SlideShare une entreprise Scribd logo
Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage                                      1




VOCABULAIRE
Un sac contient 7 numéros: 4 rouges R1 , R 2 , R 3 ,R 4 et 3 blancs B 5 , B 6 , B 7 .
On tire au hasard un numéro du sac.



    Vocabulaire                       Signification                                     Exemples

Expérience aléatoire    Expérience dont le résultat n’est pas              Tirer un numéro du sac
    ou épreuve          prévisible parmi des résultats possibles
   Eventualité          Issue possible de l’épreuve                                 Tirer R 3
    Univers Ω           Ensemble de toutes les éventualités          Ω = {R1 ,R 2 ,R 3 ,R 4 ,B 5 , B 6 , B 7 }
                        issues de l’épreuve
     Evénement          Ensemble des éventualités liées à une A: ‘‘ Obtenir un numéro impair ’’
                        action, une situation. C’est une partie  A= {R1 , R 3 , B 5 , B 7 }
                        de l’univers                             B: ‘‘ Obtenir un numéro rouge ’’
                                                                 B = { R1 , R2, R3 , R4 }
    Evénement           Evénement n’ayant qu’une seule           C: ‘‘ Obtenir le numéro 7 ’’
    élémentaire         éventualité                              C = { B7 }
 Evénement certain      Evénement contenant toutes les           D: ‘‘ Obtenir un numéro inférieur à 10 ’’
                        éventualités de l’épreuve                D= Ω
     Evénement          Evénement qui ne se réalise jamais       E: ‘‘ Obtenir un numéro vert ’’
     impossible                                                  E= ∅
   Intersection d’      Evénement formé par l’ensemble des       A ∩ B: ‘‘ Obtenir un numéro impair et
     événements         éventualités communes à A et à B         rouge ’’
        A∩B                                                      A ∩ B = {R1 , R 3 }
     Réunion d’         Evénement formé par l’ensemble des       A ∪ B: ‘‘ Obtenir un numéro impair ou
     événements         éventualités de A ou de B                rouge ’’
        A∪B                                                      A ∪ B = {R1 ,R 2 ,R 3 ,R 4 ,B 5 ,B 7 }
     Evénements         Evénements n’ayant aucune éventualité F: ‘‘ Obtenir un numéro blanc’’
   incompatibles        commune. Leur intersection est vide      G: ‘‘ Obtenir R 3 ’’
   ( ou disjoints )                                              F∩G = ∅
     Evénements         Evénements incompatibles dont la         A : ‘‘ Obtenir un numéro pair ’’
      contraires        réunion forme l’univers                  A= { R2, R4, B6 }
       A et A
Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage                                   2



PROBABILITES
Définition

Définir une loi de probabilité, liée à une épreuve sur un univers Ω , c’est associer à chaque événement un
nombre compris entre 0 et 1 tel que:
• la somme des probabilités des événements élémentaires est égale à 1
• La probabilité d’un événement est égale à la somme des probabilités des événements élémentaires qui
  le composent.

Propriétés

Soit A et B deux événements de Ω .
• p ( A) = 1 - p ( A )
• p( ∅ )=0
• p (Ω ) = 1
• Si A ⊂ B alors p ( A ) ≤ p ( B )
• p ( A∪B ) = p ( A ) + p ( B ) - p ( A∩B )
• Si A et B sont incompatibles p (A ∪ B ) = p ( A ) + p ( B )


Loi de probabilité et distribution des fréquences : loi des grands nombres

Pour une expérience donnée, dans le modèle défini par une loi de probabilité, les distributions des
fréquences calculées sur des séries de taille n se rapprochent de la loi de probabilité quand n devient
grand.
Autrement dit : plus le nombre de répétitions de la même expérience est grand, plus la fréquence observée
d’apparition d’un résultat se rapproche de la probabilité théorique d’apparition de ce résultat.
( Lorsqu’on lance une pièce de monnaie et que l’on calcule la fréquence d’apparition de pile, plus le
nombre de lancers sera grand, plus la fréquence se rapprochera de 0,5 )

Equiprobabilité

Lors d’une épreuve, si toutes les éventualités ont la même chance d’apparaître, on est en situation
d’équiprobabilité.

                                            nombre de cas favorables   Nombre d' éléments de A
Dans le cas d’ équiprobabilité :   p(A)=                             =
                                            nombre de cas possibles    Nombre d' éléments de
Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage                                           3



VARIABLE ALÉATOIRE.

Définition.

Ω étant l’univers associé à une épreuve aléatoire, définir une variable aléatoire sur Ω c’est associer un
réel à chaque éventualité de Ω .
( Attention, une variable aléatoire est une fonction ).


Loi de probabilité d’une variable aléatoire.

X étant une variable aléatoire définie sur un univers fini Ω , définir la loi de probabilité de X, c’est
associer à chaque valeur x i prise par X, la probabilité p ( X = x i )


Exemple

Une roue de loterie est partagée en 12 secteurs égaux : 6 bleus, 3 verts, 2 jaunes et 1 rose .
Lors d’une partie, on fait tourner la roue et un repère fixe désigne la couleur obtenue à l’arrêt.
Le joueur gagne 50 euros si la roue s’arrête sur la zone rose, 10 si la roue s’arrête sur la zone jaune, 0 si la
roue s’arrête sur la zone verte et il perd 10 euros si la roue s’arrête sur la zone bleue.
Définir une variable aléatoire correspondant à cette épreuve et déterminer sa loi de probabilité.


   Eventualités                                Réel associé x i                                Probabilité
                            Variable                                       Loi de              p ( X = x i ).

                             →                                             →
  Arrêt sur bleu            aléatoire                – 10                probabilité                1/2
  Arrêt sur vert                                       0                                            1/4
  Arrêt sur jaune                                     10                                            1/6
  Arrêt sur rose                                      50                                           1/12

Ensemble des valeurs prises par la variable aléatoire :

X = { –10, 0, 10, 50 }


Loi de probabilité de X

        xi                     –10                     0                     10                     50
   p ( X = x i ).              1/2                    1/9                    1/4                   1/12
Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage                                        4



Espérance mathématique d’une variable aléatoire, Variance, Ecart-type.

Soit { x 1 , x 2 , ... , x n } l’ensemble des valeurs prises par une variable aléatoire X.
Pour tout nombre entier i tel que 1 ≤ i ≤ n on pose p i = p ( X = x i ).

On appelle espérance mathématique de la variable aléatoire X le nombre réel noté E ( X ) défini par:

                                            n
                               E ( X ) = ∑ xi pi = x 1 p 1 + x 2 p 2 + ... + x n p n
                                           i=1

Si E ( X ) = 0 , on dit que X est une variable centrée.

On appelle variance de la variable aléatoire X le nombre réel positif noté V ( X ) défini par:

                                       n                           n
                           V(X)=      ∑ pi ( x i - E ( X ) ) 2 =   ∑ pi x i 2   - E ( X )2
                                      i=1                          i=1

Si V ( X ) = 1 , on dit que X est une variable réduite.

On appelle écart-type de la variable aléatoire X le nombre réel positif noté σ ( X ) défini par:

                                                 σ( X ) =    V(X)


Propriétés : Soit a et b deux réels : E ( aX + b) = a E( X ) + b et V ( aX ) = a 2 V( X )



EXPERIENCES IDENTIQUES ET INDEPENDANTES.
Définition

Soit n ( n étant un entier naturel) expériences aléatoires identiques successives.
Ces expériences aléatoires identiques sont dites indépendantes lorsque la réalisation de l’une quelconque
d’entre elles ne dépend pas de la réalisation des autres expériences.

Calcul de probabilité lors d’une répétition d’expériences identiques et indépendantes.

Dans le cas d’une répétition d’expériences identiques et indépendantes, une issue est une liste de résultats
issus de cette répétition, et la probabilité de la liste est le produit des probabilités de chacun des résultats.
Dans le cas d’une répétition d’expériences identiques et indépendantes, on peut modéliser le calcul par un
arbre pondéré.
Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage                                      5




LOI DE BERNOULLI
Epreuve de Bernoulli.
C’est une expérience aléatoire n’ayant que deux issues possibles, que l’on nomme souvent succès et
échec.
Si p est la probabilité du succès, alors q = 1 – p est celle de l’échec.

Loi de Bernoulli.
Dans une épreuve de Bernoulli on considère la variable aléatoire X qui associe 1 au succès et 0 à l’échec.

La loi de probabilité de X, appelée loi de Bernoulli           xi                1                0
de paramètre p est:                                        p ( X = xi )          p              1– p


Propriétés.    Soit une variable aléatoire X suivant la loi de Bernoulli de paramètre p :
E ( X ) = p ; V ( X ) = p (1 – p) ; σ ( X ) = p(1 − p)




LOI BINOMIALE.
Schéma de Bernoulli.
On appelle schéma de Bernoulli l’expérience aléatoire consistant à effectuer successivement n épreuves
de Bernoulli identiques et indépendantes, de probabilité de succès p.

Loi Binomiale. Soit X une variable aléatoire indiquant le nombre de succès dans le cas d’un schéma
de Bernoulli. Cette variable X suit la loi binomiale B ( n , p ) de paramètres n et p, où n est un nombre
entier naturel représentant le nombre d’épreuves de Bernoulli effectuées et p est la probabilité du succès.

                                                                         n
Pour tout nombre entier naturel k tel que 0 ≤ k ≤ n :      p ( X = k ) =   pk qn-k
                                                                         k            avec q = 1 – p .
                                                                          
            n
Le nombre   est appelé coefficient binomial.
            k 
             
Il indique dans l’arbre pondéré le nombre de chemins réalisant k succès parmi les n épreuves de Bernoulli.

Propriétés.    Soit une variable aléatoire X suivant la loi binomiale B ( n , p ) :
E ( X ) = np ; V ( X ) = npq ; σ ( X ) = npq
Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage                            6



Propriétés des coefficients binomiaux

n                           n  n ( n -1 ) ( n - 2 ) ... ( n - k + 1 )       n!
  = 1 et pour 1 ≤ k ≤ n,   =
0                          k                                          =
                                           1 × 2 × ... × k              k!(n − k)!
Par convention 0! = 1
                 n          n
On a également :   = n , et   = 1
                 1          n
                             


                 n + 1      n    n         n       n     
Pour 0 ≤ k ≤ n, 
                 k + 1 =
                              +
                              k    
                                      k + 1 et  k  =
                                                        
                                                           n − k 
                                                                  
                                                         

Triangle de Pascal

   n  k              0               1               2               3                  4   5
     0                1
     1                1               1
     2                1               2               1
     3                1               3               3               1
     4                1               4               6               4                  1
     5                1               5               10              10                 5   1
Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage                                     7



Echantillonnage
Echantillon : Lorsque dans une population, on prélève au hasard, successivement et avec remise n
individus, on obtient un échantillon de taille n.


Nature du problème

Il s’agit de vérifier une information donnée sur une population d’effectif important à partir de l’étude d’un
échantillon de quelques dizaines d’unités. Ce type de situation se rencontre fréquemment dans le monde
industriel, car le plus souvent il n’est pas possible d’étudier la population entière.




Considérons une population où l’on suppose
qu’une proportion p d’individus présente un certain
caractère.
La méthode consiste à observer sur un échantillon
de taille n issu de cette population la proportion f
d’individus présentant le caractère donné.




On considère que l’échantillon prélevé est représentatif de la population.
Dans ce cas si la proportion observée dans l’échantillon est trop éloignée de l’hypothèse, on considère que
l’hypothèse de départ n’est pas correcte et on la rejette. Si la proportion observée dans l’échantillon est
proche de l’hypothèse on ne peut pas la rejeter. Le but est donc de définir les valeurs limites permettant de
prendre la décision.
Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage                                      8



Intervalle de fluctuation à 95%
Lorsqu’on observe un individu de l’échantillon, soit cet individu présente le caractère recherché ( succès)
soit il ne le présente pas (échec). L’observation d’un individu est donc une épreuve de Bernoulli.
L’hypothèse de départ étant à priori considérée comme bonne, la probabilité du succès correspond à la
proportion p d’individus présentant le caractère dans la population.
On répète cette épreuve n fois. Les épreuves sont identiques et indépendantes. On est donc dans le cas
d’un schéma de Bernoulli et la loi de probabilité est donc la loi binomiale B(n,p)

                                                                              a b
L’intervalle de fluctuation à 95% de la fréquence observée f est l’intervalle  ;  où :
                                                                              n n
n est l’effectif de l’échantillon
a est le plus petit entier tel que p ( X ≤ a ) > 2,5%
b est le plus petit entier tel que p ( X ≤ b) ≥ 97,5%

On a donc p (a ≤ X ≤ b) ≥ 95% d’où le nom d’intervalle de fluctuation à 95%

Cela signifie que si l’hypothèse de départ est correcte, on a une probabilité de 95% que la proportion f
                                                                                             a b
d’individus présentant le caractère dans l’échantillon tiré au hasard soit dans l’intervalle  ;  .
                                                                                             n n


Règle de décision :

        a b
Si f ∈  ;  , on ne peut pas rejeter l’hypothèse de
        n n
départ selon laquelle la proportion d’individus
présentant le caractère donné dans la population est p.

        a b
Si f ∉  ;  , on rejette l’hypothèse de départ selon
        n n
laquelle la proportion d’individus présentant le
caractère donné dans la population est p.

On dit qu’on rejette l’hypothèse au risque de 5% car il
se pourrait que l’échantillon ne soit pas représentatif et
que l’hypothèse soit en fait bonne. On prend donc le
risque de 5% de se tromper.


Remarque :
Lorsque n > 25 ( n étant l’effectif de l’échantillon ) et 0,2 < p < 0,8 ( p étant la proportion, dans la
                                                                                     1       1
population, du caractère étudié) l’intervalle de fluctuation est proche de  p −        ;p+     
                                                                                     n       n

Contenu connexe

Tendances

Chingatome premiأ¨re es-probabilitأ©
Chingatome premiأ¨re es-probabilitأ©Chingatome premiأ¨re es-probabilitأ©
Chingatome premiأ¨re es-probabilitأ©
Aziz Zahri
 
Cours probabilite 2013
Cours probabilite 2013Cours probabilite 2013
Cours probabilite 2013
simoh-salhi
 
RCM005 - Fonctions exponentielles
RCM005 - Fonctions exponentiellesRCM005 - Fonctions exponentielles
RCM005 - Fonctions exponentielles
Clément Boulonne
 
Probabilités et statistiques 1ère partie
Probabilités et statistiques   1ère partie Probabilités et statistiques   1ère partie
Probabilités et statistiques 1ère partie
Hassan Chebki
 
Probabilité échantillonage
Probabilité   échantillonageProbabilité   échantillonage
Probabilité échantillonage
Taha Can
 
Polynesie2014maths s-oblig&spe
Polynesie2014maths s-oblig&spePolynesie2014maths s-oblig&spe
Polynesie2014maths s-oblig&spe
Fabrice Lallemand
 
(Statdes regression biv_ensta_21oct2010)
(Statdes regression biv_ensta_21oct2010)(Statdes regression biv_ensta_21oct2010)
(Statdes regression biv_ensta_21oct2010)
mohamedchaouche
 
Euclidien12octobre
Euclidien12octobreEuclidien12octobre
Euclidien12octobre
che7t
 
1ère s cours sur fonctions polynômes de degré quelconque
1ère s cours sur fonctions polynômes de degré quelconque1ère s cours sur fonctions polynômes de degré quelconque
1ère s cours sur fonctions polynômes de degré quelconque
Khaled Naas
 
M2 An 1986 20 3 371 0
M2 An 1986  20 3 371 0M2 An 1986  20 3 371 0
M2 An 1986 20 3 371 0
guest8b8369
 
Analyse combinatoire
Analyse combinatoireAnalyse combinatoire
Analyse combinatoire
meryem2002
 
Sommation séries entières
Sommation séries entièresSommation séries entières
Sommation séries entières
Loïc Dilly
 
ALGEBRE BINAIRE ET CIRCUITS LOGIQUES
ALGEBRE BINAIRE ET CIRCUITS LOGIQUESALGEBRE BINAIRE ET CIRCUITS LOGIQUES
ALGEBRE BINAIRE ET CIRCUITS LOGIQUES
sarah Benmerzouk
 

Tendances (19)

Chingatome premiأ¨re es-probabilitأ©
Chingatome premiأ¨re es-probabilitأ©Chingatome premiأ¨re es-probabilitأ©
Chingatome premiأ¨re es-probabilitأ©
 
Cours probabilite 2013
Cours probabilite 2013Cours probabilite 2013
Cours probabilite 2013
 
RCM005 - Fonctions exponentielles
RCM005 - Fonctions exponentiellesRCM005 - Fonctions exponentielles
RCM005 - Fonctions exponentielles
 
Cours
CoursCours
Cours
 
Probabilités et statistiques 1ère partie
Probabilités et statistiques   1ère partie Probabilités et statistiques   1ère partie
Probabilités et statistiques 1ère partie
 
Probabilité échantillonage
Probabilité   échantillonageProbabilité   échantillonage
Probabilité échantillonage
 
Polynesie2014maths s-oblig&spe
Polynesie2014maths s-oblig&spePolynesie2014maths s-oblig&spe
Polynesie2014maths s-oblig&spe
 
(Statdes regression biv_ensta_21oct2010)
(Statdes regression biv_ensta_21oct2010)(Statdes regression biv_ensta_21oct2010)
(Statdes regression biv_ensta_21oct2010)
 
Euclidien12octobre
Euclidien12octobreEuclidien12octobre
Euclidien12octobre
 
1ère s cours sur fonctions polynômes de degré quelconque
1ère s cours sur fonctions polynômes de degré quelconque1ère s cours sur fonctions polynômes de degré quelconque
1ère s cours sur fonctions polynômes de degré quelconque
 
Startimes2
Startimes2Startimes2
Startimes2
 
M2 An 1986 20 3 371 0
M2 An 1986  20 3 371 0M2 An 1986  20 3 371 0
M2 An 1986 20 3 371 0
 
Analyse combinatoire
Analyse combinatoireAnalyse combinatoire
Analyse combinatoire
 
Vraisembl
VraisemblVraisembl
Vraisembl
 
Cb08
Cb08Cb08
Cb08
 
Sommation séries entières
Sommation séries entièresSommation séries entières
Sommation séries entières
 
ALGEBRE BINAIRE ET CIRCUITS LOGIQUES
ALGEBRE BINAIRE ET CIRCUITS LOGIQUESALGEBRE BINAIRE ET CIRCUITS LOGIQUES
ALGEBRE BINAIRE ET CIRCUITS LOGIQUES
 
Chap07
Chap07Chap07
Chap07
 
Espacesvec
EspacesvecEspacesvec
Espacesvec
 

En vedette

schéma regional de l'offre de soins
schéma regional de l'offre de soins schéma regional de l'offre de soins
schéma regional de l'offre de soins
mohamed elmarnissi
 
Olivier Féron's talk at BigMC March 2011
Olivier Féron's talk at BigMC March 2011Olivier Féron's talk at BigMC March 2011
Olivier Féron's talk at BigMC March 2011
BigMC
 
SCoT_Lorient_projections démographiques
SCoT_Lorient_projections démographiquesSCoT_Lorient_projections démographiques
SCoT_Lorient_projections démographiques
AudéLor
 
Echantillon
EchantillonEchantillon
Echantillon
Kaiogan
 
20141128 demogr bxl_06_mv
20141128 demogr bxl_06_mv20141128 demogr bxl_06_mv
20141128 demogr bxl_06_mv
SocDemoFB
 

En vedette (6)

schéma regional de l'offre de soins
schéma regional de l'offre de soins schéma regional de l'offre de soins
schéma regional de l'offre de soins
 
Olivier Féron's talk at BigMC March 2011
Olivier Féron's talk at BigMC March 2011Olivier Féron's talk at BigMC March 2011
Olivier Féron's talk at BigMC March 2011
 
SCoT_Lorient_projections démographiques
SCoT_Lorient_projections démographiquesSCoT_Lorient_projections démographiques
SCoT_Lorient_projections démographiques
 
Echantillon
EchantillonEchantillon
Echantillon
 
20141128 demogr bxl_06_mv
20141128 demogr bxl_06_mv20141128 demogr bxl_06_mv
20141128 demogr bxl_06_mv
 
échantillonnage
échantillonnageéchantillonnage
échantillonnage
 

Similaire à 1s prob

1re s probabilite_variable_aleatoire
1re s probabilite_variable_aleatoire1re s probabilite_variable_aleatoire
1re s probabilite_variable_aleatoire
Jawhar Farhat
 
Loi de Bernoulli: Forces en Action_Équilibre des Fluides
Loi de Bernoulli: Forces en Action_Équilibre des FluidesLoi de Bernoulli: Forces en Action_Équilibre des Fluides
Loi de Bernoulli: Forces en Action_Équilibre des Fluides
ayoubdergaoui90
 
Chapitre1.pdf
Chapitre1.pdfChapitre1.pdf
Chapitre1.pdf
MedNajiBebeye
 
DS6-CB-sujet (1).pdf
DS6-CB-sujet (1).pdfDS6-CB-sujet (1).pdf
DS6-CB-sujet (1).pdf
hajar517389
 
Cours stat2-kharrat
Cours stat2-kharratCours stat2-kharrat
Cours stat2-kharrat
Mounir Hanini
 
Modèles probabilistes chapitre 4 et 3.pdf
Modèles probabilistes chapitre 4 et 3.pdfModèles probabilistes chapitre 4 et 3.pdf
Modèles probabilistes chapitre 4 et 3.pdf
KOUADIOPATRICE1
 
stat2-slides-2020.pdf
stat2-slides-2020.pdfstat2-slides-2020.pdf
stat2-slides-2020.pdf
HuiQingLim3
 
Probabilités et statistiques 2ème partie
Probabilités et statistiques   2ème partieProbabilités et statistiques   2ème partie
Probabilités et statistiques 2ème partie
Hassan Chebki
 
CHAPITRE 2 VARIABLE ALEATOIRE probabilité.ppt
CHAPITRE 2 VARIABLE ALEATOIRE probabilité.pptCHAPITRE 2 VARIABLE ALEATOIRE probabilité.ppt
CHAPITRE 2 VARIABLE ALEATOIRE probabilité.ppt
bentaha1011
 
Ch logique (1)
Ch logique (1)Ch logique (1)
Ch logique (1)
AHMED ENNAJI
 
Ch logique cours
Ch logique coursCh logique cours
Ch logique cours
bades12
 
Mathématiques Générales.pdf
Mathématiques Générales.pdfMathématiques Générales.pdf
Mathématiques Générales.pdf
KarimBara2
 

Similaire à 1s prob (13)

1re s probabilite_variable_aleatoire
1re s probabilite_variable_aleatoire1re s probabilite_variable_aleatoire
1re s probabilite_variable_aleatoire
 
Loi de Bernoulli: Forces en Action_Équilibre des Fluides
Loi de Bernoulli: Forces en Action_Équilibre des FluidesLoi de Bernoulli: Forces en Action_Équilibre des Fluides
Loi de Bernoulli: Forces en Action_Équilibre des Fluides
 
Chapitre1.pdf
Chapitre1.pdfChapitre1.pdf
Chapitre1.pdf
 
DS6-CB-sujet (1).pdf
DS6-CB-sujet (1).pdfDS6-CB-sujet (1).pdf
DS6-CB-sujet (1).pdf
 
Cours stat2-kharrat
Cours stat2-kharratCours stat2-kharrat
Cours stat2-kharrat
 
Modèles probabilistes chapitre 4 et 3.pdf
Modèles probabilistes chapitre 4 et 3.pdfModèles probabilistes chapitre 4 et 3.pdf
Modèles probabilistes chapitre 4 et 3.pdf
 
stat2-slides-2020.pdf
stat2-slides-2020.pdfstat2-slides-2020.pdf
stat2-slides-2020.pdf
 
Probabilités et statistiques 2ème partie
Probabilités et statistiques   2ème partieProbabilités et statistiques   2ème partie
Probabilités et statistiques 2ème partie
 
CHAPITRE 2 VARIABLE ALEATOIRE probabilité.ppt
CHAPITRE 2 VARIABLE ALEATOIRE probabilité.pptCHAPITRE 2 VARIABLE ALEATOIRE probabilité.ppt
CHAPITRE 2 VARIABLE ALEATOIRE probabilité.ppt
 
Ch logique (1)
Ch logique (1)Ch logique (1)
Ch logique (1)
 
Ch logique cours
Ch logique coursCh logique cours
Ch logique cours
 
Vraisembl
VraisemblVraisembl
Vraisembl
 
Mathématiques Générales.pdf
Mathématiques Générales.pdfMathématiques Générales.pdf
Mathématiques Générales.pdf
 

1s prob

  • 1. Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage 1 VOCABULAIRE Un sac contient 7 numéros: 4 rouges R1 , R 2 , R 3 ,R 4 et 3 blancs B 5 , B 6 , B 7 . On tire au hasard un numéro du sac. Vocabulaire Signification Exemples Expérience aléatoire Expérience dont le résultat n’est pas Tirer un numéro du sac ou épreuve prévisible parmi des résultats possibles Eventualité Issue possible de l’épreuve Tirer R 3 Univers Ω Ensemble de toutes les éventualités Ω = {R1 ,R 2 ,R 3 ,R 4 ,B 5 , B 6 , B 7 } issues de l’épreuve Evénement Ensemble des éventualités liées à une A: ‘‘ Obtenir un numéro impair ’’ action, une situation. C’est une partie A= {R1 , R 3 , B 5 , B 7 } de l’univers B: ‘‘ Obtenir un numéro rouge ’’ B = { R1 , R2, R3 , R4 } Evénement Evénement n’ayant qu’une seule C: ‘‘ Obtenir le numéro 7 ’’ élémentaire éventualité C = { B7 } Evénement certain Evénement contenant toutes les D: ‘‘ Obtenir un numéro inférieur à 10 ’’ éventualités de l’épreuve D= Ω Evénement Evénement qui ne se réalise jamais E: ‘‘ Obtenir un numéro vert ’’ impossible E= ∅ Intersection d’ Evénement formé par l’ensemble des A ∩ B: ‘‘ Obtenir un numéro impair et événements éventualités communes à A et à B rouge ’’ A∩B A ∩ B = {R1 , R 3 } Réunion d’ Evénement formé par l’ensemble des A ∪ B: ‘‘ Obtenir un numéro impair ou événements éventualités de A ou de B rouge ’’ A∪B A ∪ B = {R1 ,R 2 ,R 3 ,R 4 ,B 5 ,B 7 } Evénements Evénements n’ayant aucune éventualité F: ‘‘ Obtenir un numéro blanc’’ incompatibles commune. Leur intersection est vide G: ‘‘ Obtenir R 3 ’’ ( ou disjoints ) F∩G = ∅ Evénements Evénements incompatibles dont la A : ‘‘ Obtenir un numéro pair ’’ contraires réunion forme l’univers A= { R2, R4, B6 } A et A
  • 2. Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage 2 PROBABILITES Définition Définir une loi de probabilité, liée à une épreuve sur un univers Ω , c’est associer à chaque événement un nombre compris entre 0 et 1 tel que: • la somme des probabilités des événements élémentaires est égale à 1 • La probabilité d’un événement est égale à la somme des probabilités des événements élémentaires qui le composent. Propriétés Soit A et B deux événements de Ω . • p ( A) = 1 - p ( A ) • p( ∅ )=0 • p (Ω ) = 1 • Si A ⊂ B alors p ( A ) ≤ p ( B ) • p ( A∪B ) = p ( A ) + p ( B ) - p ( A∩B ) • Si A et B sont incompatibles p (A ∪ B ) = p ( A ) + p ( B ) Loi de probabilité et distribution des fréquences : loi des grands nombres Pour une expérience donnée, dans le modèle défini par une loi de probabilité, les distributions des fréquences calculées sur des séries de taille n se rapprochent de la loi de probabilité quand n devient grand. Autrement dit : plus le nombre de répétitions de la même expérience est grand, plus la fréquence observée d’apparition d’un résultat se rapproche de la probabilité théorique d’apparition de ce résultat. ( Lorsqu’on lance une pièce de monnaie et que l’on calcule la fréquence d’apparition de pile, plus le nombre de lancers sera grand, plus la fréquence se rapprochera de 0,5 ) Equiprobabilité Lors d’une épreuve, si toutes les éventualités ont la même chance d’apparaître, on est en situation d’équiprobabilité. nombre de cas favorables Nombre d' éléments de A Dans le cas d’ équiprobabilité : p(A)= = nombre de cas possibles Nombre d' éléments de
  • 3. Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage 3 VARIABLE ALÉATOIRE. Définition. Ω étant l’univers associé à une épreuve aléatoire, définir une variable aléatoire sur Ω c’est associer un réel à chaque éventualité de Ω . ( Attention, une variable aléatoire est une fonction ). Loi de probabilité d’une variable aléatoire. X étant une variable aléatoire définie sur un univers fini Ω , définir la loi de probabilité de X, c’est associer à chaque valeur x i prise par X, la probabilité p ( X = x i ) Exemple Une roue de loterie est partagée en 12 secteurs égaux : 6 bleus, 3 verts, 2 jaunes et 1 rose . Lors d’une partie, on fait tourner la roue et un repère fixe désigne la couleur obtenue à l’arrêt. Le joueur gagne 50 euros si la roue s’arrête sur la zone rose, 10 si la roue s’arrête sur la zone jaune, 0 si la roue s’arrête sur la zone verte et il perd 10 euros si la roue s’arrête sur la zone bleue. Définir une variable aléatoire correspondant à cette épreuve et déterminer sa loi de probabilité. Eventualités Réel associé x i Probabilité Variable Loi de p ( X = x i ). → → Arrêt sur bleu aléatoire – 10 probabilité 1/2 Arrêt sur vert 0 1/4 Arrêt sur jaune 10 1/6 Arrêt sur rose 50 1/12 Ensemble des valeurs prises par la variable aléatoire : X = { –10, 0, 10, 50 } Loi de probabilité de X xi –10 0 10 50 p ( X = x i ). 1/2 1/9 1/4 1/12
  • 4. Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage 4 Espérance mathématique d’une variable aléatoire, Variance, Ecart-type. Soit { x 1 , x 2 , ... , x n } l’ensemble des valeurs prises par une variable aléatoire X. Pour tout nombre entier i tel que 1 ≤ i ≤ n on pose p i = p ( X = x i ). On appelle espérance mathématique de la variable aléatoire X le nombre réel noté E ( X ) défini par: n E ( X ) = ∑ xi pi = x 1 p 1 + x 2 p 2 + ... + x n p n i=1 Si E ( X ) = 0 , on dit que X est une variable centrée. On appelle variance de la variable aléatoire X le nombre réel positif noté V ( X ) défini par: n n V(X)= ∑ pi ( x i - E ( X ) ) 2 = ∑ pi x i 2 - E ( X )2 i=1 i=1 Si V ( X ) = 1 , on dit que X est une variable réduite. On appelle écart-type de la variable aléatoire X le nombre réel positif noté σ ( X ) défini par: σ( X ) = V(X) Propriétés : Soit a et b deux réels : E ( aX + b) = a E( X ) + b et V ( aX ) = a 2 V( X ) EXPERIENCES IDENTIQUES ET INDEPENDANTES. Définition Soit n ( n étant un entier naturel) expériences aléatoires identiques successives. Ces expériences aléatoires identiques sont dites indépendantes lorsque la réalisation de l’une quelconque d’entre elles ne dépend pas de la réalisation des autres expériences. Calcul de probabilité lors d’une répétition d’expériences identiques et indépendantes. Dans le cas d’une répétition d’expériences identiques et indépendantes, une issue est une liste de résultats issus de cette répétition, et la probabilité de la liste est le produit des probabilités de chacun des résultats. Dans le cas d’une répétition d’expériences identiques et indépendantes, on peut modéliser le calcul par un arbre pondéré.
  • 5. Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage 5 LOI DE BERNOULLI Epreuve de Bernoulli. C’est une expérience aléatoire n’ayant que deux issues possibles, que l’on nomme souvent succès et échec. Si p est la probabilité du succès, alors q = 1 – p est celle de l’échec. Loi de Bernoulli. Dans une épreuve de Bernoulli on considère la variable aléatoire X qui associe 1 au succès et 0 à l’échec. La loi de probabilité de X, appelée loi de Bernoulli xi 1 0 de paramètre p est: p ( X = xi ) p 1– p Propriétés. Soit une variable aléatoire X suivant la loi de Bernoulli de paramètre p : E ( X ) = p ; V ( X ) = p (1 – p) ; σ ( X ) = p(1 − p) LOI BINOMIALE. Schéma de Bernoulli. On appelle schéma de Bernoulli l’expérience aléatoire consistant à effectuer successivement n épreuves de Bernoulli identiques et indépendantes, de probabilité de succès p. Loi Binomiale. Soit X une variable aléatoire indiquant le nombre de succès dans le cas d’un schéma de Bernoulli. Cette variable X suit la loi binomiale B ( n , p ) de paramètres n et p, où n est un nombre entier naturel représentant le nombre d’épreuves de Bernoulli effectuées et p est la probabilité du succès. n Pour tout nombre entier naturel k tel que 0 ≤ k ≤ n : p ( X = k ) =   pk qn-k k  avec q = 1 – p .   n Le nombre   est appelé coefficient binomial. k    Il indique dans l’arbre pondéré le nombre de chemins réalisant k succès parmi les n épreuves de Bernoulli. Propriétés. Soit une variable aléatoire X suivant la loi binomiale B ( n , p ) : E ( X ) = np ; V ( X ) = npq ; σ ( X ) = npq
  • 6. Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage 6 Propriétés des coefficients binomiaux n  n  n ( n -1 ) ( n - 2 ) ... ( n - k + 1 ) n!   = 1 et pour 1 ≤ k ≤ n,   = 0 k  =     1 × 2 × ... × k k!(n − k)! Par convention 0! = 1 n n On a également :   = n , et   = 1 1  n      n + 1 n n  n n  Pour 0 ≤ k ≤ n,   k + 1 =   + k    k + 1 et  k  =     n − k             Triangle de Pascal n k 0 1 2 3 4 5 0 1 1 1 1 2 1 2 1 3 1 3 3 1 4 1 4 6 4 1 5 1 5 10 10 5 1
  • 7. Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage 7 Echantillonnage Echantillon : Lorsque dans une population, on prélève au hasard, successivement et avec remise n individus, on obtient un échantillon de taille n. Nature du problème Il s’agit de vérifier une information donnée sur une population d’effectif important à partir de l’étude d’un échantillon de quelques dizaines d’unités. Ce type de situation se rencontre fréquemment dans le monde industriel, car le plus souvent il n’est pas possible d’étudier la population entière. Considérons une population où l’on suppose qu’une proportion p d’individus présente un certain caractère. La méthode consiste à observer sur un échantillon de taille n issu de cette population la proportion f d’individus présentant le caractère donné. On considère que l’échantillon prélevé est représentatif de la population. Dans ce cas si la proportion observée dans l’échantillon est trop éloignée de l’hypothèse, on considère que l’hypothèse de départ n’est pas correcte et on la rejette. Si la proportion observée dans l’échantillon est proche de l’hypothèse on ne peut pas la rejeter. Le but est donc de définir les valeurs limites permettant de prendre la décision.
  • 8. Probabilités. Variable aléatoire. Loi binomiale. Echantillonnage 8 Intervalle de fluctuation à 95% Lorsqu’on observe un individu de l’échantillon, soit cet individu présente le caractère recherché ( succès) soit il ne le présente pas (échec). L’observation d’un individu est donc une épreuve de Bernoulli. L’hypothèse de départ étant à priori considérée comme bonne, la probabilité du succès correspond à la proportion p d’individus présentant le caractère dans la population. On répète cette épreuve n fois. Les épreuves sont identiques et indépendantes. On est donc dans le cas d’un schéma de Bernoulli et la loi de probabilité est donc la loi binomiale B(n,p) a b L’intervalle de fluctuation à 95% de la fréquence observée f est l’intervalle  ;  où : n n n est l’effectif de l’échantillon a est le plus petit entier tel que p ( X ≤ a ) > 2,5% b est le plus petit entier tel que p ( X ≤ b) ≥ 97,5% On a donc p (a ≤ X ≤ b) ≥ 95% d’où le nom d’intervalle de fluctuation à 95% Cela signifie que si l’hypothèse de départ est correcte, on a une probabilité de 95% que la proportion f a b d’individus présentant le caractère dans l’échantillon tiré au hasard soit dans l’intervalle  ;  . n n Règle de décision : a b Si f ∈  ;  , on ne peut pas rejeter l’hypothèse de n n départ selon laquelle la proportion d’individus présentant le caractère donné dans la population est p. a b Si f ∉  ;  , on rejette l’hypothèse de départ selon n n laquelle la proportion d’individus présentant le caractère donné dans la population est p. On dit qu’on rejette l’hypothèse au risque de 5% car il se pourrait que l’échantillon ne soit pas représentatif et que l’hypothèse soit en fait bonne. On prend donc le risque de 5% de se tromper. Remarque : Lorsque n > 25 ( n étant l’effectif de l’échantillon ) et 0,2 < p < 0,8 ( p étant la proportion, dans la  1 1 population, du caractère étudié) l’intervalle de fluctuation est proche de  p − ;p+   n n