’espérance mathématique
Variance d’une variable
aléatoire
• La variance est l’espérance de la somme des carrés
des écarts à l’espérance mathématique

• On peut aussi calculer la variance par la formule

(souvent plus commode quand on a déjà calculé
l’espérance mathématique):
Exemple d’espérance et de
variance
• Considérons la variable aléatoire définie de la
manière suivante, lors du jeté d’un dé:
• Si le dé est impair on perd (en euros) le carré du chiffre
indiqué par le dé
• Si le dé est pair on gagne (en euros) le carré du chiffre
indiqué par le dé
• Calculer l’espérance mathématique et la variance
de cette variable aléatoire
Espérance mathématique:
critère ultime de
rationalité?
• Avant de se lancer dans un projet soumis à un aléa
- Vérifier que l’espérance mathématique est > 0
- Vérifier que d’autres projets n’ont pas une espérance
supérieure
Prise en compte du risque
• Un SDF trouve un billet de loterie qui permet de
gagner 100 euros avec une probabilité de 1/2.
• L’espérance mathématique d’un billet (trouvé) est
de 50 euros
• Un passant fortuné propose au SDF de lui racheter
ce billet pour 20 euros
• Est-il rationnel pour lui de le vendre à ce prix?
 U

𝑈 (𝐸)

𝐸 (𝑈)

0 18 euros 50 euros 100 euros

𝑝=1 / 2 𝐸𝑞𝑐 𝐸 (𝐵) 𝑝=1 / 2
Courbe d’utilité et rapport
au risque
• Courbe d’utilité concave: aversion au risque
• Les premiers euros comptent plus que les derniers
Utilité de l’espérance et
utilité espérée
• Il faut distinguer
• L’utilité de l’espérance

• L’utilité espérée (ou espérance d’utilité)

• L’utilité de l’espérance est supérieure à l’utilité

espérée
Equivalent certain
• L’équivalent certain d’un résultat aléatoire est le
gain assuré qui procure le même niveau d’utilité
que l’utilité espérée du résultat aléatoire
• L’agent est indifférent entre la loterie et son
équivalent certain
• Si on lui propose un gain supérieur (20 euros) à son
équivalent certain (18 euros) l’agent est rationnel si
il accepte de renoncer à la loterie
• Pour comparer deux loteries, il faut comparer leur
équivalent certain
Prime de risque
• C’est l’écart entre l’équivalent certain et l’espérance
de gain
• C’est le « plus » que la loterie doit offrir pour
convaincre l’utilisateur de passer d’un résultat
certain à un résultat incertain
Raisonner en
environnement incertain
• Ne pas se contenter de comparer des espérances
mathématiques de gain
• Comparer les équivalents certains des loteries
Expérience aléatoire à
deux résultats possibles
• Il y a une expérience aléatoire commune en
économie, celle qui
• a deux résultats possibles (gain ou perte, succès ou
échec, fonctionnel ou défectueux, etc.)
• lors de la répétition de l’expérience, maintient les
mêmes probabilités pour chacun des deux résultats
possibles
• Ex: lancer une pièce de monnaie, jouer à la loterie,
tester un composant d’un produit
Variable aléatoire
binomiale
• Si on répète l’expérience ayant ces propriétés
• Alors on appelle variable aléatoire binomiale la
variable aléatoire consistant dans le nombre p de
succès obtenus lors de la répétition de n
expériences
• Ex: le fait de tirer 4 fois face sur 6 lancers d’une
pièce de monnaie
Arbre de probabilité et
variable binomiale
S

S E

S
1/3 S
E
R E
2/3 E S
S
E

E S

E
Probabilité d’un « chemin »
• On considère une expérience binomiale avec
probabilité de succès p
• On cherche la probabilité de connaître k succès en
faisant n tentatives
• La probabilité d’un « chemin » à k succès est

• Par ex si p=1/3, la probabilité d’un chemin à 4

succès sur 6 tentatives est
Prendre en compte le
nombre de chemins
• Il n’y a pas qu’un chemin qui donne k succès sur n
tentatives
• Il faut multiplier la probabilité d’un chemin à k
succès par le nombre de chemins pour trouver la
probabilité de connaître k succès sur n tentatives
• Il faut donc calculer le nombre de chemins
Coefficient binomial (1)
• On doit choisir k succès dans n tentatives possibles
• Il y a n façons de choisir le premier succès
• Il y a n-1 façons de choisir le second succès
• Il y a n-2 façon de choisir le troisième succès
• Il y a n-k+1 façons de choisir le dernier succès
• Par ex si je veux choisir 2 succès dans 3 tentatives,
j’ai 3 choix pour le premier succès et 2 choix pour le
second
• Mais Il faut diviser ce résultat par le nombre
d’ordonnancement des deux succès
Coef binomial (exemple)
• Nombres de groupes de 2 personnes prises parmi 3
Coefficient binomial (2)
• On doit choisir k succès dans n tentatives possibles
• Le nombre de choix possibles est le produit du
nombre de choix à chaque étape, divisé par le
nombre d’arrangements des éléments choisis

• Par ex si je veux choisir 2 succès dans 3 tentatives,

j’ai 3 fois 2 choix possibles, divisé par 2
• On appelle le coefficient binomial, ou nombre de
combinaisons de k éléments choisis dans n
éléments. Attention
Coefficient binomial (3)
• Valeurs remarquables

• Identité

• Récurrence
+
Triangle de Pascal
Calcul du coefficient
binomial
• Le coefficient binomial est donné, sur les
calculatrices Casio, par la fonction nCr (option
proba)
• Sur les calculatrices TI, par la fonction
« combinaison »
• Sur tableur, par la fonction COMBIN(n,k)
Loi binomiale
• On peut alors calculer la loi de probabilité d’une
variable aléatoire binomiale X

• Par exemple la probabilité de connaître 3 succès

lors de 4 tentatives avec probabilité de succès 1/3 à
chaque tentative est
• On appelle la loi de probabilité de X la loi binomiale
de paramètres n et p et on la note
 B(20, 0.9)
0.3

0.25

0.2

0.15

0.1

0.05

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Conclusion
• Les agents économiques raisonnent souvent en
termes de probabilité pour prendre leurs décisions
• Ils peuvent estimer ces probabilités
• Sur la base de d’observations statistiques
• Eventuellement en déduisant des probabilités d’autres
probabilités (probabilités conditionnelles)
• Sur la base de leur connaissance de l’expérience
aléatoire (par ex. loi binomiale)