Cours de probabilités pour les professeurs stagiaires

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Cours de probabilités pour les professeurs stagiaires"

Transcription

1 Centre Régional des Métiers de l Education et de la Formation, Derb Ghalef, Casablanca, Maroc Filière : Secondaire qualifiant Specialité : Mathématiques Cours de probabilités pour les professeurs stagiaires Pr. Khalid HATTAF Année de formation :

2 Table des matières 1 Analyse combinatoire Principe fondamental de dénombrement Arrangements Permutations Combinaisons Cardinal d un ensemble fini Phénomènes aléatoires et théorie des probabilités Phénomènes aléatoires Définitions Exemples Opérations sur les événements Définition d une probabilité Probabilité sur des ensembles finis ou dénombrables Probabilité conditionnelle et indépendance Probabilité conditionnelle Indépendance Variables aléatoires Introduction Loi de probabilité

3 3.2.1 Définition Variable aléatoire discrète Variable aléatoire continue Fonction de répartition Espérance mathématique et moments Espérance mathématique Moments Couple de variables aléatoires Loi conjointe et marginale Cas des variables discrètes Cas des variables continues Variables aléatoires indépendantes

4 Chapitre 1 Analyse combinatoire L analyse combinatoire ou le dénombrement est l étude des différentes façons de ranger les objets d un ensemble fini. 1.1 Principe fondamental de dénombrement Si une opération globale peut se décomposer en p opérations élémentaires successives, cesdernièrespouvants effectuer respectivement den 1,n 2,...,n p façonsdifférentes, alors le nombre nombre de façons différentes permettant d effectuer ces opérations est égal p au produit n k. Exemples : k=1 1. Combien existe-t-il de façons différentes de répondre au hasard à un examen de 8 questions du type vrai ou faux? 2. Déterminer le nombre de numéros téléphoniques marocains qui commencent par 06? 3. On suppose qu un professeur stagiaire parmi vous a oublié le code pin de son téléphone portable qui est formé de quatre chiffres différents. Combien des essais qu il faut faire pour obtenir le code? 1.2 Arrangements Définition Soit E un ensemble de n objets. On appelle arrangement de p objets toute suite ordonnée de p objets pris parmi les n objets. 3

5 Chapitre 1 Analyse combinatoire 4 Propriétés : 1. Le nombre d arrangements avec répétition de p objets pris parmi n est n p. 2. Le nombre d arrangements sans répétition de p objets pris parmi n est : A p n = n! (n p)! = n(n 1)...(n p+1). 1.3 Permutations Définition Soit E un ensemble de n objets. On appelle permutation de n objets tout arrangement n à n. Propriétés : 1. Le nombre de permutations (sans répétition) de n objets distincts est n!. 2. Le nombre de permutations (avec répétition) de n objets dont n 1 sont semblables, n 2 sont semblables,..., n p sont semblables est : n! n 1!n 2!...n p!. 1.4 Combinaisons Définition Soit E un ensemble de n objets. On appelle combinaison de p objets parmi n tout sous ensemble de E contenant p objets choisis sans répétition dans E. Propriétés : 1. Le nombre de combinaisons de p objets pris parmi n est : C p n = Ap n p! = n! p!(n p)!. 2. Cn p = Cn p n. 3. C p 1 n 1 +C p n 1 = Cn p (Formule de Pascal). n 4. (a+b) n = Cn k ak b n k (Formule du binôme de Newton). k=0 5. (a 1 +a a p ) n = généralisée). n 1 +n n p=n n! n 1!n 2!...n p! an 1 1 an anp p (Formule du binôme

6 Chapitre 1 Analyse combinatoire Cardinal d un ensemble fini Définition Soit E un ensemble fini. On appelle cardinal de E le nombre des éléments de E noté card(e) ou E. Théorème Si E et F sont deux ensembles finis alors 1. card(e F) = card(e)card(f), où E F est le produit cartésien de E par F. 2. card(e F) = card(e)+card(f) card(e F). 3. card(a(e,f)) = card(f) card(e), où A(E,F) est l ensemble des applications de E dans F. 4. card(p(e)) = 2 card(e), où P(E) est l ensemble des parties de E.

7 Chapitre 2 Phénomènes aléatoires et théorie des probabilités 2.1 Phénomènes aléatoires Définitions 1. Un résultat est dit au hasard ou aléatoire, lorsque on ne peut pas le prédire, mais on peut observer la variabilité de ce résultat et en déduire une loi de cette variabilité. 2. Une épreuve aléatoire c est une expérience qu on peut répéter dans des conditions identiques et qui donne plusieurs résultats. L ensemble de tous les résultats possibles est appelé ensemble fondamental (ou univers) noté Ω. Il peut être fini ou infini, dénombrable ou non-dénombrable. 3. Un évènement est c est tout ce qui peut se réaliser ou pas à la suite d une experience aléatoire. Il peut être considérer comme une partie de Ω Exemples 1. On considère l expérience suivante : un professeur-stagiaire lance un dé cubique à 6 faces et il note la valeur obtenue sur la face supérieure de ce dé. Quel est l univers associé à cette expérience? Comment d écrire l événement A= obtenir un nombre premier? 2. On jette une pièce de monnaie jusqu à ce que face apparaisse, et on compte le nombre de fois que l on a jeté la pièce? Quel est l univers associé à cette expérience? 6

8 Chapitre 2 Théorie des probabilités 7 3. Si on observe la durée de vie d une ampoule électrique, quel est l univers associé à cette expérience? 4. Si on choisit au hasard un nombre a [0,3] et un autre b [ 2,0], quel est l univers associé à cette expérience? Déterminer l événement B= la distance entre a et b soit plus grande que 3? Opérations sur les événements Mathématiquement, on associe un évènement à une partie de Ω. Les opérations logiques se traduisent par des ensembles. Ā = Ac = CΩ A = Ω A, le complémentaire de A est l événement qui est réalisé si et seulement si A n est pas réalisé. Cet événement est appelé événement contraire. A B désigne un événement qui est réalisé si A ou B est réalisé (au moins un des événements A et B est réalisé). A B désigne un événement qui est réalisé si A et B sont réalisés. Lorsque la réalisation de A entraîne la réalisation de B, on écrit A B désigne l événement impossible et Ω est l événement certain. Si A = {a},a Ω est appelé événement élémentaire. Si A B =, on dit que les événements A et B sont incompatibles. Dans ce cas, A et B ne peuvent pas se réaliser simultanément. 2.2 Définition d une probabilité Un moyen de définir la probabilité d un événement est de le faire en termes de fréquence relative. Définition Quand une expérience est répétée un grand nombre de fois, la fréquence relative de réalisation d un événement élémentaire se rapproche d une valeur particulière appelée la probabilité de cet événement élémentaire. D une manière général, la probabilité d un événement A est donnée par : P(A) = lim n n(a) n, avec n(a) est le nombre de fois où A apparaît dans les n premières répétitions de l expérience. Cette définition possède un inconvénient majeur. Dans le cas du lancer d une pièce par exemple, peut-on être sûr que la proportion de pile va tendre vers une limite et que cette limite sera indépendante de la suite de lancers effectuée? Les partisans de cette

9 Chapitre 2 Théorie des probabilités 8 définition en termes de fréquence relative en faisant remarquer que la convergence est une hypothèse ou un axiome, elle ne peut être remise en question. Il est raisonnable de définir la probabilité par des axiomes plus simples et intuitivement acceptable pour essayer de prouver qu une telle limite existe. La modélisation du calcul des probabilités a été inventée par A. N. Kolmogorov dans le livre intitulé Les fondements de la théorie des probabilités paru en Cette modélisation mathématique est faite à partir d un triplet (Ω,τ,P), permettant de traiter le cas où Ω est infini. L idée de Kolmogorov est que l ensemble τ des événements a une structure de tribu. Rappelons qu un sous-ensemble τ de parties de Ω (i.e., τ P(Ω)) est dite une tribu, ou une σ-algebre, si les axiomes suivants sont vérifiés (i) A τ, A c τ (Stabilité par passage au complémentaire) (ii) Pour toute famille dénombrable (A i ) i IN + i=0 A i τ (Stabilité par réunion dénombrable). Le couple (Ω, τ) est appelé espace probabilisable. d éléments de τ, Définition Soit Ω un ensemble fondamental muni d une tribu d événements τ. On appelle probabilité (ou mesure de probabilité) toute application P de τ dans [0, 1] vérifiant les axiomes suivants : (i) P(Ω) = 1, (ii) Pour toute suite d évènements (A i ) i IN disjoints (pour tout i j, A i A j = ), + P( i=0 A i ) = + i=0 P(A i ). Le triplet (Ω, τ, P) est appelé espace de probabilité ou espace probabilisé. Propriétés Soit (Ω, τ, P) un espace de probabilité. On a alors 1. P( ) = Si (A i ) 0 i n une suite finie d événements disjoints, alors n P( A i ) = i=0 n P(A i ). i=0 En particulier, si A et B sont deux événements disjoints alors P(A B) = P(A)+P(B). 3. Pour tout événement A, P(Ā) = 1 P(A). 4. Si A B alors P(A) P(B) et P(B\A) = P(B) P(A).

10 Chapitre 2 Théorie des probabilités 9 5. Si A et B deux événements, mais ne sont pas nécessairement disjoints, alors Exercice : Démontrer ces propriétés. P(A B) = P(A)+P(B) P(A B). 2.3 Probabilité sur des ensembles finis ou dénombrables Soient Ω un ensemble fondamental fini ou dénombrable et τ = P(Ω). Soit ω ω, on note par P ω la probabilité du singleton {ω} et par P i la probabilité du singleton {ω i }, i I IN. Proposition Si P est une probabilité sur (Ω,τ) alors : (i) P ω 0, (ii) w ΩP ω = 1, (iii) A Ω, w A P ω = P(A) et par convention w P ω = 0. Exemple important (Probabilité uniforme) : Soit Ω un ensemble fondamental fini tel que Ω = {ω 1,ω 1,...,ω n }. On suppose que P 1 = P 2 =... = P n = p. Dans ce cas, on dit que les événements sont équiprobables et il est facile de prouver que la probabilité d un événement quelconque A est donnée par : P(A) = card(a) card(ω). Exercice : On jette un dé parfait (i.e. on a la même probabilité d obtenir chaque face). Quelle la probabilité d obtenir un nombre pair? Proposition Soit P ω Ω une famille qui vérifiée : ω Ω, P ω 0 et w ΩP ω = 1. Alors il existe une unique probabilité tels que P(ω) = P ω et pour tout A Ω P(A) = w AP ω.

11 Chapitre 2 Théorie des probabilités 10 Exemples : 1. La loi binomiale : c est la probabilité sur Ω = {0,1,...,n} définie par P k = C i n pk (1 p) n k, où (n,p) IN [0,1] 2. La loi de Poison : c est la probabilité sur Ω = IN définie par P k = λk k! e λ, où k IN et λ [0,+ ) est le paramètre. 3. La loi géométrique : c est la probabilité sur Ω = IN définie par P k = (1 a)a k où a [0,1) est le paramètre. 2.4 Probabilité conditionnelle et indépendance Dans tout ce qui suit, (Ω,τ,P) est un espace probabilisé fixé Probabilité conditionnelle Définition Soient A et B deux événements avec P(A) 0. On définit la probabilité conditionnelle de B sachant que A est réalisé par : P(B/A) = P(A B). P(A) On dit aussi la probabilité de B relativement à A. Exemple : Une urne contient 10 boules rouges et 6 boules noires. On effectue deux tirages successifs sans mettre la première boule dans l urne (tirage sans remise). Quelle est la probabilité d obtenir une boule rouge puis une boule noire? Proposition (Formule des probabilités composées) Soient A i, (i=1,...,n), des événements, alors P(A 1 A 2... A n ) = P(A 1 )P(A 2 /A 1 )P(A 3 /A 1 A 2 )...P(A n /A 1 A 2... A n 1 ). Remarque.SiA n A n 1... A 2 A 1,alorslaformuledesprobabilitéscomposées devient P(A n ) = P(A 1 )P(A 2 /A 1 )P(A 3 /A 2 )...P(A n /A n 1 ). Proposition (Formule des probabilités totales) Soit (A i ) i I IN une partition au plus dénombrablede Ω constitué d événements vérifiant P(A i ) 0. Alors P(B) = P(B/A i )P(A i ). i I

12 Chapitre 2 Théorie des probabilités 11 Remarque important. En pratique, on utilise très souvent cette formule des probabilités totales en conditionnant successivement par un événement et son contraire, c est-à-dire en prenant tout simplement une partition de type (A,Ā), ce qui donne P(B) = P(B/A)P(A)+P(B/Ā)P(Ā). Proposition (Formule de Bayes) Soit (A i ) i I IN une partition au plus dénombrablede Ω constitué d événements vérifiant P(A i ) 0. Alors P(A j /B)) = P(B/A j)p(a j ) P(B/A i )P(A i ). Cette formule dit aussi formule de probabilité des causes. i I Indépendance Intuitivement, deux événements A et B sont indépendants lorsque le fait de savoir que l un quelconque de ces deux événements est réalisé ne modifié pas la probabilité de la réalisation de l autre. Le but de cette section est de préciser ceci mathématiquement et de l étendre à plus de deux événements. Définition (Indépendance de 2 événements) Deux évènements A et B sont dits indépendants si : P(A B) = P(A)P(B). Si P(A) 0 alors P(B/A) = P(B) et on trouve on retrouve la notion intuitive d indépendance : le fait que A se soit réalisé ne modifié pas la probabilité de la réalisation de B. Conséquence : Si A et B sont indépendants alors les couples (Ā,B), (A, B) et (Ā,B) et (Ā, B) sont indépendants. Exercice : Démontrer cette conséquence. Définition (Indépendance 2 à 2 et indépendance mutuelle) Soit (A i ) i I IN une suite d événements. On dit qu ils sont : 2 a 2 indépendants si pour tout couple (i,j) avec i j, A i et A j sont independants; mutuellement indépendants si pour toute partie finie J I, on a P( A i ) = P(A i ). i J i J

13 Chapitre 2 Théorie des probabilités 12 Il est clair que l indépendance mutuelle implique l indépendance 2 à 2. Mais la réciproque est fausse comme le montre l exemple suivant. Exemple : On jette deux pièces de monnaie bien équilibrées. On considère les événements suivants : A = pile apparait sur la premire piece, B = pile apparait sur la deuxime piece, C = pile apparait sur une seule des deux pieces. Vérifier que les événements A, B et C sont 2 a 2 indépendants, mais ils ne sont pas mutuellement indépendants.

14 Chapitre 3 Variables aléatoires 3.1 Introduction La notion de variable aléatoire permet de modéliser des phénomènes aléatoires, on associe à chaque résultat d une épreuve une grandeur mathématique, très souvent un nombre. Mathématiquement parlons, une variable aléatoire réelle X sur un espace probabilisé (Ω,τ,P) est une application de Ω vers IR telle que l inverse de chaque intervalle de IR soit un événement de Ω. Notons que si Ω est un ensemble au plus dénombrable (fini ou dénombrable) alors toute partie de Ω est un événement. Dans ce cas, toute application de Ω vers IR est une variable aléatoire. 3.2 Loi de probabilité Définition Définition La distribution ou la loi de probabilité d une variable aléatoire X sur un ensemble fondamental Ω, est la probabilité P X définie par : P X (B) = P(X 1 (B)) = P(X B) pour tout un intervalle de B de IR. Plusieurs cas se présente suivant des valeurs prises par X. Ces valeurs peuvent être discrètes ou non et l ensemble des valeurs prises par X est notée X(Ω). 13

15 Chapitre 3 Théorie des probabilités Variable aléatoire discrète Dans ce cas X(Ω) est fini ou dénombrable. Si X(Ω) = {x 1,x 2,...,x n } ou X(Ω) = {x 1,x 2,...,x n,...} alors loi de de probabilité de X est entièrement déterminée par la donnée des P i = P(X = x i ). De plus, on a P i 0 et P i = 1. i Exemple : On lance un dé bien équilibré. Si le résultat est pair, le joueur gagne le triple du résultat. Si le résultat est impair, le joueur pert le double du résultat. Soit X la variable aléatoire représentant le gain du joueur. Donner les valeurs possibles de X et sa loi de probabilité Variable aléatoire continue Dans ce cas X(Ω) est une réunion d intervalles de IR et loi de de probabilité de X est entièrement déterminée par la donnée des P(X x), pour tout x IR. Exemple : On tire sur une cible circulaire de rayon R > 0. Supposons que tous les tirs atteignent la cible et que la probabilité d atteindre une partie de la cible est proportionnelle à l aire de cette partie. Soit X la variable aléatoire qui indique la distance du point d impact au centre de la cible. Donner les valeurs possibles de X et sa loi de probabilité. 3.3 Fonction de répartition Définition On appelle appelle fonction de répartition de la variable aléatoire X l application F : IR IR définie par : Propriétés : F(x) = P X (],x]) = P(X ],x]) = P(X x). i) La fonction de répartition est croissante. ii) La fonction de répartition a pour limite 0 en et 1 en +. iii) La fonction de répartition est continue à gauche en tout point. iv) Pour tous réels a et b tels que a b, P(a < X b) = F(b) F(a). Définition Si la fonction de répartition F d une variable aléatoire continue est dérivable sur IR, sauf peut être en un nombre fini de points, et si pour tout x IR on a : P(X x) = F(x) = x f(t)dt,

16 Chapitre 3 Théorie des probabilités 15 avec f est la dérivée de F. On dit que X est une variable aléatoire absolument continue que f est la densité de probabilité (ou fonction de distribution) de X. Remarque : i) Si X est absolument continue de densité de probabilité f on a : Pour tous réels a et b tels que a b, P(a X b) = b f(t)dt = F(b) F(a). a + f(t)dt = 1 et f(t) 0, t IR. ii) Si X est une variable aléatoire discrète on a : Pour tous réels a et b tels que a b, P(a X b) = m i=n P(X = x i), où x i [a,b]. Dans ce cas, F(x) = k i=1 P(X = x i) où x 1,x 2,...,x k x et que F est une fonction en escalier. 3.4 Espérance mathématique et moments Espérance mathématique Définition Soit X une variable aléatoire réelle. Si X prend les valeurs x 1, x 2,..., x n, l espérance de X est définie par : E(X) = n x i P(X = x i ). i=1 Si X prend une infinité dénombrable de valeurs x 1, x 2,..., et +, l espérance de X est définie par : + i=1 x i P(X = x i ) < E(X) = + i=1 x i P(X = x i ). Si X est absolument continue de densité de probabilité f, l espérance de X est définie par : E(x) = + tf(t)dt Moments Définition 3.4.2

17 Chapitre 3 Théorie des probabilités 16 On appelle moment d ordre k d une variable aléatoire X le nombre réel m k défini par : m k = E(X k ). On appelle moment centré d ordre k d une variable aléatoire X le nombre réel µ k défini par : µ k = E((X E(X)) k ). On appelle variance k d une variable aléatoire X le nombre réel V(X) défini par : V(X) = µ 2 = E((X E(X)) 2 ) = E(X 2 ) (E(X)) 2. On appelle ecrart-type d une variable aléatoire X le nombre positif σ défini par : σ = V(X). 3.5 Couple de variables aléatoires Loi conjointe et marginale Définition Soient X et Y deux variables aléatoires. La loi conjointe (ou loi de probabilité) de (X,Y) est définie par sa fonction de répartition : F(x,y) = P(X x,y y), où (X x,y y) = {X x} {X y}. Les lois marginales du couple (X,Y) sont la loi de X, et la loi de Y Cas des variables discrètes Soient X et Y deux variables discrétes. La loi du couple (X,Y) est définie par la donnée des probabilités P(X = x,y = y). De plus, la loi marginale de chacune des variables du couple peut se déduire de la loi conjointe. Par exemple, on retrouve la loi marginale de la variable X en sommant sur toutes les valeurs prises par Y : x X(Ω), P(X = k) = P(X = x,y = y). y Y(Ω) Dans le cas où les variables sont discrètes et prennent un fini nombre de valeurs, on écrit en général la loi du couple sous la forme d un tableau. Exemple : On lance 3 fois une pièce de monnaie bien équilibrée. Soit X la variable aléatoire prenant respectivement les valeurs 0 et 1 selon le premier jet donne pile ou

18 Chapitre 3 Théorie des probabilités 17 face. Y désigne le nombre de pile obtenu. Déterminer la loi conjointe du couple (X,Y) et les lois de X et Y. Définitions : Soient X et Y deux variables aléatoires discrètes. (i) On appelle covariance de X et Y le réel défini par : Cov(X,Y) = E[ ( X E(X) )( Y E(Y) ) ] = E(XY) E(X)E(Y). (ii) On appelle coefficient de corrélation de X et Y le réel défini par : ρ(x,y) = Cov(X,Y) σ(x)σ(y). (iii) On dit que deux variables aléatoires X et Y sont non corrélées si (iv) X et Y sont dites indépendantes si Cov(X,Y) = 0. (x,y) X(Ω) Y(Ω) P(X = x,y = y) = P(X = x)p(x = y), cela signifie que pour tout couple (x,y) X(Ω) Y(Ω), les événements {X = x} et {Y = y} sont indépendants. Propriétés : Soient X et Y deux variables aléatoires et a, b, c, d des réels. Alors, on a les propriétés suivantes : (i) Cov(X,Y) = Cov(Y,X), (ii) Cov(X,X) = V(X), (iii) ρ(ax +b,cy +d) = ρ(x,y), (iv) ρ(x,y) [ 1,1], (v) ρ(x,y) = 1 a,b IR,Y = ax +b. Théorème Soient X et Y deux variables aléatoires réelles indépendantes. On a alors : (i) E(XY) = E(X)E(Y), (ii) V(X +Y) = V(X)+V(Y), en particulier Cov(X,Y )=0. Exemple : Une urne contient 4 boules blanches, 2 boules noires et 4 boules rouges. On extrait de cette urne 3 boules au hasard et sans remise. Soit X le nombre de boules blanches et Y le nombre de boules noires figurant dans l échantillon. 1. Quelle sont les valeurs prises par X et Y? 2. Calculer la loi de probabilité du couple (X,Y) et en déduire le tableau à double entré. 3. Calculer Cov(X,Y) et ρ(x,y).

19 Chapitre 3 Théorie des probabilités Cas des variables continues Dans ce cas (X,Y) prend ses valeurs dans un domaine D IR 2. Soit f une fonction à valeurs réelles définie et continues dans D et qui satisfait aux propriétés suivantes : f(x,y) 0, (x,y) D f(x,y)dxdy = 1. On munit D d une loi de probabilité en posant P({(x,y) A}) = f(x,y)dxdy, A D. D A La fonction f est appelée densité de probabilité du couple (X,Y). La fonction de répartition du couple (X,Y) de densité f est donnée par : F(x,y) = P(X x,y y) = x y f(s, t)dsdt, Réciproquement, si F est donnée, il suffit de dériver(lorsque c est possible) pour obtenir f(x,y) = 2 F s t (x,y). Lorsque (X,Y) est un couple de variables aléatoires de densité f, chacune des variables X et Y admettent des densités que l on appelle densités marginales. On obtient les densités marginales de X et de Y de la manière suivante P(X A) = P(X A,Y IR) ( = A IR f(x,y)dy) dx = f X (x)dx. A Par conséquent, nous avons f X (x) = IR f(x,y)dy. Par symétrie des rôles de x et de y, on obtient f Y (y) = IR f(x,y)dx. Exemple : Soit (X,Y) un couple de variables aléatoires dont la densité conjointe est donnée par { 2e f(x,y) = x e 2y, (x,y) IR 2 +; 0, sinon. Quelle est la loi marginale de la variable X? Calculer la probabilité de l événement (X < Y).

20 Chapitre 3 Théorie des probabilités Variables aléatoires indépendantes Définition Deux variables aléatoires X et Y sont indépendantes si pour tout intervalle A et B de IR on a : P(X A,Y B) = P(X A)P(Y B), où (X A,Y B) = {X A} {X B}. Définition Les variables aléatoires X 1, X 2,..., X n sont mutuellement indépendantes si pour tous intervalles A 1,..., A n de IR on a : P(X 1 A 1,...,X n A n ) = n P(X i A i ). i=1

PROBABILITE SUR UN ENSEMBLE FINI

PROBABILITE SUR UN ENSEMBLE FINI PROBABILITE SUR UN ENSEMBLE FINI Ω est un ensemble fini non vide. On note P(Ω) l ensemble des parties de Ω. Vocabulaire 1. Ω est l univers ou univers des possibles. 2. Toute partie A de Ω est appelée événement.

Plus en détail

Eléments de probabilités

Eléments de probabilités .. Eléments de probabilités Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michael.genin@univ-lille2.fr Plan. 1 Introduction. 2 Expérience aléatoire.

Plus en détail

1. Espaces probabilisés dénombrables

1. Espaces probabilisés dénombrables Probabilités sur un univers dénombrable 12-1 Sommaire 1. Espaces probabilisés dénombrables 1 1.1. Ensemble dénombrables......... 1 1.2. Suite infinie d événements........ 1 1.3. Probabilité sur un univers

Plus en détail

Probabilités. () Probabilités 1 / 46

Probabilités. () Probabilités 1 / 46 Probabilités () Probabilités 1 / 46 1 Dénombrement 2 Probabilités sur un univers fini 3 Variable aléatoire réelle sur un univers fini 4 Variable aléatoire continue () Probabilités 2 / 46 Plan 1 Dénombrement

Plus en détail

Introduction à la théorie des probabilités

Introduction à la théorie des probabilités CHAPITRE I Introduction à la théorie des probabilités 1. Rappels sur les espaces probabilisés Les éléments ci-dessous ne sont que brièvement rappelés car ils sont normalement traités dans un cours d intégration.

Plus en détail

MESURES ET ANALYSES STATISTIQUES DE DONNÉES Probabilités

MESURES ET ANALYSES STATISTIQUES DE DONNÉES Probabilités MESURES ET ANALYSES STATISTIQUES DE DONNÉES Probabilités Master Génie des Systèmes Industriels, mentions ACCIE et RIM Université du Littoral - Côte d Opale, La Citadelle Laurent SMOCH (smoch@lmpa.univ-littoral.fr)

Plus en détail

Expérience aléatoire - modélisation - langage des probabilités

Expérience aléatoire - modélisation - langage des probabilités I Expérience aléatoire - modélisation - langage des probabilités Une expérience aléatoire est une expérience liée au hasard. Les mathématiques interviennent pour apporter un modèle qui comporte un univers

Plus en détail

DÉNOMBREMENT ET PROBABILITÉS

DÉNOMBREMENT ET PROBABILITÉS DÉNOMBREMENT ET PROBABILITÉS H. Hocquard HSE 2016-2017 Hervé Hocquard DÉNOMBREMENT ET PROBABILITÉS 1/36 Probabilités vs Statistiques Exemple introductif Un joueur parie sur le lancer d un dé, s il a raison

Plus en détail

Espaces probabilisés

Espaces probabilisés Espaces probabilisés Dans ce chapitre vous retrouverez tous les résultats vus en première année sur les espaces probabilisés. Aucune démonstration ne sera faite ici, vous pouvez retrouver les démonstrations

Plus en détail

Sommaire. Théorie de l information Cours 1 - Evénements et probabilités dans un espace probabilisé discret. Expérience aléatoire et épreuve.

Sommaire. Théorie de l information Cours 1 - Evénements et probabilités dans un espace probabilisé discret. Expérience aléatoire et épreuve. Sommaire Théorie de l information Cours 1 - Evénements et probabilités dans un espace probabilisé discret Laurent Oudre laurent.oudre@univ-paris13.fr Université Paris 13, Institut Galilée Master Ingénierie

Plus en détail

Les probabilités Le cours

Les probabilités Le cours Chapitre Les probabilités Le cours Avant-propos a) Le mot hasard vient de l arabe az-zahr «le dé». Le mot aléa signifie en latin «jeu de dés, hasard». b) Dans son Essai philosophique sur les probabilités

Plus en détail

MAPSI cours 1 : Rappels de probabilités et statistiques

MAPSI cours 1 : Rappels de probabilités et statistiques MAPSI cours 1 : Rappels de probabilités et statistiques Vincent Guigue LIP6 Université Paris 6, France Buts de l UE MAPSI cours 1 : Rappels de probabilités et statistiques 2/39 Fonctionnement de l UE Rappels

Plus en détail

Ch 07 Probabilités. Exemple Reprendre l exemple précédent et définir la loi de probabilité de X.

Ch 07 Probabilités. Exemple Reprendre l exemple précédent et définir la loi de probabilité de X. Ch 07 Probabilités I VARIABLE ALEATOIRE ET LOI DE PROBABILITE I.1 - d une variable aléatoire On appelle variable aléatoire discrète toute application X de Ω dans IR. L ensemble des valeurs prises par X,

Plus en détail

Variables aléatoires réelles

Variables aléatoires réelles Variables aléatoires réelles Table des matières 1 Généralités sur les variables aléatoires réelles. 3 1.1 Rappels sur les σ-algèbres ou tribus d événements................................. 3 1.2 σ-algèbre

Plus en détail

Rappels de théorie des probabilités

Rappels de théorie des probabilités Rappels de théorie des probabilités 1. modèle probabiliste. 1.1. Univers, événements. Soit un ensemble non vide. Cet ensemble sera appelé l univers des possibles ou l ensemble des états du monde. Dans

Plus en détail

TD 2 - Espaces probabilisés - probabilités - probabilités conditionnelles

TD 2 - Espaces probabilisés - probabilités - probabilités conditionnelles Université de Toulon M1 MEEF Mathématiques Le cours TD 2 - Espaces probabilisés - probabilités - probabilités conditionnelles Expériences aléatoires. Univers. Issues. Probabilité : Cas discret. Une expérience

Plus en détail

Chapitre 6 Couples et suites de variables aléatoires discrètes

Chapitre 6 Couples et suites de variables aléatoires discrètes Chapitre 6 Couples et suites de variables aléatoires discrètes I Couples de variables aléatoires réelles discrètes Dans toute cette partie, on considère X et Y deux variables aléatoires réelles discrètes

Plus en détail

Variables aléatoires discrètes. Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω.

Variables aléatoires discrètes. Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω. Variables aléatoires discrètes I. Définitions 1. Définition d une variable aléatoire : Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω. On appelle variable aléatoire et on

Plus en détail

UV Statistique pour l'ingénieur. Cours n 1. Introduction. Rappels de probabilités. Variables aléatoires

UV Statistique pour l'ingénieur. Cours n 1. Introduction. Rappels de probabilités. Variables aléatoires UV Statistique pour l'ingénieur Cours n 1 Introduction Rappels de probabilités Variables aléatoires Principales lois discrètes et distributions continues 1 Objectif : Statistique pour l'ingénieur Prise

Plus en détail

Chapitre 2: Les généralités du calcul des probabilités.

Chapitre 2: Les généralités du calcul des probabilités. Chapitre 2: Les généralités du calcul des probabilités. 1 Introduction Le modèle du chapitre un (univers fini) n est pas suffisant. Ainsi par exemple, dans l expérience aléatoire "jouer à pile où face

Plus en détail

p(x = k) = a ( n+k p(x = k) = 1 a k + k=0 p k, on peut en déduire la valeur de a. (série géométrique)

p(x = k) = a ( n+k p(x = k) = 1 a k + k=0 p k, on peut en déduire la valeur de a. (série géométrique) Colle PC Semaines 9 et 20 204-205 Programme : Variables aléatoires discrètes : Loi, Fonction de répartition, Espérance, Variance et écart-type, Théorème du transfert, Inégalités de Marov et Bienaymé Tchebichev

Plus en détail

Chapitre 10 : Conditionnement et indépendance.

Chapitre 10 : Conditionnement et indépendance. Chapitre 10 : Conditionnement et indépendance. Dans ce chapitre, nous allons donner un sens mathématique au mot «indépendance». Nous pourrons alors modéliser les répétitions indépendantes d expériences

Plus en détail

Informatique et aléatoire

Informatique et aléatoire Massih-Reza Amini Université Joseph Fourier (UJF) Laboratoire d Informatique de Grenoble (LIG) 2/20 A quoi nous servent les statistiques? Statistique d après E. Universalis Le mot statistique désinge à

Plus en détail

Espaces probabilisés Introduction Événements

Espaces probabilisés Introduction Événements 21 Espaces probabilisés 21.1 Introduction De façon intuitive, une expérience aléatoire est une expérience dont le résultat ne peut être annoncé avec certitude a priori, c est-à-dire avant la réalisation

Plus en détail

1. Donner la loi, l espérance et la variance de X 1.

1. Donner la loi, l espérance et la variance de X 1. Exercice 1 On considère une urne contenant n boules numérotées portant des numéros deux à deux distincts. Un premier joueur effectue dans l urne des tirages sans remise jusqu à ce qu il obtienne la boule

Plus en détail

Combinatoire et dénombrement

Combinatoire et dénombrement Exercices de probabilités 1 Combinatoire et dénombrement Exercice 1 On considère un polygone convexe à n sommets. 1. Combien de diagonales ce polygone admet-t-il? 2. En combien de points intérieurs au

Plus en détail

Variables aléatoires réelles

Variables aléatoires réelles 23 Variables aléatoires réelles Pour ce paragraphe, (Ω, B, P est un espace probabilisé. 23.1 Définition et propriétés des variables aléatoires réelles Définition 23.1 On dit qu une application X : Ω R

Plus en détail

Statistique descriptive et inférentielle. L1 Sociologie Quantitative.

Statistique descriptive et inférentielle. L1 Sociologie Quantitative. Statistique descriptive et inférentielle AMIRI Aboubacar L1 Sociologie Quantitative. 10 avril 2015. Université Lille 3 Plan du cours 1 Introduction Plan du cours 1 Introduction 2 Calcul des probabilités

Plus en détail

Couples de variables aléatoires réelles

Couples de variables aléatoires réelles Couples de variables aléatoires réelles Table des matières 1 Définition d un couple de variables aléatoires. 2 2 Loi d un couple de variables aléatoires réelles. 2 3 Indépendance de deux variables aléatoires.

Plus en détail

Variables aléatoires discrètes

Variables aléatoires discrètes Université de Reims Champagne Ardenne UFR Sciences Exactes et Naturelles Année universitaire 013-014 MA 0804 - Master 1 CM Variables aléatoires discrètes 1 Dénition Soit Ω un univers et S une tribu sur

Plus en détail

1 Probabilités-Rappel

1 Probabilités-Rappel Chapitre Probabilités sur un ensemble fini - Probabilités conditionnelles 1 Probabilités-Rappel On lance un dé non truqué à six faces numérotées de 1 à 6 et on note le nombre figurant sur la face supérieure

Plus en détail

Probabilités. 1 Analyse combinatoire. 1.1 Principe fondamental de dénombrement

Probabilités. 1 Analyse combinatoire. 1.1 Principe fondamental de dénombrement Institut Galilée Licence SPI 2ème année, semestre 4 Mathématiques 2010-2011 Probabilités 1 Analyse combinatoire 1.1 Principe fondamental de dénombrement Théorème 1.1 Supposons qu'il faille réaliser deux

Plus en détail

Chapitre 2 : Axiomes du calcul des probabilités

Chapitre 2 : Axiomes du calcul des probabilités Chapitre 2 : Axiomes du calcul des probabilités L2 Eco-Gestion, option AEM (L2 Eco-Gestion, option AEM) Chapitre 2 : Axiomes du calcul des probabilités 1 / 19 Objectif But de la théorie des probabilités

Plus en détail

Exercices pour le cours PS1

Exercices pour le cours PS1 Exercices pour le cours PS1 1. ENSEMBLES ET DÉNOMBREMENTS Exercice 1.1. Dans l ensemble Ω = {1, 2, 3, 4, 5, 6}, on considère les trois sous-ensembles Déterminer les sous-ensembles suivants A (B C) (A B)

Plus en détail

Cours de Terminale S /Probabilités : conditionnement et indépendance. E. Dostal

Cours de Terminale S /Probabilités : conditionnement et indépendance. E. Dostal Cours de Terminale S /Probabilités : conditionnement et indépendance E. Dostal aout 2013 Table des matières 6 Probabilités : conditionnement et indépendance 2 6.1 Généralités............................................

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Chapitre 4 PROBABILITES TES

Chapitre 4 PROBABILITES TES Chapitre 4 PROBABILITES TES «En augmentant le nombre d observations, nous augmentons continuellement la probabilité d atteindre le rapport réel entre les nombres des cas qui font qu un événement peut arriver

Plus en détail

Exercices pour le cours PS1

Exercices pour le cours PS1 Exercices pour le cours PS1 1. ENSEMBLES ET DÉNOMBREMENTS Exercice 1.1. Dans l ensemble Ω = {1, 2, 3, 4, 5, 6}, on considère les trois sous-ensembles Déterminer les sous-ensembles suivants A (B C) et (A

Plus en détail

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique Support du cours de Probabilités et Statistiques IUT d Orléans, Département informatique Pierre Andreoletti IUT d Orléans, Département Informatique Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences)

Plus en détail

Chapitre III : Probabilités discrètes

Chapitre III : Probabilités discrètes Chapitre III : Probabilités discrètes Extrait du programme : I. Rappels a. Définitions Prop 1 : Une probabilité est toujours comprise entre 0 et 1. Prop 2 Si A est l événement certain, p(a) = 1. Si A est

Plus en détail

Reconnaissance de forme: Rappels de probabilités et de statistiques

Reconnaissance de forme: Rappels de probabilités et de statistiques Reconnaissance de forme: Rappels de probabilités et de statistiques 1 er février 2010 Plan 1 Introduction : pourquoi des probabilités? 2 Notions de probabilités 3 Statistiques et estimation Introduction

Plus en détail

Probabilité, variable aléatoire. Loi binomiale

Probabilité, variable aléatoire. Loi binomiale DERNIÈRE IMPRESSION LE 9 juin 05 à 9:0 Probabilité, variable aléatoire. Loi binomiale Table des matières Loi de probabilité. Conditions préalables............................ Définitions..................................

Plus en détail

Probabilités (Année spéciale) Cours S4. Version du 28 décembre 2011

Probabilités (Année spéciale) Cours S4. Version du 28 décembre 2011 Probabilités (Année spéciale) Cours S4 Version du 28 décembre 2011 Université Paul Sabatier - Toulouse 3 IUT de Toulouse 3 A Département GEA PONSAN Clement Rau clement.rau@iut-tlse3.fr Table des matières

Plus en détail

Statistique décisionnelle

Statistique décisionnelle Statistique décisionnelle Eugen Ursu Université Bordeaux IV E.Ursu (Université Bordeaux IV) L2S3 3 octobre 2012 1 / 36 Chapitre 2 : Variables aléatoires réelles 1 Introduction 2 Loi d une variable aléatoire

Plus en détail

SERIE 1 Statistique descriptive.

SERIE 1 Statistique descriptive. Université Abdelmalek Essaadi. Ecole Nationale des Sciences Appliquées - Tétouan - Cycle Ingénieur. S1. Module Proba-Stat. A/U: 2011-2012. M. CHERKAOUI 0 - Statistique descriptive. Contenu du module. -

Plus en détail

p(a) = 10 3 = 220 = 0, 22

p(a) = 10 3 = 220 = 0, 22 Colle PCSI Corrections Semaine 01-014 EXERCICE 1 : Une urne contient 10 boules numérotées de 1 à 10. On tire trois fois de suite une boule avec remise. Le résultat des trois tirages successifs avec remise

Plus en détail

Théorie des probabilités

Théorie des probabilités Théorie des probabilités La théorie discrète des probabilités s occupe d évènements dans le cadre d un univers dénombrable. Exemples: Lancer de dés, expériences avec des paquets de cartes, et marche aléatoire.

Plus en détail

Banque épreuve orale de mathématiques session 2015, CCP-MP Mise à jour : 15/09/14

Banque épreuve orale de mathématiques session 2015, CCP-MP Mise à jour : 15/09/14 EXERCICE 94 algèbre Soit E un espace vectoriel réel de dimension finie n>0 et u 2 L(E) tel que u 3 + u 2 + u =0. On notera Id l application identité sur E. 1. Montrer que Imu ker u = E. 2. (a) Énoncer

Plus en détail

Probabilités. I Probabilités élementaires. Définition. Définition. Exemple. Exemple. Remarque. Exercice 01

Probabilités. I Probabilités élementaires. Définition. Définition. Exemple. Exemple. Remarque. Exercice 01 Probabilités I Probabilités élementaires Une urne contient trois boules : une bleue, une rouge, une verte. On tire une boule de l'urne et on note sa couleur. L'ensemble des résultats possibles (éventualités)

Plus en détail

Loi d une variable aléatoire réelle

Loi d une variable aléatoire réelle Licence Math et MASS, MATH504 : probabilités et statistiques Loi d une variable aléatoire réelle On introduit la notion de variable aléatoire dans le cas réel ainsi que la notion fondamentale de loi d

Plus en détail

3 Variables aléatoires et distributions des probabilités

3 Variables aléatoires et distributions des probabilités 3 Variables aléatoires et distributions des probabilités 3.1 Variables aléatoires Après avoir réalisé une expérience, il arrive bien souvent qu on s intéresse plus à une fonction de résultat qu au résultat

Plus en détail

Variables Aléatoires Continues

Variables Aléatoires Continues Novembre 2010 Plan du Chapitre 1. Généralités 2. Variables Continues Usuelles 3. Espérance et Variance 4. Couple de Variables Aléatoires 5. Covariance et Corrélation 6. Autres Variables Continues Usuelles

Plus en détail

Couples de variables aléatoires réelles à densité

Couples de variables aléatoires réelles à densité Université de Picardie Jules Verne 20-202 UFR des Sciences - Généralités Licence mention Mathématiques - Semestre 4 Probabilités Couples de variables aléatoires réelles à densité Soient,A,P un espace probabilisé

Plus en détail

Travaux Dirigés 1 Introduction aux probabilités

Travaux Dirigés 1 Introduction aux probabilités Université Pierre et Marie Curie LM231 Année 2010-2011 Semestre 2 Travaux Dirigés 1 Introduction aux probabilités Dans la suite, pour tout entier naturel n, nous notons N n = {0,...,n} et N n = N n \{0}

Plus en détail

Chapitre 6 Couples et suites de variables aléatoires discrètes

Chapitre 6 Couples et suites de variables aléatoires discrètes Mr Dunstetter - ENC-Bessières 204\205 Chapitre Couples et suites de variables aléatoires discrètes I Couples de variables aléatoires discrètes : dénitions Dans toute cette partie, on considère X et Y deux

Plus en détail

TD N O 8 ESPACES PROBABILISÉS FINIS CORRIGÉ

TD N O 8 ESPACES PROBABILISÉS FINIS CORRIGÉ Lycée Dupuy de Lôme 0/07 Mathématiques ECS TD N O ESPACES PROBABILISÉS FINIS CORRIGÉ Un jeu de cartes comporte cartes. On en choisit au hasard qui forment une main.. Quelle est la probabilité d obtenir

Plus en détail

3. Une urne contient n boules numérotées de 1 à n. On tire simultanément k boules (k n) dans cette urne. Le nombre de tirages possibles est.

3. Une urne contient n boules numérotées de 1 à n. On tire simultanément k boules (k n) dans cette urne. Le nombre de tirages possibles est. Université des Sciences Sociales et de Gestion de Bamao (USSGB) Faculté des Sciences Economiques et Gestion (FSEG) Statistiques mathématiques Travaux dirigés fiche N 0 1 Exercice 1 Il ya au moins une réponse

Plus en détail

Variables aléatoires discrètes

Variables aléatoires discrètes Marino Alexandre Feuille d exercices 20 Massena ECS Variables aléatoires discrètes Les exercices à regarder sont mentionnés par une *. Loi de probabilité et fonction de répartition (*)Exercice : Une urne

Plus en détail

Exercices : Couples et suites de VAR discrètes

Exercices : Couples et suites de VAR discrètes Exercices : Couples et suites de VAR discrètes Exercice : Une urne contient 2 boules blanches et n 2 boules rouges. On effectue n tirages sans remise de cette urne. On appelle X le rang de sortie de la

Plus en détail

TD2. Probabilité sur un ensemble dénombrable.

TD2. Probabilité sur un ensemble dénombrable. Université Pierre & Marie Curie Licence de Mathématiques L3 UE LM345 Probabilités élémentaires Année 2014 15 TD2 Probabilité sur un ensemble dénombrable 1 a Soit (Ω, F, P) un espace de probabilités Soit

Plus en détail

Probabilités. Exemple d application 1 : On effectue un lancé de dé à six faces, numérotées de 1 à 6. On définie les quatre événements suivants :

Probabilités. Exemple d application 1 : On effectue un lancé de dé à six faces, numérotées de 1 à 6. On définie les quatre événements suivants : I- Définitions et propriétés Probabilités Exemple d application 1 : On effectue un lancé de dé à six faces, numérotées de 1 à 6. On définie les quatre événements suivants : E 1 : Avoir un chiffre pair

Plus en détail

Chapitre 8 : Probabilités Terminale ES 1, , Y. Angeli

Chapitre 8 : Probabilités Terminale ES 1, , Y. Angeli Chapitre 8 : Probabilités -0-03-- Terminale ES, 200-20, Y. Angeli. Vocabulaire Définition. Une expérience aléatoire est processus dont l issue est incertaine. L univers d une expérience aléatoire est l

Plus en détail

mp* : révisions pour l écrit - Probabilités

mp* : révisions pour l écrit - Probabilités mp* 14-15 : révisions pour l écrit - Probabilités I Chapitres concernés P0, P1, P2, P3, P4, P5 II Questions de cours les plus classiques On ne les connaît pas encore...mais il est prudent de savoir Démontrer

Plus en détail

Exercices sur la loi binomiale

Exercices sur la loi binomiale Exercices sur la loi binomiale Christian CYRILLE 1 août 201 "Si le monde était vraiment gouverné par le hasard, il n y aurait pas autant d injustices. Car le hasard est juste." Ferdinando Galiani 1 Exercice

Plus en détail

I. Variable aléatoire discrète

I. Variable aléatoire discrète I. Variable aléatoire discrète a. Epreuve de Bernoulli Définition : Une épreuve de Bernoulli est une expérience aléatoire à deux issues : pile ou face, oui ou non, gagner ou perdre, etc. On notera S le

Plus en détail

2 Expérience aléatoire, probabilité, probabilité conditionnelle

2 Expérience aléatoire, probabilité, probabilité conditionnelle Leçon n o 2 Expérience aléatoire, probabilité, probabilité conditionnelle 9 Niveau Lycée Prérequis théorie des ensembles Références [7], [8] 2.1 Expérience aléatoire, événements 2.1.1 Expérience aléatoire

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL, constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Annexe C. Analyse Combinatoire. C.1 Principe Fondamental de dénombrement

Annexe C. Analyse Combinatoire. C.1 Principe Fondamental de dénombrement Annexe C Analyse Combinatoire C.1 Principe Fondamental de dénombrement Ce principe, principe multiplicatif, est essentiel dans la suite, grossièrement, il dit que si une expérience peut produire m résultats

Plus en détail

Espaces probabilisés

Espaces probabilisés Espaces probabilisés Exercice 1. Vrai ou faux? Dire si chaque affirmation est vraie (alors la prouver) ou fausse (donner un contre-exemple) : 1) Si est un univers et A; B alors f?; ; A; A; B; Bg est une

Plus en détail

Ch. 2 : Notions de théorie des probabilités

Ch. 2 : Notions de théorie des probabilités U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Ch. 2 : Notions de théorie des probabilités 1 Rappels de combinatoire. Le but de la combinatoire est de dénombrer

Plus en détail

Probabilités (rappels de 1 ère )

Probabilités (rappels de 1 ère ) I Description d une expérience aléatoire Probabilités (rappels de ère ) Lorsque l on effectue une expérience aléatoire (qui dépend du hasard), rien ne peut nous laisser prévoir le résultat. Exemple : on

Plus en détail

ESPACES PROBABILISES FINIS

ESPACES PROBABILISES FINIS Lycée de l Essouriau Année 2013-2014 PCSI ESPACES PROBABILISES FINIS Exercice 1 Langage ensembliste. Trois enfants, Arthur, Béatrice et Cécile, lancent chacun un ballon en direction d un panier de basket.

Plus en détail

Chapitre 14 : Variables aléatoires finies

Chapitre 14 : Variables aléatoires finies Chapitre 14 : Variables aléatoires finies Dans tout ce chapitre, (Ω, P(Ω)) est un espace probabilisable fini. 1 Motivation Prenons un exemple : on considère l expérience aléatoire obtenue par le jet de

Plus en détail

Probabilités et variables aléatoires

Probabilités et variables aléatoires Résumé Ce chapitre introduit les concepts essentielles des modèles probabilistes afin d aborder l inférence statistique : définition d un événement aléatoire, des probabilités discrètes ou continues, des

Plus en détail

PROBABILITÉS. I Langage des événements :

PROBABILITÉS. I Langage des événements : PROAILITÉS Activité de recherche : Arnaque à la foire? Un forain organise des jeux basés sur le tirage simultané de trois boules, dans une urne qui contient cinq boules numérotées 0; 1; 2; 3 et 5. Le joueur

Plus en détail

Réseaux de neurones : rappels de probabilités et statistiques

Réseaux de neurones : rappels de probabilités et statistiques Réseaux de neurones : rappels de probabilités et statistiques Fabrice Rossi http://apiacoa.org/contact.html. Université Paris-IX Dauphine Réseaux de neurones Rappels de probabilités et statistiques p.1/49

Plus en détail

Corrigés des exercices : Variables aléatoires, lois classiques

Corrigés des exercices : Variables aléatoires, lois classiques Chapitre 4 Corrigés des exercices : Variables aléatoires, lois classiques. * Soit X une v.a.r. discrète prenant les valeurs, 4, et 6. Déterminer la loi de probabilité dex sachant que: P ([X

Plus en détail

Notion de variable aléatoire réelle discrète

Notion de variable aléatoire réelle discrète Université de Picardie Jules Verne 011-01 UFR des Sciences Licence mention Mathématiques et mention Informatique parcours MIAGE - Semestre 3 Statistique et Probabilités otion de variable aléatoire réelle

Plus en détail

Probabilités et Statistiques - M115

Probabilités et Statistiques - M115 Probabilités et Statistiques - fournie@mip.ups-tlse.fr 1/60 Définitions ("intuitives") Représentation Caractéristiques de position Population ensemble de référence (unités observées) Echantillon sous ensemble

Plus en détail

Probabilités. Pour une expérience aléatoire, la probabilité p de l événement A se défini comme f a p(a) = lim n n.

Probabilités. Pour une expérience aléatoire, la probabilité p de l événement A se défini comme f a p(a) = lim n n. Probabilités Pour une expérience aléatoire, la probabilité p de l événement A se défini comme f a p(a) = lim n n. Le nombre de permutations de n éléments distincts est p e = n! = n 1 i=0 (n i) = n (n 1)

Plus en détail

Variables aléatoires discrètes : loi et espérance.

Variables aléatoires discrètes : loi et espérance. Université Pierre et Marie Curie 2013-2014 Probabilités élémentaires - LM345 Feuille 4 (semaine du 7 au 11 octobre 2012) Variables aléatoires discrètes : loi et espérance. 1. Espérance et probabilité Soit

Plus en détail

1 Probabilités-Rappel

1 Probabilités-Rappel Chapitre Probabilités sur un ensemble fini-variable aléatoire 1 Probabilités-Rappel On lance un dé non truqué à six faces numérotées de 1 à 6 et on note le nombre figurant sur la face supérieure du dé.

Plus en détail

Chantal Menini 7 mai 2009

Chantal Menini 7 mai 2009 Description mathématique d une expérience aléatoire : événements élémentaires, événements, probabilité (on se limitera au cas où l ensemble d événements élémentaires est fini. Chantal Menini 7 mai 2009

Plus en détail

Variables aléatoires indépendantes

Variables aléatoires indépendantes Variables aléatoires indépendantes Nous aurons besoin dans la suite de parler de la notion de variables aléatoires indépendantes (et plus généralement mutuellement indépendantes). On en donne ici la définition

Plus en détail

Couples et vecteurs de variables aléatoires Préparation à l agrégation interne

Couples et vecteurs de variables aléatoires Préparation à l agrégation interne Couples et vecteurs de variables aléatoires Préparation à l agrégation interne 1 Couples et vecteurs aléatoires discrets 1.1 Loi conjointe On se donne X et Y deux variables aléatoires discrètes avec X(Ω)

Plus en détail

PROBABILITÉS. II Rappels : Calcul de probabilités 4

PROBABILITÉS. II Rappels : Calcul de probabilités 4 PROBABILITÉS Table des matières I Rappels : Vocabulaire des événements 2 I. Vocabulaire.............................................. 2 I.2 Intersection et réunion d événements................................

Plus en détail

F 3 Reproduire cet arbre et placer les probabilités F 2 sur les branches.

F 3 Reproduire cet arbre et placer les probabilités F 2 sur les branches. Sujet Centres Étrangers 203 EXERCICE. [6 pts] Lois continues Un industriel fabrique des vannes électroniques destinées à des circuits hydrauliques. Les quatre parties A, B, C, D sont indépendantes. Partie

Plus en détail

Cours d introduction

Cours d introduction École Polytechnique Universitaire Pierre et Marie Curie Cours d introduction Électronique et informatique Sciences de la Terre Robotique Probabilités 2015 2 Université Pierre et Marie Curie 4 place Jussieu

Plus en détail

LOIS DE PROBABILITÉ NOTES DE COURS

LOIS DE PROBABILITÉ NOTES DE COURS LOIS DE PROBABILITÉ NOTES DE COURS 1. Introduction En théorie des probabilités et en statistique, une loi de probabilité décrit le comportement aléatoire d un phénomène dépendant du hasard. L étude des

Plus en détail

Probablilités et Statistiques pour l Informatique.

Probablilités et Statistiques pour l Informatique. UNIVERSITÉ PARIS DESCARTES Licence Informatique 2e année Notes du cours Probablilités et Statistiques pour l Informatique. Version du 5 octobre 2015. La version la plus récente de ces notes de cours se

Plus en détail

Chapitre V : Probabilité : conditionnement et indépendance

Chapitre V : Probabilité : conditionnement et indépendance Chapitre V : Probabilité : conditionnement et indépendance A- Variables aléatoires et lois de probabilités I Loi d une variable aléatoire 1) Définition d une variable aléatoire Exemple : Un jeu de hasard

Plus en détail

PROBABILITÉS. Examen - Première session - Décembre heures

PROBABILITÉS. Examen - Première session - Décembre heures UNIVERSITÉ DE CERGY U.F.R. Economie et Gestion Licence d Économie et Gestion L - S3 PROBABILITÉS Examen - Première session - Décembre 0 - heures Les exercices sont indépendants et peuvent être traités

Plus en détail

Introduction. I Statistique descriptive 1

Introduction. I Statistique descriptive 1 Table des matières Introduction xiii I Statistique descriptive 1 1 Généralités 3 1.1 Vocabulaire (réf. ISO 3534-1/1993) 3 1.2 Collecte de l'information 4 1.3 Dépouillement de l'information 4 1.3.1 Tableaux

Plus en détail

COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ

COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ Chapitre 8 : COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ ECS2 Lycée La Bruyère, Versailles Année 2015/2016 1 Généralités sur les variables aléatoires réelles 2 1.1 Généralités.............................................

Plus en détail

Polycopie en Mathématique

Polycopie en Mathématique République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique UNIVERSITÉ MOHAMED KHIDER, BISKRA FACULTÉ des SCIENCES EXACTES et des SCIENCES de la

Plus en détail

Probabilités. Chapitre Vocabulaire des ensembles. Sommaire

Probabilités. Chapitre Vocabulaire des ensembles. Sommaire Chapitre 7 Probabilités Sommaire 7.1 Vocabulaire des ensembles.............................................. 93 7.2 Expériences aléatoires................................................. 94 7.2.1 Issues,

Plus en détail

Plan. Probabilités, statistiques, signaux aléatoires. Mohamed CHETOUANI Probabilités et Statistiques. Processus aléatoires

Plan. Probabilités, statistiques, signaux aléatoires. Mohamed CHETOUANI Probabilités et Statistiques. Processus aléatoires , statistiques, signaux aléatoires Mohamed CHETOUANI Mohamed.Chetouani@upmc.fr et Statistiques Processus aléatoires Caractérisation temporelle et statistique de signaux aléatoires Rappels de probabilité

Plus en détail

TD 3 et 4 : Processus à temps discret et Martingales

TD 3 et 4 : Processus à temps discret et Martingales 2009 - Université Paris VI Master 1 : Introduction au calcul stochastique pour la finance (MM054) TD 3 et 4 : Processus à temps discret et Martingales 1. Questions basiques sur les filtrations 1. Une union

Plus en détail

Correction des exercices du cours de Probabilités

Correction des exercices du cours de Probabilités Correction des exercices du cours de Probabilités Exercice n 1.1.1 : On jette 4 dés, l ensemble des tirages est donc Ω = {1,...,6} 4 qui est un ensemble fini, on choisit naturellement comme tribu la tribu

Plus en détail

TD-COURS

TD-COURS 19-1- 2012 J.F.C. Td-Var p. 1 TD-COURS 8 2011-2012 RÉVISIONS ET COMPLÉMENTS SUR LES PROBABILITÉS ET LES VARIABLES ALÉATOIRES RÉELLES. Ensemble dénombrable. Tribu, tribu engendrée, espace probabilisable

Plus en détail