il Rappels des dénombrements 1.1 Langage des ensembles 11.1 Cardinal d'un ensemble fini Soit E un ensemble. On existe um enti ‘que E est fink lorsquielle est vide ou lors eurel non nul n et une bijection déinie de £ sur (1,2,...-n} nslappelle alors le cardinal de E oté eard E west pas vide et i 1.1.2 Intersection et réunion de deux ensembles finis Définition Soient 4 et B deux en z rmbles Finis, semble des éléments qui appartiennent & A ow & B s'appelle la union de A et B. (ee AUB Sz eAweed) Leensemble des éléments qui appartiennent & A et & B s'appelle Vintersection de A et [et se note ANB et se lit A inter B. (EeanBSredazed] ‘Théoreme feard(AU B) ard AN B)] A) + eard(B) Remarque : Si AM B= 0. On dit que A et B sont disjoint. AN B= 0 = card{AU B) = card) + card(B) 1.1.3 Partie d’un ensemble 77 e de B, tout ensemble A vide ou Soit Fun ensemble fini. On appelle partie de E ou sous ensemble de B, tout tel que tout élément de A est élément de B, On dit que A est inclus dans E et on note Ac E. Ac 1=0, ou AAO, aVacd, ac] SIAC E alors card(A) < card(B) si A et sont fins. Si B est fini alors PB) est fin Si card(B) = n alors [eard(P(E)) = 2")jmentair 114 Comp! aa je fini . 1.15 Produit cartésien d'un ensemblk eye teen . : F inis. On appelle produit ear sien wit Beet F deux ensembles » BaF i ec FT cement 29) B® Remaraue = Rene x Et ard A= carat Bycar PY) a, Soon, B, Bay» P omsemble pen i x By= (Cane Bix Fs) sappalle on ure $525 on di un coke Spa son dit un tpet Sn ait um avait i Sima on wn ap alr Bi x Ba Be BE xB. Ete Br (nyse ze: 26 € ED ae a gl rn eet de Fou we rie Sm de B. = Gar er) ert) Si card(E) Exemple 11-1 1 de nurméros de Uéléphone «8 chiffres ? 709 letephone 68 chiffres ne comportant pas le chiffre 0? 2. Un quastionnaire & choix multiples, antorisont une sevle réponse par destin comprend 15 oe ce Pour chaque question, on propose {réponses posses, De combien de facon® peut-on Fepondre & ce questionnaire ? 1. Combien peul-on formes Combien pent-on former de num Remarque 1-1 Dace dimen dum ensemble dn éléments ext le résultat de p tage d'un élément avec remise 1.1.6 Systeme complet d’événements Soit Ay; ni An des évenement de 9. Définition 1.1 On dit que (A) nAeO Aq} est un aystéme complet d'événements de 2 si Vi O vies a Dr F.DERE/ISCE BF| u Rime Pa “année TS/2021-2022|12. ARRANGEMENT, COMBINAISON 1.2 Arrangement, combinaison 1.2.1 Arrangement Définition Soit Eun ensemble fini de cardinal net p un entier naturel féxieur on égal An. On appelle ngement de p-ckiment de E on parrangement des éléments de E tout puplet d'éement de dws A deux distinets NB : Un p-arrangement des n éléments de & est assimilable & p tirage successif d'un élément parmi les n sans remise ‘Théoreme Soient m et p deux entiers natures tel mi les nléments est n(n ix Ona AL =n; Par convention A = 1 Cas particulier: que 0 < p ace (Py: AcC> UA ce = (Fy Ace 10— | 2.2.2 Définitions de Probal 2.2.2 Définitions de Probabilité Définition 2.2 vents est la somme des probabilités des événem 1. La probabilité d'un événement d'univers méme probabiité. Alémentaires qui le constitue, 2. On dit quil y a équiprobabiité lorsque tous les événements élémentaires on nombre d’éléments de A _ Card(A) nl) Dans ce cus, on @ PUA = Nombre d’eléments de 0 Remarque 2.1 Dans un exercice, pou signifier yu'on est dans une station dquprobabiité on a giertement a Vénoncé un expression du type + on tance un dé nom pip, dans une urne, ily a des boules indiscernables au toucher, = on rencontre au hasard une personne parmi 2.2.3. Propriétés des probabilités Propriété 2.2.1 Soit A et B deur événements, on a les propriétés suivantes : 1 PO) 2 PO) 8. 0< P(A) <1. 4. PCA) =1- P(A). P(AUB) = P(A) + P(B) ~ ANB). Exemple 2.2.1 On considére Vensemble B des entiers de 1 4.20. On choisit lun de ces nombres au hasard, ono ieatnement + te nombre est multiple de 3°, On a A= {3;6;5;12; 15:18) B est Uévdnement: * le ccanbre eat multiple de 2 *: B= {2:4,6;8;10;12; 14;16;18;20}, Calul des probabiités 6 =0,3, x 10 - 3 2. PA) =1- P(A) =1- 55 1 P(A) 01 3. PB)= 5575 4. PANB) = 5 = 15: 6, 3 1 (AUB) = PLA) + PLB) = PAD B) = 5 * 29 ~ 30 = 30 = 2.3 Probabilité conditionnelle et indépendance Définitions et notions de probabilité conditionnelle nt tel que P(B #0). ment & B (ou de A sachant B) Ia probabilité ‘onditionnelle de A relativen ie sachant que B est réalisé ul Bime année TS/2021-2022|Exemple 2.3-1 (On considre Uexpérience aléatoire consistant &loncer un dé a6 faces, équilibré. On suppose que toutes les faces sont équiprobables, ct on définit les événements B “la face oblenue porte un munéro pair*; — A: "la face obtenue porte wn numéro multiple de 3 Déterminons la probabilité doblenir un numéro multiple de 3, sachant qu’on a un numéro pair de deur maniéres différentes. Propriété 2.3.1 Pour tous événements A et B de probabiité non nalle, on a P(ANB) = P(B)Pa(A) = P(A)PA(B) (a) Soit A, Bet C des évtnements tel que P(B) #0. On ales propriété suivantes Propriété 2.3.2 1.05 Po(A) <1; Pal) 3. Pa() =0; 4. Pa(A) = 1 Pala); 5. Pa(AUC) = Pal A) + Pa(C)~ Pol ANC); 6. Si A etC sont des événements incompatibes, alors Py(AUC) = Po(A) + Pa(C) (ANG) = Ps(AUC) = 1 - Pol Ave), Ces proprités reviennent & dire qu'une probabil les proprieés habituelles du cate des probabilits conditionnele relative A un éxénement B a toutes 2.3.2 Probabilité totale La formule de la probabilité totale est donnée comme suit Propriété 2.3.8 (Formule des probabilités totales) Soit A et B des Znements de probabiliés non malts alors POA) ‘al A) PCB) + PAPC) (22) Diune fagon générale, soit (Ans ) an systéme complet d inents eB un fxtnement sors P(B) = > PUBIANPLAD (2a) Pxemple 23.2 Dons un atelier, deur machines M, et Mp découpent des pidees métalliques identiques. My fournit 60% de la production (parm tesquelles 6, 3% sont défectueuses), le reste étant fourni par Mz (dont 4% de la production est défectueuse) Le production du jour est consituée des pides produtes par les deur machines, ct on en tire en in ide soirée ame pice au hasard (tous les prélévements sont supposés équiprotabes) 1. Quelle est le probabiité de préleer une pidee défeetueuse, sachant qu'elle est produite por Mi? 2 Quelle 1 lx probabiité de prélever une pte défectuense, sachent qu'elle est produte par Ma 3. Quelle est ta probabilité de prélever une pce défectueuse ? [Par Dr F-RENE/15G8-BP)Lépend ‘évenements 2.3.3 Indépendance A ‘Jrowver Pindépendance de A et B. Bet sonteits indépendar in je rouge remarquer (He 1 ex B sont des événements de probobites Oot ules, on peut remara sByPmta) = PLAYPA(B) = PCA)-PCB) 8 P(A) et Pa(B) = PUB) Dans fe eas of Pan) ~ Pal A) = te 1 vient ln prope Sait AaB; AaB sont également des Si A et B sont des AaB AaBiAa ycnement indépendant senements indépendants, alors ‘On note done que Proposition 2.3.1 ones salement si Pa(A) = P9(A) = PCA) pene exénements A et B sont indépendants si et 8 2.3.4 Théordme de Bayes Aq) un aystéme complet d’évenement 4 formule de Bayes est la suivante PUB/ADPLAD, aa} Th PB/ANPCA) Soit (As ‘un espace ®. Soit B un évnement de pro~ babilté non nulle alors la PAID) Remarque 2.2 seer de Bayes est utilise te plas sowent pour le ealeal des probabilités de causes dan les diagnostics des maladies, des pannes. se aro ves apéealisée dans Fiisation du théoréme de Bayes est la Statistique Bayésienne. Exemple 2.3.4 aoesarnitte donnée, on ae rend comple que 4%, des ordinateurs de VISGE sont attaqués par des virus, Gn disyese d'un appareit de tests de détection des virus SiC ornate et tent, alas et est posi vce we probable de 95%,- ‘Sitondinateur est sain, alors le test ext posiif avec une probabilité de 10%,. 1 Quelle eto probit pour wn ordinateur d'treateint a son tet eat psi? 2. Quelle etl protablté pour wn ertnaeur dt u resin ssn test xt pong? Aegof 9 Dr PBERE/ISGE-BE)Variables aléatoires 3.1 Généralité des variables aléatoires 3.1.1 Définitions Definition 3.1 On appette variable aléatore (v.a)& valeurs dans R®, ta fonction mesurable X = X(w) {Xa}: Xow}; Naw) léfinie sur Vespace de Vespace probabilisé (0,C,P) etd valeurs dans un espace dit d'état E de R” De cette défintion, on tice Definition 3.2 Soit B un ensemble de Uespace d'état et soit Py ta mesure associée d la v.a X. On appelle loi de Protabiité de X ou distribution de protabilité de X., la mesure Px, image par X de la Probabilité P définie sur (%C) et wérifant Px(B) = P(X"(B)) = P(X € B) (an) 3.1.2 Loi de probabilité d'une variable aléatoire Definition 3.3 Le loi de probabiité de la variable alétoire X est la fonction f qui a chaque valeur associe sa proba ite Remarque 3.1 En général, on présente la loi d'une variable alétoire X sous la forme d'un tableau, qui réc valeurs prises par X ainsi que les probabltésassocites, Dans tout le ste du chapitre, on considera la vatinbe alétoire diserte de lot (—VWateurs dea (Probabitne p= a) cess 1.3. Fonction de répartition Définition 3.4 Sit X une variable allatore, on apple fonction de réarttion de X ta fonction définie sur R par F(x) = P((we 0/X(w) <2) PIX <2) Propriété 3.1.1 Le difintion nows permet derive 1. F(z) = P(X €|~00;2)) 2 Plas X = PRED) (32) PIX 9 < “EO (as) 3.1.6 Fonction caractéristique-Fonction génératrice 8.1.6.1 Fonction caractéristique Définition 3.7 La fonction earactérstique dune wa X (si elle existe) est la fonction notée souvent insies ) eat la fo tee souvent Y(t) et définie Yx(0) = Blexo(itx)) On vériie les propriétés snivantes Propriété 3.1.3 [For Dr FaPRE/ISGR DF) 6ABLES ALEATOIRES DISCRETES A E(x) Vaxsalt) = wx (athe vx(0 = Dee“ 3.1.6.2 Fonction génératrice Définition 3.8 1 La fonction génératrice des moments d'une a aX (si elle existe) est la fonction notée souven Gx et définie de |~1;1| dans par ' eteloesien : Gx(u) = Elezp(uX)) 2% SiX eat une variable aléatoire discéteon defini la fonction généarce par Ox(u) = E(u) On veri ls propitéssuvantes x (1) = BX) (A) + a(t) — fac =\Y () 3.2 Variables aléatoires discrétes 3.2.1 Définition Détini 39 Une grandeur numérique X prenant, lors d'une expérience aléatore, des valeurs 3,22, .,24 avec des Probabiltés p,pa,..Py est une variable aléatoire diseréte. Exemple $21 Un jew de hasand consisted lancer um dé duiiré & 6 faces. Le lanceur gegne la somme double de a valeur de ta face obtenue si cell-ci est paie, sino Berd le double de la valeur indiquée parle dé On apple X te gain, psitif ou négatif, du joueur apres wn lance. 1. Quel est ensemble des issues possbles =, 2 Sort X la variable aléatoire lide aur évtnements, Quelles sont les valews prises par X 3.2.2 Exemple de lois discrétes 3.2.2.1 Loi de Bernoulli Une va X est de Bernoulli de paramdtte p et on note X ~ (1p) si X= {0:1} et Px (5) On démontre que E(X) =p et V(X) = pa = [Par Dr F.wERE/ISGE DP) 6 [Zime année 7572031-2028) (eee El3.2.2 Exemple de lois discrétes 3.2.2.2 Loi Binomiale nat Une va x aut bi bone paramétre n, ete ot dite parm dpreve a @n pet on note X ~ B(n,p) si pix eh =04 ot . On note que F(k) = > POA ) puis E(X) = np et V(X) = m0 3.2.2.3 Loi Géométrique a Cette Ini modelise Ia réaisation du premier sucos & cours de plusieurs 6preWwes g Vattente de la premiére réalisation du suecés dans un processus sans mémoire . Ainsi, le caractre aléatoire n'est pas le nombre de sueeés, mais le nom! nombre d'épreuve nécessaire au premier succés. I suit une loi géométrique de para X~ Geom) si Pix=a)=n1—srt Xu g(r) aeV(xy=$ bre d'épreuves. X est le ytre pet on note (38) ‘on démontre que £(X) 3.2.2.4 Loi binomiale négative ou loi de Pascal Cest une génératiation dela lot gémétrique. Consdérons un schéma de Bernoull de probabilité » ‘Le nombre d'preuves pour obtenitrsuccés ext une variable aléatoire X. (On dfnit lav. X comme ant le nombre déprewves nécesmires ir sucés, On dit que X sult la Jot de Paseal de paramétres ret p. Lali de probabilté de WB{r,p) est donnce par = P(X =2)= Cre zr Aisi EX) = 5; 3.2.2.5 Loi Hypergéométrique Définition 3.10 (On considére une population de taille N dont Ny individusexactement présentent un certain caroctére A. On prléve sans remise wn éhantllon de n indiidus. Sot X la v. a du nombre d'individes présentant le earectire A dans Véchantilon % stun oi hypergdométriue HIN. n,p = %). Sa probabil et donnée par i xr PO On a B(x) =AaV(yarRaTOIRES CONTINUPS _ 3._VARIABL Remarque 3.2 co se Dinomiate peut éte appre par 8 1h de Poisson sin est assez grand et P Pelt > a0 etp <0) age, cette approximation ext posse sm 30 et p <0. Praia gure comiderant une sue (Xo) 6 % telle que Xn Om motors une v. a. dicrte X qu sit une loi de Petsson Pinp) ~ Bln,p) alors Xn converge 3.3 Variables aléatoires continues 3.3.1 Notions et définition eeablealiatire continue est une variable qui prend st valeurs dans wn intervalle de R. Bxemple 3.3.1 ecm de variables aéaoires qui ne sont pas dscrtes aleve, Variable T correspondant dla tale d's Variabie L correspondant & longueur d’un trai, Vantable A correspondant au femps d’attente d wne cusse Remarque 3.3 Herat ur ome variable alftore continu, pour lant « RPC ) =0. Ona done Me ean Pac X ) =PUX2D) s Propriété 8.3.1 eeeriom de éprtion F dene variable alate continue X a le propre suivantes eat une fonction crissante, définie et continue sur R. Pour tout x €B, 0 < F(z) $1 = im Feey=0 et tim, Fea ‘De la notion de fonction de répartition, on dédut Ie notion de densité comme suit Cer onde repartition dane wa X. Si est drivable [a fomction J derive de F eo apneic sents de probabilité de X et pour tout x deR, F(x) = f(r) . i eon ft ne et aie cB met = feet mf Si - [seas Conséq - PlasXsH) ri) Uoy= late P(X 0, et on note X’~ F(0,.) sisa fonction densité de probabilité est w Je)= Ty 1 220 Ionson Ft tale pr Po) = [ear On dit ae 1X) = 9 0 VOX) 3BB1 normale Om parle de toi normale lorsque I'm a aflate & une v a continne dépendant d'un gra anes indfpendantes dent les effets slalditionnent d nombre de Définition 3.13 On appelle loi Normate de paramétres m € Ret @ > 0 la loi dune variable aléatoire continue X prenant toutes les valeurs relles, de densité de probabilité la fonciion défime pour lout s € R por fle) = eee? (12) On note X —- N(m:a) Propriété 3.3.2 On admet que si X est une variable aléatoire suivant le loi normale N(m;o) alors B(x) = % aX) ‘Ani les paramétres une loi normale sont en fit son espérance mathématique et son éeart-type. Propriété 3.3.3 ‘Si une variable aléatore X suit la lok normale N(m:a), alors ta variable aéatoire T = X=" suit 4a toi normale centrée rédute ou loi normale standard N(Q;1). En particulier, on a E(TS = 0 et o(T)=1aa. Cl )UPLE DE VARIABLES ALEATOIRES La fonction de densité de est f(z) = Je exp—4 @ définie par we “ tsa fonction de répartition est notée généralement Lp ee, W)= Fe [00-5 On vérifie que lt) = 1~ ot) et que 6(0) = 0,5 Remarque 3.4 et mp > 15 On peut approch ‘On peut approcher ta loi binomiale par la {oi normale N(np; ya) & la condition que =» > 30 Jer la loi hypergéométrique par une lot normale Ning; yupahf=}) sin <0, 1M; n> 9x Me etn > 9% aM 3.4. Couple de Variables aléatoires 3.4.1 Couple de variables aléatoires discrétes Une variable aléatoire & deux dimensions est un couple (X, sionneles de Vespace (9,C, P)) qui d chaque w € £1 on associe les via diserétes alors (X,Y) est un couple de via discrétes. Dans Ia suite de cette partie, ¥) (ois X et ¥ sont des v.a unidimen- ve couple (X (6s), ¥(u)). Si X et ¥ sont nous nous limiterons aux couples de v2. disertes. 3.4.1.1 Loi conjointe Soient X, Y deux v.a disertes définies sur (9,C, P) et prenant respectivement les valeurs 1, A) et 94 = Ios) 1 chaque (X,Y) prenant la valeur (24, 1) on associ la probabilité Py = PX = 2 =p) = Pll: Xo) = 2 (4 YE) =H) Wen resulte done la définition Définition 8.14 (On oppelle loi du couple (X,Y) ou lot conjointe de (X,Y), es kx a probabilités PIX =24,.Y = w)) (On verife que ~ PUX ~ PUX 1}.2) = PIX =) UpelY = wy) = Een PUX = 2) 07 = a5) Definition 3.15 Soit (X,¥) um couple de wa disrétes de lot bites respctives Psy. On appelle lois marginales de X et de Y, les prota. rer 23) Ener a are [Ror br F-nene/1scr- Be) Ey [Bim unde 1572021-2022)