Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Espace de Probabilité
1. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Probabilités pour ingénieurs
Chapitre 1 : Espace de Probabilté
I. MEDARHRI
ENSMR, École Nationale Supérieure des Mines de Rabat
2019-2020
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
2. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Le paradoxe des anniversaires
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
3. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Le paradoxe des anniversaires est une estimation probabiliste du
nombre de personnes que l’on doit réunir pour avoir une chance
sur deux que deux personnes de ce groupe aient leur anniversaire le
même jour. Il se trouve que ce nombre est 231, ce qui choque un
peu l’intuition. À partir d’un groupe de 57 personnes, la probabilité
est supérieure à 99 %.
Cependant, il ne s’agit pas d’un paradoxe dans le sens de
contradiction logique ; c’est un paradoxe, dans le sens où c’est une
vérité mathématique qui contredit l’intuition : la plupart des gens
estiment que cette probabilité est très inférieure à 50 %.
p(n) =
365!
(365 − n)!
·
1
365n
p(n) = 1 − p(n)
Cette étude est due à Richard von Mises.
Problème de Monty-Hall : Wikipedia, Jeu interactif
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
4. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Plan
1 Introduction
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
2 Quelques concepts de base
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
3 Probabilités
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
5. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Comment les probabilités interviennent-elles dans la vie de tous les
jours ?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
6. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
les probabilités
7. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
les probabilités
Économie
8. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
les probabilités
Économie
Biologie
9. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
les probabilités
Économie
Biologie
Psychologie
10. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
les probabilités
Économie
Biologie
Psychologie
Les sciences
de l’ingénieur
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
11. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Domaines d’application des probabilités
Probabilité en Science de l’Ingénierie
La théorie des systèmes et le traitement du signal
L’ingénierie des procédés chimiques
La production mécanique
L’aéronautique et le domaine des transports
L’informatique
La géologie et la construction
Les télécommunications
L’ingénierie biomédicale,....
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
12. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
La théorie des probabilités a mis beaucoup de temps à
émerger
Très certainement d’origine arabe: az-zahr: le dé.
En Inde, 4ème siècle,existence d’une science du dé et
connaissance de ses rapports étroits avec une évaluation de
type sondage. (Le Mahabharata)
En Europe, aux 16-17èmes siècles, émergence d’une science
du jeu de dé.Cardan, Kepler, Galilée.
Théorie rigoureuse: Pascal.
Résolution de controverses juridiques (Fermat, Leibniz).
Autre impulsion motivée par des problèmes d’assurance
(tables de mortalité et rentes viagères).
Développement des Statistiques: outil puissant pour les
organismes de décision...
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
13. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Les développements mathématiques
Les probabilités sont un outil privilégié de modélisation des
comportements humains, mais deviennent aussi un grand champ
de développement des Mathématiques.
19ème siècle et début 20ème siècle: Essor des probabilités
grâce aux méthodes d’analyse.
Calcul intégral et différentiel (Laplace, Gauss)
Théorie de la mesure (Borel, Lebesgue).
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
14. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Les développements mathématiques
Les probabilités sont un outil privilégié de modélisation des
comportements humains, mais deviennent aussi un grand champ
de développement des Mathématiques.
19ème siècle et début 20ème siècle: Essor des probabilités
grâce aux méthodes d’analyse.
Calcul intégral et différentiel (Laplace, Gauss)
Théorie de la mesure (Borel, Lebesgue).
A partir du 20ème siècle: Etude de phénomènes aléatoires qui
évoluent au cours du temps.Processus de Markov
Problèmes de Physique statistique, Mouvement Brownien.
Problèmes de démographie. Processus de branchement,
Processus de Poisson.
Théorie statistique, biométrie
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
15. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Aujourd’hui
Le modèle probabiliste actuel: Kolmogorov - 1933.
Calcul stochastique: Itô, à partir de 1945. Calcul intégral lié
au mouvement brownien.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
16. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Aujourd’hui
Le modèle probabiliste actuel: Kolmogorov - 1933.
Calcul stochastique: Itô, à partir de 1945. Calcul intégral lié
au mouvement brownien.
Très grand essor dans la deuxième moitié du 20ème siècle.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
17. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Aujourd’hui
Le modèle probabiliste actuel: Kolmogorov - 1933.
Calcul stochastique: Itô, à partir de 1945. Calcul intégral lié
au mouvement brownien.
Très grand essor dans la deuxième moitié du 20ème siècle.
Les probabilités interviennent dans de nombreux
développements mathématiques récents
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
18. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Probabilité vs Statistique
Probabilités :
Modèle est complètement spécifié
But est d’exploiter le modèle pour prendre des décisions
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
19. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Probabilité vs Statistique
Probabilités :
Modèle est complètement spécifié
But est d’exploiter le modèle pour prendre des décisions
Raisonnement déductif
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
20. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Probabilité vs Statistique
Probabilités :
Modèle est complètement spécifié
But est d’exploiter le modèle pour prendre des décisions
Raisonnement déductif
Statistique :
Modèle est inconnu, mais on dispose d’observations
But est de compléter le modèle à l’aide des observations
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
21. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Probabilité vs Statistique
Probabilités :
Modèle est complètement spécifié
But est d’exploiter le modèle pour prendre des décisions
Raisonnement déductif
Statistique :
Modèle est inconnu, mais on dispose d’observations
But est de compléter le modèle à l’aide des observations
Raisonnement inductif
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
22. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Probabilité vs Statistique
Probabilités :
Modèle est complètement spécifié
But est d’exploiter le modèle pour prendre des décisions
Raisonnement déductif
Statistique :
Modèle est inconnu, mais on dispose d’observations
But est de compléter le modèle à l’aide des observations
Raisonnement inductif
Dans de nombreuses applications, on peut très bien
utiliser le calcul des probabilités sans faire appel à la
statistique.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
23. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Probabilité vs Statistique
Probabilités :
Modèle est complètement spécifié
But est d’exploiter le modèle pour prendre des décisions
Raisonnement déductif
Statistique :
Modèle est inconnu, mais on dispose d’observations
But est de compléter le modèle à l’aide des observations
Raisonnement inductif
Dans de nombreuses applications, on peut très bien
utiliser le calcul des probabilités sans faire appel à la
statistique.
Il est presque impossible de faire de la statistique sans
faire appel au calcul des probabilités.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
24. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Problème de prédiction:
On cherche à établir les conséquences probables d’un certain
nombre de choix, sachant que les conséquences peuvent aussi
être influencées par des facteurs aléatoires exogènes.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
25. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Problème de prédiction:
On cherche à établir les conséquences probables d’un certain
nombre de choix, sachant que les conséquences peuvent aussi
être influencées par des facteurs aléatoires exogènes.
Problème de diagnostic :
On veut inférer les causes probables d’un phénomène observé
à partir de l’observation de ses conséquences.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
26. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Problème de prédiction:
On cherche à établir les conséquences probables d’un certain
nombre de choix, sachant que les conséquences peuvent aussi
être influencées par des facteurs aléatoires exogènes.
Problème de diagnostic :
On veut inférer les causes probables d’un phénomène observé
à partir de l’observation de ses conséquences.
Problème de décision séquentielle :
On cherche à établir une stratégie permettant d’adapter son
comportement à des informations qui seront collectées
ultérieurement.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
27. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Exemple de problème de prédiction
Il faut décider s’il est intéressant d’investir dans la construction
d’une ligne électrique pour relier deux villes (ou deux pays, ou deux
ı̂les, ou deux continents...).
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
28. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Exemple de problème de prédiction
Il faut décider s’il est intéressant d’investir dans la construction
d’une ligne électrique pour relier deux villes (ou deux pays, ou deux
ı̂les, ou deux continents...).
Il faut prédire la probabilité de défaillance, et la quantité moyenne
d’énergie non desservie, dans deux hypothèses : sans la ligne, et
avec la ( les) ligne(s) en place, puis arbitrer en fonction du coût de
construction d’une ligne.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
29. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Exemple de problème de diagnostic
Ayant l’information que la voiture ne démarre pas, et sachant
qu’on a fait récemment le plein et que la radio fonctionne encore,
on cherche l’explication la plus probable de la panne (noeuds
entourés en rouge).
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
30. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Domaines d’application des probabilités
Les développements de la théorie de Probabilité
Les Problèmes de Raisonnement
Exemple de problème de décision séquentielle
Malgré l’incertitude sur les conditions du marché de l’électricité du
lendemain, il faut planifier la veille quelles centrales électriques
seront en service le lendemain, sachant qu’il est possible d’ajuster
le lendemain le niveau de production de ces centrales. On souhaite
maximiser le bénéfice économique.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
31. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Motivation
Pour formaliser un problème dans lequel le hasard intervient, on
doit construire un modèle probabiliste, choisi en fonction du but
que l’on poursuit. Ce modèle est constitué d’un
ensemble fondamental, d’une tribu d’événements et d’une
probabilité. Le choix de l’ensemble fondamental est très important
pour le calcul ultérieur des probabilités des événements. Nous
introduirons aussi les notions de probabilité conditionnelle et
d’indépendance. La formule de Bayes est souvent très utile pour le
calcul de probabilités conditionnelles.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
32. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Construire l’espace de probabilité consiste à :
Définir:
• Expérience aléatoire, espace échantillonnal, événement.
Comprendre:
• Ensemble vide, réunion, intersection, complémentaire.
Présenter:
• Diagramme de Venn.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
33. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Definition
On appelle expérience aléatoire une expérience E qui, reproduite
dans des conditions identiques, peut conduire à plusieurs résultats
possibles, et dont on ne peut prévoir le résultat par avance. et
dans des conditions fixées:
1 Connaı̂t l’ensemble des résultats possibles;
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
34. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Definition
On appelle expérience aléatoire une expérience E qui, reproduite
dans des conditions identiques, peut conduire à plusieurs résultats
possibles, et dont on ne peut prévoir le résultat par avance. et
dans des conditions fixées:
1 Connaı̂t l’ensemble des résultats possibles;
2 On ne peut prédire avec certitude le résultat que l’on
obtiendra.
Les éléments ou sous-ensembles de cet ensemble doivent vérifier les
conditions suivantes :
• Mutuellement exclusif.
• Collectivement exhaustif.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
35. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Definition
L’ensemble de tous les résultats possibles d’une expérience
aléatoire constitue l’espace échantillonnal (ou l’Univers) de
l’expérience; noté traditionnellement par Ω ou S.
Un espace échantillonnal peut être fini, infini dénombrable, infini
(non dénombrable), ou un mélange de plusieurs types.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
36. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Definition
L’ensemble de tous les résultats possibles d’une expérience
aléatoire constitue l’espace échantillonnal (ou l’Univers) de
l’expérience; noté traditionnellement par Ω ou S.
Un espace échantillonnal peut être fini, infini dénombrable, infini
(non dénombrable), ou un mélange de plusieurs types.
exemple 1
l’expérience (E) consistant à ”Lancer un dé et noter le résultat
obtenu” est une expérience aléatoire comportant 6 résultats;
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
37. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 On lance une pièce:
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
38. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 On lance une pièce: Ω = {P, F}, assimilé à Ω = {0, 1},
2 On lance un dé n fois :
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
39. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 On lance une pièce: Ω = {P, F}, assimilé à Ω = {0, 1},
2 On lance un dé n fois : Ω = {1, 2, 3, 4, 5, 6}n
3 Romeo attend Juliette qui lui a promis d’arriver entre minuit
et une heure:
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
40. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 On lance une pièce: Ω = {P, F}, assimilé à Ω = {0, 1},
2 On lance un dé n fois : Ω = {1, 2, 3, 4, 5, 6}n
3 Romeo attend Juliette qui lui a promis d’arriver entre minuit
et une heure: Ω = [0; 1]
4 On étudie la durée de vie d’une bactérie:
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
41. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 On lance une pièce: Ω = {P, F}, assimilé à Ω = {0, 1},
2 On lance un dé n fois : Ω = {1, 2, 3, 4, 5, 6}n
3 Romeo attend Juliette qui lui a promis d’arriver entre minuit
et une heure: Ω = [0; 1]
4 On étudie la durée de vie d’une bactérie: Ω = [0; +∞]
5 On étudie la durée d’une communication téléphonique:
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
42. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 On lance une pièce: Ω = {P, F}, assimilé à Ω = {0, 1},
2 On lance un dé n fois : Ω = {1, 2, 3, 4, 5, 6}n
3 Romeo attend Juliette qui lui a promis d’arriver entre minuit
et une heure: Ω = [0; 1]
4 On étudie la durée de vie d’une bactérie: Ω = [0; +∞]
5 On étudie la durée d’une communication téléphonique:
Ω = [0; +∞]
6 On envoie une fléchette sur une cible circulaire de 30 cm de
diamètre:
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
43. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 On lance une pièce: Ω = {P, F}, assimilé à Ω = {0, 1},
2 On lance un dé n fois : Ω = {1, 2, 3, 4, 5, 6}n
3 Romeo attend Juliette qui lui a promis d’arriver entre minuit
et une heure: Ω = [0; 1]
4 On étudie la durée de vie d’une bactérie: Ω = [0; +∞]
5 On étudie la durée d’une communication téléphonique:
Ω = [0; +∞]
6 On envoie une fléchette sur une cible circulaire de 30 cm de
diamètre: Ω = {(x, y),
p
x2 + y2 6 15}
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
44. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Quelle information pouvons-nous tirer de
l’expérience?
Exemple : Le jeu de fléchettes
1 On s’intéresse à la chance de tomber dans une des couronnes
ou un des secteurs de la cible.
2 Les résultats du jeu peuvent se décrire à l’aide de parties du
disque.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
45. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Definition
On appelle événement aléatoire (associé à l’expérience E) un
sous-ensemble de Ω dont on peut dire au vu de l’expérience s’il est
réalisé ou non.
Un événement aléatoire A est donc une partie de Ω
exemple
Pour l’expérience (E) consistant à lancer un dé une fois à six faces
on a S = {1, 2, 3, 4, 5, 6}.
1 L’événement A : ”Le résultat du lancer est un nombre impair”
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
46. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Definition
On appelle événement aléatoire (associé à l’expérience E) un
sous-ensemble de Ω dont on peut dire au vu de l’expérience s’il est
réalisé ou non.
Un événement aléatoire A est donc une partie de Ω
exemple
Pour l’expérience (E) consistant à lancer un dé une fois à six faces
on a S = {1, 2, 3, 4, 5, 6}.
1 L’événement A : ”Le résultat du lancer est un nombre impair”
2 L’événement B : ”Le résultat est un nombre plus grand que 2
mais différent de 5” .
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
47. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 Jet d’un dé, S = {1, 2, 3, 4, 5, 6}.
A = {2, 4, 6} :
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
48. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 Jet d’un dé, S = {1, 2, 3, 4, 5, 6}.
A = {2, 4, 6} : ”obtenir un nombre paire”
2 Le jet successif de n pièces de monaie, S={P, F}n ( pour
n = 2, on a S = {PP, PF, FP, FF} = {P, F}2),
A = {P} × {P, F}n−1 :
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
49. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 Jet d’un dé, S = {1, 2, 3, 4, 5, 6}.
A = {2, 4, 6} : ”obtenir un nombre paire”
2 Le jet successif de n pièces de monaie, S={P, F}n ( pour
n = 2, on a S = {PP, PF, FP, FF} = {P, F}2),
A = {P} × {P, F}n−1 : ”Le premier lancer est pile”.
3 La durée de vie d’une ampoule. S = R+
A = [100, +∞[:
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
50. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
exemple
1 Jet d’un dé, S = {1, 2, 3, 4, 5, 6}.
A = {2, 4, 6} : ”obtenir un nombre paire”
2 Le jet successif de n pièces de monaie, S={P, F}n ( pour
n = 2, on a S = {PP, PF, FP, FF} = {P, F}2),
A = {P} × {P, F}n−1 : ”Le premier lancer est pile”.
3 La durée de vie d’une ampoule. S = R+
A = [100, +∞[: ”l’ampoule fonctionne plus de cent
heures”
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
51. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Ensemble vide
Un événement d’un espace échantillonnal S qui ne contient aucun
résultat, est un ensemble vide, noté ∅. L’ensemble vide est
(l’événement impossible).
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
52. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Ensemble vide
Un événement d’un espace échantillonnal S qui ne contient aucun
résultat, est un ensemble vide, noté ∅. L’ensemble vide est
(l’événement impossible).
Union
Si (Ai )16i6n sont des événements, alors ∪n
i=1Ai est l’événement qui
représente la réalisation d’au moins un des Ai , i = 1, 2, ..., n.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
53. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Ensemble vide
Un événement d’un espace échantillonnal S qui ne contient aucun
résultat, est un ensemble vide, noté ∅. L’ensemble vide est
(l’événement impossible).
Union
Si (Ai )16i6n sont des événements, alors ∪n
i=1Ai est l’événement qui
représente la réalisation d’au moins un des Ai , i = 1, 2, ..., n.
Intersection
Si (Ai )16i6n sont des événements, alors ∩n
i=1Ai est l’événement qui
représente la réalisation de tous les Ai , i = 1, 2, ..., n.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
54. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Ensemble vide
Un événement d’un espace échantillonnal S qui ne contient aucun
résultat, est un ensemble vide, noté ∅. L’ensemble vide est
(l’événement impossible).
Union
Si (Ai )16i6n sont des événements, alors ∪n
i=1Ai est l’événement qui
représente la réalisation d’au moins un des Ai , i = 1, 2, ..., n.
Intersection
Si (Ai )16i6n sont des événements, alors ∩n
i=1Ai est l’événement qui
représente la réalisation de tous les Ai , i = 1, 2, ..., n.
Complémentaire
Si A est un événement, alors A (A complément) est l’événement
qui représente la non réalisation de A. Autres notations : Ac.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
55. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Règle de Morgan
Si A1, A2, ..., An sont des événements, alors
1 A1 ∩ A2 ∩ ... ∩ An = A1 ∪ A2 ∪ ... ∪ An.
2 A1 ∪ A2 ∪ ... ∪ An = A1 ∩ A2 ∩ ... ∩ An.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
56. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Une manière de représenter l’information reliée à un problème de
probabilité est d’illustrer par un schéma : l’espace échantillonnal,
tous les événements impliqués et tous les sous-ensembles qui sont
formés quand des événements se recoupent. L’un des schémas les
plus utilisés pour représenter l’espace échantillonnal et les
événements est le diagramme de Venn.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
57. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Figure: Diagramme de Venn.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
58. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Le couple (Ω, P(Ω)) s’appelle un espace probabilisable. Même si Ω
est fini, le cardinal de P(Ω) peut être un nombre très grand et
dans ce cas on est amené alors à ne considerer qu’une famille
restreinte A de parties de Ω , A ⊂ P(Ω). Pour que le résultat des
opération ensemblistes (union, intersection, complémentaire) soit
encore un événement, il est nécessaire que la famille d’événements
qui a été retenue soit fermée, ou stable, vis-a-vis de ces opérations,
c’est-à-dire qu’il soit bien un élément de la famille. De plus, les
événements ”certain” Ω ”impossible” ∅ doivent également
appartenir à cet ensemble. Ainsi, on associera à une épreuve
aléatoire un ensemble non vide de parties de Ω , note A, qui
verifiera :
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
59. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
C1 Pour tout A ∈ A, alors A ∈ A;
C2 Pour tout A ∈ A et tout B ∈ A, alors A ∪ B ∈ A.
Il y a fermeture pour le complémentaire et l’union. Cet
ensemble A s’appelle une algèbre de parties de Ω . Grâce aux
régles de Morgan, on a une définition équivalente en
remplaçant la condition C2 par :
C0
2 Pour tout A ∈ A et tout B ∈ A, alors A ∩ B ∈ A
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
60. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Propriété d’une Algèbre
P1 La famille étant non vide, on en conclut que: ∅ ∈ A et ;
Ω ∈ A
P2 Si Ak ∈ A pour 1 ≤ k ≤ n, on démontre par récurrence que :
Sn
k=1 Ak ∈ A.
P3 Si Ak ∈ A pour 1 ≤ k ≤ n, on démontre par récurrence que :
Tn
k=1 Ak ∈ A.
Cependant, certaines expériences peuvent se dérouler indéfiniment
et on a donc besoin de renforcer la propriété P2 de fermeture pour
l’union finie par une condtion de fermeture pour l’union
dénombrable, soit:
C3 Si An ∈ A pour tout n ∈ N, alors
S∞
n=0 An ∈ A.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
61. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
Objectifs visés
Expérience aléatoire, espace échantillonnal et événement
Ensemble vide, Union, Intersection et Complémentaire
Diagramme de Venn
Algèbre et tribu d’événements
Cette condition exprime que toute union dénombrable
d’événements est encore un événement. L’ensemble A auquel on
impose les conditions C1 et C3 s’appelle alors une σ-algèbre
ou Tribu d’événements.
Le couple formé de l’ensemble fondamental S et de la Tribu
d’événement associée A s’appelle unespace probabilisable.
exemple : Algèbre grossière d’événements
1 {∅, Ω} est une algèbre d’événements, appelée l’algèbre
grossière des événement.
2 Soit A une partie de Ω . Montrer que A = {∅, A, Ac, Ω} est
une tribu sur Ω (Algèbre de Bernoulli d’événements).
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
62. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Se familiariser avec la définition rigoureuse de la probabilité d’un
événement, les propriétés de cette probabilité et quelques
théorèmes utiles. Plus précisément:
• Définition et Propriétés de la probabilité d’un événement.
• Quelques théorèmes utiles.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
63. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Fréquence empirique:
Figure: Comment savoir si la pièce est truquée?.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
64. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
1 Un lancé : 1 Pile - on ne peut rien dire.
2 3 lancés: 2 Pile, un face - on peut rien dire.
3 300 lancés: 200 Pile, 100 face - on commence à se poser des
questions.
4 3000 lancés: 2000 Pile et 1000 Face - il est presque certain
que la pièce est truquée.
C’est la répétition de l’expérience qui nous apporte l’information.
Fréquence empirique de l’événement ”Pile”: 2000
3000 = 2
3.
Cette fréquence nous donne un idée de la chance de réalisation de
”Pile” car le nombre de lancés est grand.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
65. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
1 Considérons une expérience aléatoire donnée E et un
événement A pour cette expérience.
2 Supposons que l’on répète n fois l’expérience E.
3 Notons nA le nombre de fois où A est réalisé.
La fréquence empirique de A est la fréquence de réalisation de
A sur ces n coups:
fn(A) =
nA
n
4 Nous avons les propriétés suivantes:
fn(A) ∈ [0, 1]; fn(Ω) = 1
Si A ∩ B = ∅, on a fn(A
S
B) = fn(A) + fn(AB)
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
66. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Approche intuitive d’une probabilité: associer à chaque événement
aléatoire A un nombre P(A) compris entre 0 et 1, qui représente la
chance (a priori) que cet événement soit réalisé.
Intuitivement,
P(A)= limite de fn(A) quand n tend vers +∞
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
67. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Definition
Soit S un espace échantillon. On appelle probabilité P sur (Ω, A)
une application,P : A → [0, 1], P(.) qui à tout événement A de S
associe un nombre réel P(A) vérifiant:
1 0 ≤ P(A) ≤ 1 pour tout A ∈ Ω
2 P(S) = 1.
3 Si A1, A2, ..., sont des événement deux à deux disjoints
(Ai
T
Aj = ∅ si i 6= j), alors :
P(
[
i
Ai ) =
X
i
p(Ai ).
Le triplet (Ω, A, P) s’appelle un espace probabilisé
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
68. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Soit S un espace échantillon et A, B, C, ... des événements de S,
alors :
Propriétés
1) P(S) = 1, P(Ac) = 1 − P(A) et P(∅) = 0;
2) P(A ∪ B) = P(A) + P(B) − P(A ∩ B);
3) si A ⊆ B alors P(A) ≤ P(B);
3) P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩
C) − P(B ∩ C) + P(A ∩ B ∩ C);
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
69. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
On peut généraliser la règle précédente par le théorème de
Poincaré :
Theorem
P(
k
[
i=1
Ai ) =
k
X
i=1
P(Ai ) −
k
X
i<j=2
P(Ai ∩ Aj ) +
k
X
i<j<r=3
P(Ai ∩ Aj ∩ Ar )
+ . . . + (−1)r+1
X
i1<i2<...<ir
P(Ai1
∩ Ai2
∩ . . . ∩ Air
)
+ . . . + (−1)k+1
P(A1 ∩ A2 ∩ . . . ∩ Ak ).
Autrement,
P(
n
[
i=1
Ai ) =
n
X
i=1
(−1)k+1
X
16i1<i2<...<ik 6n
P(Ai1 ∩ Ai2 ∩ . . . ∩ Aik
)
.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
70. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple
Dans une école 75% des élevés travaillent bien en Info (I), 20% en
A. Numérique (A) et 40% en Proba (P), 15% en (I) et en (A),
30% en (I) et en (P), 10% en (A) et (P) et 5% travaille dans les
trois matières. On prend un élève au hasard.
1) Quelle est la probabilité qu’il travaille au moins dans une des
trois matières?
2) Quelle est la probabilité que l’élève choisi travaille uniquement
dans une des trois matières?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
71. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple introductif
On jette deux dés parfaitement équilibrés et on désigne par
A :” la somme des résultats est supérieure ou égale à 10 ”.
Supposons que le point amené par le premier dé soit connu mais le
second dé soit encore à lancer.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
72. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple introductif
On jette deux dés parfaitement équilibrés et on désigne par
A :” la somme des résultats est supérieure ou égale à 10 ”.
Supposons que le point amené par le premier dé soit connu mais le
second dé soit encore à lancer.
Pour cette expérience l’espace échantionnal S = {(1, 1), ..., (6, 6)}
et A = {(4, 6), (5, 5), (5, 6), (6, 4), (6, 5), (6, 6)}.
D’où P(A) = 1/6.
En présence de l’information concernant le premier dé, il n’est plus
possible d’attribuer la probabilité 1/6 à l’événement A.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
73. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple introductif
I En effet, si le premier dé a amené le point 2,
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
74. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple introductif
I En effet, si le premier dé a amené le point 2,
A est devenu irréalisable.
I Si par contre le premier dé a amené le point 6,
A sera réalisé si le point amené par le second est au moins
égal à 4. Il y a donc 3 cas favorables à la réalisation de A et 6
cas possibles.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
75. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple introductif
I En effet, si le premier dé a amené le point 2,
A est devenu irréalisable.
I Si par contre le premier dé a amené le point 6,
A sera réalisé si le point amené par le second est au moins
égal à 4. Il y a donc 3 cas favorables à la réalisation de A et 6
cas possibles.
On dit que 3/6 est la probabilité conditionnelle de A sachant que
le premier dé a amené le point 6.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
76. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Une probabilité conditionnelle est la probabilité d’un
événement, étant donné qu’un autre événement a déjà lieu.
Au lieu de noter P(A), la probabilité d’un événement A donné,
on aurait pu écrire P(A|S) qui se lit : ”probabilité de A par
rapport à l’espace échantillonnal S”.
La probabilité conditionnelle de l’événement A, étant donné la
réalisation de l’événement B, se note P(A|B) ou (PB(A))
La probabilité conditionnelle de PB(.) est la restriction de
l’ensemble des résultats possibles S à B.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
77. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Definition
Soient A et B deux événements d’un espace échantillon S. On
définit la probabilité conditionnelle de A sachant(où étant donné)
B par :
P(A|B) =
P(A ∩ B)
P(B)
, si P(B) 0
Figure: Probabilité conditionnelle P(A|B)
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
78. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple d’application 2
Madame X a deux enfants, on considère les deux événements
suivants :
I Événement B : ”l’aı̂née est une fille”.
Quelle est la probabilité que l’événement A :” les deux enfants
sont des filles” se réalise?
I Événement C : ”Mme X a au moins une fille”.
Quelle est la probabilité que l’événement A se réalise?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
79. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Diagramme en arbre
Figure: Arbre de probabilité.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
80. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Les règles de calculs dans un arbre de probabilités :
Pour calculer la probabilité
d’un événement figurant au
bout d’une branche, on fait
le produit des probabilités
figurant sur les branches
conduisant à cet événement
(on parlera de la probabilité
du chemin). Cette règle
n’est autre que la propriété
des probabilités composées.
Par exemple ici
P(A ∩ E) = P(A) ∗ P(E|A)
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
81. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
La probabilité d’un
événement est la somme des
probabilités des chemins
conduisant à cet événement.
Cette règle est la formule
des probabilités totales. Par
exemple ici P(E) =
P(A) ∗ P(E|A) + P(B) ∗
P(E|B) + P(C) ∗ P(E|C)
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
82. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
La somme des probabilités
des branches ayant même
origine vaut 1. Ceci provient
du fait que sur les branches
figurent des probabilités et
que l’on a un système
complet d’événements. Par
exemple ici
P(E|A) + P(Ec|A) = 1
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
83. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Règle de multiplication
P(A ∩ B) = P(B) × P(A|B)
= P(A) × P(B|A).
On peut généraliser cette règle à un nombre fini d’événements :
Régle de Multiplication : cas génèral
Soit (Ai )1≤i≤n une famille d’événement de S, on a
P(
n
i=1
Ai ) =
n
Y
i=1
P(Ai |
i−1
j=1
Aj ).
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
84. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Historique
En statistiques, on sait calculer la
probabilité qu’une cause ait tel
ou tel effet. Thomas Bayes (1702
- 1761), mathématicien
britannique et pasteur de l’Église
presbytérienne, s’est attaqué au
problème inverse, celui du
raisonnement par induction ou
inférence: connaissant les effets,
quelles en sont les causes
probables?. D’où l’utilité de la
formule de Bayes.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
85. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Definition
Des événements B1, B2, ..., Bn forment une partition d’un espace
échantillon S si
a) Bi ∩ Bj = ∅ pour i 6= j;
b) B1 ∪ B2 ∪ . . . ∪ Bn = S.
Théorème des probabilités totales
Si B1, B2, ..., Bn forment une partition de S, alors, pour tout
événement A de S on a:
P(A) = P(A ∩ B1) + P(A ∩ B2) + . . . + P(A ∩ Bn)
=
n
X
i=1
P(Bi ) × P(A|Bi ).
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
86. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Théorème de Bayes
Si B1, B2, ..., Bn forment une partition de S, alors, pour tout
événement A de S on a:
P(Bk|A) =
P(BK ) × P(A|Bk)
Pn
i=1 P(Bi ) × P(A|Bi )
, k = 1, 2, . . . , n.
Figure: Le diagramme de Venn pour le théorème de Bayes.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
87. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Exemple d’application
Soit l’événement A : ”Avoir un cancer des poumons”
et l’événement B : ”Être fumeur régulier”.
I La probabilité d’avoir un cancer des poumons est de 0, 2.
I La probabilité pour une personne atteinte d’un cancer des
poumons d’être un fumeur régulier est de 0, 8.
I La probabilité pour une personne non atteinte d’un cancer des
poumons d’être un fumeur régulier est de 0, 1
1- Quelle est la probabilité d’être un fumeur régulier et de
développer un cancer des poumons ?
2- Quelle est la probabilité d’être un fumeur régulier ?
3- Quelle est la probabilité chez les fumeurs régulier de
développer un cancer des poumons ?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
88. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple 2
Trois machines produisent des pièces de voitures. La machine M1
produit 40% du total des pièces, M2 produit 25% etM3 produit
35%. En moyenne, les pièces non conformes aux critères imposés
sont 10% pour M1, de 5% pour M2 et de 1% pour M3.
Une pièce défectueuse est choisie au hasard dans la production
totale des trois machines.
Quelle est la probabilité qu’elle ait été produite par M1?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
89. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple introductif
Une expérience aléatoire consiste à lancer trois fois de suite une
pièce de monaie biaisé, tel que P(P) = p et P(F) = 1 − p.
I Construisez un arbre pondéré en précisant les probabilités.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
90. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
91. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Definition
On dit que deux événements sont indépendants si P(A|B) = P(A)
La réalisation de A est indépendante de la réalisation ou non de B.
Autrement dit, sachant que B est réalisé ou pas l’événement A a la
même probabilité qu’il soit réalisé.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
92. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Definition
On dit que deux événements sont indépendants si
P(A ∩ B) = P(A) × P(B).
Remarque
Si deux événements A et B sont indépendants alors :
- A et Bc sont indépendants;
- Ac et B sont indépendants;
- Ac et Bc sont indépendants.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
93. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
Remarque
Généralement, des événements A1, ...., An sont dits indépendants
si :
P(
n
i=1
Ai ) =
n
Y
i=1
P(Ai ).
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
94. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
exemple
On jette deux dés non pipés et on considère les évènements
suivants :
A1 : ”le premier dé donne un nombre pair”
A2 : ”le deuxième dé donne un nombre pair”
A3 : ”la somme des deux lancers est paire”
I Est que les évènements A1, A2 et A3 sont indépendants dans
leur ensemble?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
95. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
La probabilité d’un événement
Propriétés de la probabilité d’un événement
Probabilité conditionnelle
Théorème de Bayes
Indépendance
solution
Le nombre d’événements élémentaires est :
card(Ω) = 36 (arrangements avec répétitions avec p = 2 et n = 6)
Les 3 évènements A1, A2 et A3 sont 2 à 2 indépendants mais ne
sont pas indépendants dans leur ensemble.
En effet: Les probabilités associées aux 3 évènements sont
I P(A1) = 1
2; P(A2) = 1
2; P(A3) = 1
2
I P(A1 ∩ A2) = 9
36 = P(A1)P(A2)
I P(A1 ∩ A3) = 9
36 = P(A1)P(A3)
I P(A2 ∩ A3) = 9
36 = P(A2)P(A3)
I (P(A1 ∩ A2 ∩ A3) = 1
4) 6=
(P(A1)P(A2)P(A3) = 1
8)
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
96. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Analyse combinatoire
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
97. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
L’analyse combinatoire est une branche des mathématiques qui
étudie comment compter les objets. Elle fournit des méthodes de
dénombrements particulièrement utiles en théorie des
probabilités. Un exemple des applications intéressantes de cette
dernière est la démonstration du développement du binôme de
Newton utilisé dans le calcul des probabilités d’une loi binomiale.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
98. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
L’analyse combinatoire est une branche des mathématiques qui
étudie comment compter les objets. Elle fournit des méthodes de
dénombrements particulièrement utiles en théorie des
probabilités. Un exemple des applications intéressantes de cette
dernière est la démonstration du développement du binôme de
Newton utilisé dans le calcul des probabilités d’une loi binomiale.
Notation
La cardinalité d’un ensemble Ω, notée card(Ω) = |Ω| = ]Ω, est le
nombre d’éléments contenus dans l’ensemble Ω.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
99. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Principe de multiplication
Permet de compter le nombre de résultats d’expériences qui
peuvent se décomposer en une succession de sous-expériences.
Principe : suppose qu’une expérience est la succession de m
sous-expériences. Si la ième expérience a ni résultats possibles
pour i = 1, · · · , m, alors le nombre total de résultats possibles de
l’expérience globale est:
n =
m
Y
i=1
ni = n1n2 · · · nm
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
100. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Vous achetez une valise à code 4 chiffres. On s’intéresse aux codes
composés des chiffres 0 et 1. Dans un premier temps, pour
visualiser et dénombrer tous ces codes, nous allons utiliser l’arbre
suivant :
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
101. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Figure: arbre des possibilités.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
102. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Figure: arbre des possibilités.
Nombre de codes possible = nombre de chemins de cet arbre
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
103. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Figure: arbre des possibilités.
Nombre de codes possible = nombre de chemins de cet arbre
Solution
Le nombre total de code possible est 2.2.2.2 = 24.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
104. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Vous achetez une valise à code 4 chiffres. Combien de possibilités
avez-vous de choisir un code ?.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
105. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Vous achetez une valise à code 4 chiffres. Combien de possibilités
avez-vous de choisir un code ?.
Solution
m = 4 avec n1 = 10, n2 = 10, n3 = 10, n4 = 10, donc le nombre
total de code possible est 10.10.10.10 = 104.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
106. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Permutation
Definition
Une permutation de n éléments distincts e1, · · · , en est un
réarrangement ordonné, sans répétition de ces n éléments.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
107. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Permutation
Definition
Une permutation de n éléments distincts e1, · · · , en est un
réarrangement ordonné, sans répétition de ces n éléments.
Notation
La fonction ’factorielle’ est la fonction de domaine N = 0, 1, 2, · · ·
qui a tout n ∈ N associe n! = nx(n − 1)x · · · x3x2x1.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
108. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Quatre Américains, cinq Suisses et sept japonais doivent s’asseoir
sur un même banc, et doivent rester groupés par nationalité.
Combien y a-t-il de dispositions possibles ?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
109. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Quatre Américains, cinq Suisses et sept japonais doivent s’asseoir
sur un même banc, et doivent rester groupés par nationalité.
Combien y a-t-il de dispositions possibles ?
Solution
3!4!5!7!.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
110. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Permutations d’objets partiellement
indistinguables
Théorème
Il y a
n!
n1!n2! · · · nr !
permutations différentes de n objets parmi lesquels n1 sont
indistinguables entre eux, n2 autres entre eux également, ...,nr
entre eux.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
111. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
exemple
Parmi les 10 participants à un tournoi d’échec, on compte 4 russes,
3 américains et 2 anglais et un brésilien. Si dans le classement du
tournoi on ne peut lire que la liste des nationalités des joueurs mais
pas leur identité, à combien de classements individuels différents
une telle liste correspond-elle ?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
112. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
exemple
Parmi les 10 participants à un tournoi d’échec, on compte 4 russes,
3 américains et 2 anglais et un brésilien. Si dans le classement du
tournoi on ne peut lire que la liste des nationalités des joueurs mais
pas leur identité, à combien de classements individuels différents
une telle liste correspond-elle ?
Solution
Il y a
10!
4!3!2!1!
classements possibles
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
113. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Definition
Un arrangement est une permutation de p éléments pris parmi n
éléments distincts. Les éléments sont pris sans répétition et sont
ordonnés, on a alors :
Ap
n = n!
(n−p)! avec 1 ≤ p ≤ n
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
114. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Combien de mots de 3 lettres peuvent être formés dans un
alphabet de 26 lettres ?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
115. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Combien de mots de 3 lettres peuvent être formés dans un
alphabet de 26 lettres ?
Solution
263
= 17576
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
116. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Combien de mots de 3 lettres peuvent être formés dans un
alphabet de 26 lettres ?
Solution
263
= 17576
exemple
Combien de mots de 3 lettres distinctes peuvent être formés dans
un alphabet de 26 lettres ?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
117. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Exemple
Combien de mots de 3 lettres peuvent être formés dans un
alphabet de 26 lettres ?
Solution
263
= 17576
exemple
Combien de mots de 3 lettres distinctes peuvent être formés dans
un alphabet de 26 lettres ?
Solution
(A26,3 =)A3
26 = (26)(25)(24) = 15600.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
118. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
exemple
Un drapeau est constitué de trois bandes verticales de couleurs.
I De combien de façons peut-on peindre les trois bandes de
couleurs différentes, en utilisant trois des 6 couleurs
fondamentales : bleu, jaune, rouge vert, violet, orange ?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
119. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
exemple
Un drapeau est constitué de trois bandes verticales de couleurs.
I De combien de façons peut-on peindre les trois bandes de
couleurs différentes, en utilisant trois des 6 couleurs
fondamentales : bleu, jaune, rouge vert, violet, orange ?
Solution
(A6,3 =)A3
6 = (6)(5)(4) = 120.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
120. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Definition
Une combinaison de p éléments pris dans un ensemble à n éléments
distincts est un sous-ensemble à p éléments de cet ensemble. Les
éléments sont pris sans répétition et ne sont pas ordonnés.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
121. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Definition
Une combinaison de p éléments pris dans un ensemble à n éléments
distincts est un sous-ensemble à p éléments de cet ensemble. Les
éléments sont pris sans répétition et ne sont pas ordonnés.
Notation
Le nombre de combinaisons de p parmi n est noté Cn,p(Cp
n ) ou
n
p
Cp
n = n!
(n−p)!p! avec 1 ≤ p ≤ n
qui est appelé coefficient binomial.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
122. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
exemple
on a 15 médicaments et on veut tester leur compatibilité en groupe
de 4. Combien y a-t-il de groupes possibles ?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
123. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
exemple
on a 15 médicaments et on veut tester leur compatibilité en groupe
de 4. Combien y a-t-il de groupes possibles ?
Solution
(C15,4 =)C4
15 = 15!
4!11! = 1365.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
124. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
exemple
On veut former un comité comprenant 3 des 20 personnes d’un
groupe.
I Combien y a t-il de ces comités?
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
125. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
exemple
On veut former un comité comprenant 3 des 20 personnes d’un
groupe.
I Combien y a t-il de ces comités?
Solution
(C20,3 =)C3
20 = 20!
3!17! = 1140
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
126. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Formule de Pascal
si 0 ≤ p ≤ n − 1 alors Cp−1
n−1 + Cp
n−1 = Cp
n
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
127. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Formule de Pascal
si 0 ≤ p ≤ n − 1 alors Cp−1
n−1 + Cp
n−1 = Cp
n
Formule de Newton
La formule du binôme de Newton correspond à la décomposition
des différents termes de la puissances neme du binôme (a + b)
∀(a, b) ∈ R, n ∈ N, (a + b)n =
Pn
p=0 Cp
n an−pbp
I. MEDARHRI Probabilités pour ingénieurs, ENSMR
128. Introduction
Quelques concepts de base
Probabilités
Analyse combinatoire
permutation
Arrangement
Combinaisons et coefficients binomiaux
Figure: Résumé de type de tirage.
I. MEDARHRI Probabilités pour ingénieurs, ENSMR