Probabilités et Statistiques polycopié de L3
Cours de licence de Mathématiques (théorie élémentaire des probabilités). 1. 1 Notions fondamentales. 3 ... 7.1.3 Densités `a plusieurs variables .
Intégration et probabilités (cours + exercices corrigés) L3 MASS
3. 2 Théorie de la mesure. 5. 2.1 Tribus et mesures . mesure de probabilité (cette définition sera rappelée plus tard dans le cours). La tribu A.
proba_base.pdf
1 janv. 2022 Dans le Chapitre 3 on présente les notions d'espérance
Cours de théorie des probabilités avec exercices corrigés et devoirs
du semestre 5 de l'enseignement à distance de la Licence de Mathématiques. La diffusion de ce cours est 1.3.3 Propriétés élémentaires des probabilités .
Cours de Probabilités
Licence 2-S3 SI-MASS Après 3 jets nous obtenons la réalisation A = (2;5;1) ; nous réitérons les jets et nous ... Cours Probabilités / Pierre DUSART.
Exercices Corrigés Statistique et Probabilités
Faculté des Sciences d'Agadir (STU 3) Licence Maîtrise Doctorat ... probabilité d'obtenir « Face » au cours des n premiers lancers suit une loi ...
Cours de probabilités et statistiques
Calculer P(B) P(A ? Bc)
Cours de Statistiques (L1 – MAP 201)
14 févr. 2018 4 séances de 1h30 en amphithéâtre (cours). 1. Statistiques descriptives. 2. Introduction à la théorie des probabilités. 3.
Cours de probabilité et simulation Licence de mathématiques
Chapitre 1. Fondements de la théorie des probabilités. 1. 1.1. Événements. 1. 1.2. Probabilité. 3. Chapitre 2. Variables aléatoires.
Cours et exercices corrigés en probabilités
Déterminer la loi de probabilité de la v.a. X. 2. Calculer l'espérance et la variance de la v.a. X. 3. Les conditions de jeu restent identiques. Indiquer le
Cours de Probabilités - univ-toulousefr
Notons l’ensemble de tous les résultatspossibles(appelésaussiépreuvesourésultatsélémentaires)decette expériencealéatoire = f1;2;3;4;5;6g: Onnote!= 3 poursigni?erque3estlerésultatdel’épreuve Dans cette expérience aléatoire on peut s’intéresser à des événements plus complexes qu’un simple résultat élémentaire
Cours de probabilites et statistiques´
th eorie de la mesure n ecessaires pour ce cours de Probabilit es On renvoie a [Rud] ou a un cours de th eorie de la mesure complet pour des d etails 1 1 1 Tribus Pour un ensemble X on note P(X) = fA: AˆXgl’ensemble de ses parties D e nition 1 1 1 (Tribu) AˆP(X) est une tribu (ou une ?-alg ebre) si X2A; Si pour tout i2N A i 2Aalors
Cours de Probabilités - Université de Limoges
Cours Probabilités / Pierre DUSART 5 Question : “On lance trois pièces de monnaie Quelle est la probabilité que toutes trois retombent du
Cours de : Probabilités 1ère année de la licence Statistique
3) On lance une pièce de monnaie jusqu'à obtenir ace F Les résultats possibles de cette expérience sont les nombres de fois ou on a lancé la pièce : = N 4) La durée de vie d'un être vivant : = R + 3) La trajectoire d'une feuille morte sur une surface d'eau plane D pendant un temps T : = C([0;T];D) Dé nition 3 Un ensemble de artiesp Ade
Int egration et probabilit es (cours + exercices corrig es
Le but de ce cours est d’introduire les notions de th eorie de la mesure qui seront utiles en calcul des probabilit es et en analyse Il est destin e aux etudiants qui veulent poursuivre leurs etudes dans un master a composante math ematique Pour un cours plus complet se reporter a la bibliographie
Searches related to cours de probabilité licence 3 PDF
TESTS STATISTIQUES a) Calculer la moyenne empirique et l’¶ecart-type empirique de cette s¶erie statistique Tracer le boxplot et un histogramme b) Donner une estimation des paramµetresmet¾ c) Donner un intervalle de con?ance au niveau 95 puis 98 de la masse moyennem
Comment calculer la courbe de probabilité ?
Cette courbe est la courbe d’une fonction appel¶ee densit¶e de probabilit¶e ou simplement densit¶e. Une densit¶efd¶ecrit la loi d’une v.a.Xen ce sens : pour tousa;b 2R; P[a • X • b] = Zb a
Comment calculer les probabilités totales ?
P(AjB) = P(AB) P(B) = P(BjA)P(A) P(B) et on conclut en rempla»cantP(B) par son expression donn¶ee par la formule des probabilit¶es totales. ? Proposition 11 (Formule de Bayes g¶en¶eralis¶ee)Soit(Ai)i2Iune partition de›, telle que P(Ai)>0, pour tout i 2 I. Soit un ¶ev¶enement B, tel que P(B)>0.
Comment calculer la probabilit¶E uniforme sur l’exp¶erience al¶eatoire ?
Et quand on a la probabilit¶e uniforme pour chacune de ces petites exp¶eriences al¶eatoires, on a encore la probabilit¶e uniforme sur l’exp¶erience al¶eatoire totale. Proposition 14Soit› =E£F ouµ E est de cardinal n et F de cardinal p.
Comment calculer la probabilité d’un événement ?
On utilisera souvent une formule, plut^ot qu’une liste. Exemple 18 : nous avons d¶eja la liste de tous les ¶ev¶enements ¶el¶ementaires et ils sont ¶equiprobables, de probabilit¶e 1/8. D’aprµes la composition des ¶ev¶enements [X=k], pour
![Probabilités et Statistiques polycopié de L3 Probabilités et Statistiques polycopié de L3](https://pdfprof.com/Listes/17/49365-17coursLicenceMA13.pdf.pdf.jpg)
Universit´e de Paris-Sud, centre d"Orsay
PROBABILITES ET STATISTIQUES
Cours de licence de Math´ematiques
Version 2008
Y. Le Jan
S. Lemaire
Y. Le Jan, S. Lemaire
2Table des Mati`eres1 Mod´elisations des ph´enom`enes al´eatoires(th´eorie ´el´ementaire des probabilit´es)
11 Notions fondamentales3
1.1 Enjeu et formalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .3
1.2 Principes fondamentaux . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .4
1.3 Probabilit´es et fr´equences . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . .5
2 Les ´ev´enements7
2.1 Relations logiques et repr´esentation ensembliste . . .. . . . . . . . . . . . . . . .7
2.2 Probabilit´e d"un ´ev´enement . . . . . . . . . . . . . . . . . . . . .. . . . . . . . .9
2.3 Probabilit´e conditionnelle . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . .11
2.4 Ind´ependance entre deux ´ev´enements . . . . . . . . . . . . . .. . . . . . . . . . .13
3 Variables al´eatoires15
3.1 Loi d"une variable al´eatoire . . . . . . . . . . . . . . . . . . . . . .. . . . . . . .15
3.2 Loi Binomiale et loi faible des grands nombres . . . . . . . . .. . . . . . . . . . .18
3.3 Approximation poissonienne et loi de Poisson . . . . . . . . .. . . . . . . . . . .20
3.4 Convergence des lois de probabilit´e . . . . . . . . . . . . . . . .. . . . . . . . . .21
3.5 Fonctions de r´epartition. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . .21
3.6 Quelques lois classiques . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . .22
3.6.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .22
3.6.2 Loi hyperg´eom´etrique . . . . . . . . . . . . . . . . . . . . . . . . .. . . .23
3.6.3 Loi multinomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..24
3.6.4 Loi g´eom´etrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .26
4 Ind´ependance des variables al´eatoires27
4.1 Cas de deux variables al´eatoires . . . . . . . . . . . . . . . . . . .. . . . . . . . .27
4.2 Cas denvariables al´eatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . .29
4.3 Ind´ependance conditionnelle . . . . . . . . . . . . . . . . . . . . .. . . . . . . . .30
4.4 Loi conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .31
5 Premi`eres notions de Statistique33
5.1 Tests d"hypoth`eses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .33
5.2 Niveau et puissance des tests. . . . . . . . . . . . . . . . . . . . . . .. . . . . . .34
5.3 Tests bilat`eres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .39
5.4 Domaines de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . .40
6 Esp´erance et variance d"une variable al´eatoire43
6.1 Esp´erance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .43
6.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..46
6.3 In´egalit´es de Markov et de Bienaym´e-Tchebychev . . . .. . . . . . . . . . . . . .48
6.4 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..49
3Y. Le Jan, S. LemaireTable des Mati`eres
6.5 R´egression lin´eaire et esp´erance conditionnelle . .. . . . . . . . . . . . . . . . . .51
6.5.1 Esp´erance conditionnelle . . . . . . . . . . . . . . . . . . . . . .. . . . . .51
6.5.2 Regression lin´eaire . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . .53
2 Th´eorie des variables al´eatoires55
7 Espaces de probabilit´e g´en´eraux59
7.1 Densit´es de probabilit´e . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . .59
7.1.1 Densit´es usuelles et changement de variable . . . . . . .. . . . . . . . . .60
7.1.2 Convergence des fonctions de r´epartition, premiersexemples . . . . . . . .60
7.1.3 Densit´es `a plusieurs variables . . . . . . . . . . . . . . . . .. . . . . . . .63
7.2σ-alg`ebres et probabilit´es . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .65
7.2.1 Σ-alg`ebre engendr´ee . . . . . . . . . . . . . . . . . . . . . . . . . .. . . .66
7.2.2 Mesures de probabilit´e . . . . . . . . . . . . . . . . . . . . . . . . .. . . .67
7.3 Variables al´eatoires et lois . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . .70
7.3.1 Loi d"une variable al´eatoire . . . . . . . . . . . . . . . . . . . .. . . . . .72
7.3.2 Vecteurs al´eatoires . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . .73
7.3.3σ-alg`ebre engendr´ee par une famille de variables al´eatoires . . . . . . . .74
7.4 Ind´ependance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . .75
7.4.1 Ind´ependance des ´ev´enements et desσ-alg`ebres . . . . . . . . . . . . . . .76
7.4.2 Famille de variables al´eatoires ind´ependantes . . .. . . . . . . . . . . . .77
7.4.3 Convolution de lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .77
8 Esp´erance et variance81
8.1 Esp´erance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .81
8.1.1 Construction de la mesure produit et th´eor`eme de Fubini . . . . . . . . .85
8.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..85
8.2.1 Variables al´eatoires de carr´e int´egrable . . . . . . .. . . . . . . . . . . . .85
8.2.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86
8.3 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..87
8.4 R´egression lin´eaire . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .90
9 Loi faible des grands nombres et applications93
9.1 In´egalit´es de Markov et de Bienaym´e-Tchebychev . . . .. . . . . . . . . . . . . .93
9.2 Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . .. . . . . .94
9.3 Estimation statistique . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . .95
9.4 Mesure empirique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . .97
9.5 Le th´eor`eme de Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .99
10 Le th´eor`eme limite central101
10.1 Exemples d"application en statistiques . . . . . . . . . . . .. . . . . . . . . . . .104
10.2 Le th´eor`eme limite central vectoriel . . . . . . . . . . . . .. . . . . . . . . . . . .107
11 Lois et test du chi-deux109
11.1 Un exemple de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . .109
11.2 Un th´eor`eme de convergence . . . . . . . . . . . . . . . . . . . . . .. . . . . . . .111
11.3 Le test d"ajustement du chi-deux . . . . . . . . . . . . . . . . . . .. . . . . . . .112
11.4 Estimation de param`etres . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .113
4 A Rappels sur la manipulation des ensembles et sur la sommation1151.1 Notations sur les ensembles . . . . . . . . . . . . . . . . . . . . . . . .. . . . . .115
1.1.1 Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..115
1.1.2 Produit cart´esien . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . .115
1.1.3 Intersection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..116
1.1.4 R´eunion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .116
1.1.5 Diff´erence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .116
1.1.6 Image d"un ensemble par une application . . . . . . . . . . . .. . . . . .117
1.1.7 Fonction indicatrice d"un ensemble . . . . . . . . . . . . . . .. . . . . . .117
1.1.8 Suite d"ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .117
1.2 Ensembles finis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .118
1.2.1 Cardinal d"un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . .. .118
1.2.2 Somme d"une famille finie de nombres . . . . . . . . . . . . . . . .. . . .119
1.2.3 Analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . .. .120
1.3 Somme d"une famille d´enombrable de nombres . . . . . . . . . .. . . . . . . . .122
1.3.1 Ensembles d´enombrable . . . . . . . . . . . . . . . . . . . . . . . . .. . .122
1.3.2 Familles `a termes positifs . . . . . . . . . . . . . . . . . . . . . .. . . . .122
1.3.3 Familles sommables . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..124
B Tables de valeurs num´eriques127
Partie 1
Mod´elisations des ph´enom`enes
al´eatoires (th´eorie ´el´ementaire des probabilit´es) 1Chapitre 1Notions fondamentales1.1 Enjeu et formalisationComme souvent en math´ematique, la th´eorie probabiliste part d"une intuition concr`ete, au d´epart
un peu vague, celle du hasard, ou de l"incertitude. La d´emarche consiste, comme toujours, `ad´egager quelques "´evidences" fondamentales puis, pas `apas, en suivant une logique rigoureuse,
`a construire un appareil capable de r´eduire cette intuition `a un calcul. L"enjeu est bien sˆur tr`es
important puisqu"il s"agit par exemple de d´evelopper des m´ethodes permettant de chiffrer desrisques, donc de les comparer, et de d´ecider de la conduite `a tenir, en fonction de leur chiffrage
et de celui des coˆuts.En tant que th´eorie math´ematique, le Calcul des Probabilit´es ne fait appel, dans ses com-
mencements, qu"`a des notions assez simples de th´eorie desensembles et de d´enombrement.Cependant, l"application pratique de cette th´eorie simple requiert d"embl´ee la plus grande at-
tention. Le Calcul des Probabilit´es vise `a ´evaluer a priori, les chances (ou les risques) dans une
exp´erience (souvent appel´ee´epreuve) r´ealis´ee dans des conditions d´etermin´ees mais dont l"issue
comporte un ´el´ement d"incertitude ou de hasard, d´ependant de facteurs non contrˆol´es.
Le lancer d"un d´e, de deux d´es, le tirage au hasard d"un individu dans une population, d"un groupe
d"individus distincts, l"observation de la temp´erature demain au r´eveil ou du prix du p´etrole dans un mois
sont des exp´eriences al´eatoires.Math´ematiquement, une telle ´epreuve est repr´esent´ee par letiraged"un ´el´ementωdans un
ensemble Ω repr´esentant toutes les issues possibles, que nous supposerons fini ou d´enombrable
1.Le d´eveloppement th´eorique du calcul des probabilit´es conduit ensuite `a introduire des espaces
continus (voir chapitre 7).Chaque pointωde Ω est affect´e d"uneprobabilit´eP(ω) qui repr´esente la chance qu"il a
d"ˆetre tir´e (c"est-`a-dire la chance qu"a l"´epreuve d"avoir l"issue (le r´esultat) repr´esent´ee parω).
En langage familier, dire queP(ω) =c/bo`ucetbsont des entiers, signifie queωacchances sur bd"ˆetre tir´e. On doit donc supposer quelesP(ω)sont des nombres compris entre0et1, dont la somme est ´egale `a1. Si Ω est d´enombrable, rappelons que?ω?ΩP(ω) = supE?Pf(Ω)?
ω?EP(ω)
o`uPf(Ω) d´esigne l"ensemble des parties finies de Ω. On v´erifie que pour toute bijectionσdeN
sur Ω,?ω?ΩP(ω) est la somme de la s´erie de terme g´en´eralP(σ(n)). Si Ω est fini et si tous les
points ont la mˆeme chance d"ˆetre tir´es, (on dit alors que toutes les issues sont´equiprobables),
1dans un premier temps seulement, bien qu"en pratique ce soittoujours le cas
3Y. Le Jan, S. LemaireNotions fondamentales
leur probabilit´e sera1|Ω|2. L"ensemble Ω, muni de la probabilit´eP, est appel´eespace probabilis´e.
Lesupport dePest constitu´e par l"ensemble des pointsωde Ω tels queP(ω) soit strictement positif.Un´ev´enementsusceptible de se produire `a l"issue du tirage est repr´esent´e par une partie de
Ω form´ee de tous les points repr´esentatifs des issues danslesquels il se produit. Sa probabilit´e
(la chance qu"il a de se produire) est la somme des probabilit´es des points qui la constituent.Ainsi, l"´ev´enement qui consiste `a obtenir un nombre pairlors du lancer d"un d´e sera repr´esent´e par le
sous-ensemble{2,4,6}deΩ ={1,2,3,4,5,6}. Si le d´e n"est pas pip´e, sa probabilit´e sera3×1
6=12.Si l"exp´erience consiste `a tirer un individuωdans une populationΩ, l"´ev´enement "ωa les yeux
noirs" est repr´esent´e par l"ensemble de tous les individus aux yeux noirs. Si le tirage est ´equitable, la
probabilit´e de cet ´ev´enement est donn´ee par la proportion d"individus aux yeux noirs. De fa¸con g´en´erale,
le recensement d"une population permet de calculer la probabilit´e de tirer un individu pr´esentant une
caract´eristique quelconque, pourvu que le tirage soit ´equitable et que la caract´eristique en question soit
prise en compte lors du recensement.1.2 Principes fondamentaux
Le premier principe fondamental du calcul des probabilit´es, du point de vue de la pratique,est qu"un ´ev´enement de faible probabilit´e ne se produitpresquejamais. La th´eorie, si elle est
pertinente, doit ainsi permettre une prise de risque raisonnable. Bien sˆur, s"il peut paraˆıtre
raisonnable de risquer gros dans une exp´erience o`u les chances de succ`es sont de 99,9% , il ne l"est pas de le faire tr`es souvent car on verra que la probabilit´e de s"en tirer sans dommageapr`es mille essais n"est plus que de 31% (si le succ`es d"uneexp´erience n"influence pas celui d"une
autre). Le deuxi`eme principe fondamental concerne la r´ealisation de plusieurs ´epreuves, que noussupposerons repr´esent´ees par des tirages dans des ensembles Ω1, Ω2, ..., Ωn. SoientP1,P2,...,Pn
les probabilit´es associ´ees `a chacun des tirages. La r´ealisation den´epreuves cons´ecutives, qui
est aussi une ´epreuve, est repr´esent´ee par le tirage d"unmultiplet (ω1,...,ωn) dans l"ensemble
produit Ω1×...×Ωn. Le principe est quelorsque ces ´epreuves sont sans influence mutuelle(on
dit qu"elles sont ind´ependantes), la probabilit´e de tirer (ω1,ω2,...,ωn) est donn´ee par le produit
des probabilit´esP1(ω1)P2(ω2)...Pn(ωn). Ce principe est conforme `a l"intuition : on consid`ere bienavoir une chance sur 12 de tirer six et pile lors du lancer d"un d´e et d"une pi`ece, ou avoir une chance sur 2nde gagnernfois desuite `a pile ou face (quels que soient d"ailleurs lesnparis effectu´es). Remarquons enfin que l"on
a bien d´efini ainsi une probabilit´e sur l"ensemble produitΩ1×Ω2×...×Ωnpuisque
1(ω1)P2(ω2)...Pn(ωn) = 1.
La probabilit´e ainsi d´efinie est appel´ee laprobabilit´e produit. Elle est not´ee P1?P2?...?Pn=n?i=1Pi.
2|A|d´esigne le nombre d"´el´ements de l"ensembleA.
4 Probabilit´es et fr´equencesY. Le Jan S. Lemaire1.3 Probabilit´es et fr´equences
En pratique, les probabilit´esP(ω) sont inconnues ou donn´ees par des hypoth`eses qu"on ne peut
jamais v´erifier parfaitement. La vraisemblance de telles hypoth`eses ne peut ˆetre v´erifi´ee que
par uneexp´erience statistique. Il s"agit de recommencernfois l"´epreuve,dans des conditionsidentiques, et de telle mani`ere que les facteurs al´eatoires pr´esents lors des diff´erentes ´epreuves
soientind´ependantes(c"est-`a-dire sans influence mutuelle). Math´ematiquement si nous notons(Λ,Q) l"´epreuve en question, il s"agit de tirer unn-upletω= (ω1,ω2,...,ωn) dans l"ensemble
nform´e de tous lesn-uplets d"´el´ements de Λ. Lesn-uplets peuvent aussi ˆetre vus comme
des mots de longueurn´ecrits avec des lettres choisies dans Λ. Le deuxi`eme principe fondateur donne quedans ces conditions, la probabilit´e de tirer un n-upletω= (ω1,...,ωi,...,ωn) est donn´ee par P(ω) =Q?n(ω1,...,ωi,...,ωn) =Q(ω1)...Q(ωi)...Q(ωn). On peut alors en d´eduire par le calcul que si le nombre de tirages est grand, lafr´equence 1De ce fait, la fr´equence1
avec laquelle un ´ev´enementAsera r´ealis´e aura de fortes chances d"ˆetre proche de sa probabilit´e.
Plus pr´ecis´ement, on montrera dans la section3.2, le r´esultat suivant (loi faible des grands
nombres) : ?? >0,limn→+∞P? ?1 = 0.0.40.50.60.70.8
0 200 400 600 800 1000
Fig.1.1 : On a lanc´e 1000 fois une pi`ece. La courbe donne en fonction den, la fr´equence des lancers o`u la pi`ece est tomb´ee sur "pile" au cours desnpremiers lancers N.B.Revenons sur l"exemple du tirage ´equitable d"un individu dans une population. Le sondagele plus simple sera constitu´e parntirages ´equitables ind´ependants successifs d"un individu
dans une population. Il s"agit d"un tirage avec remise : apr`es chaque tirage, l"individu tir´e doit
ˆetre remis dans la population. Dans le cas contraire, il estclair que les tirages ne sont plus 5Y. Le Jan, S. LemaireNotions fondamentales
ind´ependants. Notons cependant que dans le cas d"une population de grande taille, compar- ativement `an, il y a de grandes chances pour que le tirage donnenindividus diff´erents, etqu"un tirage sans remise a en pratique les mˆemes propri´et´es. En effectuant un sondage sur un
assez grand nombrend"individus, c"est-`a-dire en effectuantntirages sans influence mutuelle,la fr´equence avec laquelle on aura tir´e des individus aux yeux noirs aura de forte chances d"ˆetre
proche de leur proportion dans l"ensemble de la population.Cependant, tant qu"il s"agira d"un sondage et non d"un recensement, il demeurera toujours un risque non nul d"erreur importante, etce risque, parfaitement calculable, sera bien sˆur d"autant plus grand que la taille de l"´echantillon
sera faible.En fait, la validit´e des hypoth`eses sur lesquelles se fonde une exp´erience statistique est difficile `a
´etablir a priori pour un protocole exp´erimental donn´e. Leur justification repose surtout sur leur effi-
cacit´e a posteriori. L"hypoth`ese d"ind´ependance des tirages est limit´ee `a certains types d"exp´erience, dans
lesquels les facteurs incontrˆol´es qui sont `a l"origine des al´eas fluctuent suffisamment entre deux ´epreuves
cons´ecutives. Par exemple, on sait, par l"intuition et parune longue pratique que les lancers de d´es (al´ea
en latin) anim´es d"un mouvement chaotique par l"agitationd"un gobelet ou les observations (`a des in-
tervalles de temps suffisamment longs) de la hauteur des vagues ou des cours des march´es peuvent ˆetre
consid´er´es comme des exp´eriences statistiques. Les ordinateurs et les calculatrices fournissent des nom-
bres au hasard (touche random) et des tirages successifs peuvent ˆetre consid´er´es comme une exp´erience
statistique3. Mais l"usage abusif des statistiques conduit `a des erreurs : les fr´equences observ´ees dans le
pass´e pour certains ph´enom`enes (les inondations par exemple) n"auront pas grand int´erˆet pour la gestion
des risques si les conditions ont chang´e (asphaltage, d´eboisement) ou si une nouvelle `ere climatique se
dessine.?Exercice 1.D´ecrire quelques pr´ecautions n´ecessaires `a la r´ealisation d"un tirage au sort d"une carte
dans un jeu de 52 cartes. Que signifie math´ematiquement que le tirage est effectu´e au hasard ? Comment
pourrait-on chercher `a le v´erifier ??Exercice 2.Comment se pose le probl`eme pour le tirage d"un individu dans une classe, dans une grande
ville ? Dans quelle mesure peut-on le ramener au tirage d"un nombre au hasard. De quelle fa¸con ce
tirage peut-il ˆetre effectu´e `a l"aide d"un jeu de pile ou face ?3Cette affirmation n"est valable que dans certaines limites, qui ne sont pas franchies dans la pratique courante.
6Chapitre 2Les ´ev´enements2.1 Relations logiques et repr´esentation ensemblisteRappelons qu"un ´ev´enementAest repr´esent´e par l"ensemble des points repr´esentatifs des issues
o`u il se produit, qui est une partie de Ω.On emploie g´en´eralement la mˆeme notation pour un
´ev´enement et son ensemble repr´esentatif.De ce fait, l"occurrence simultan´ee de deux ´ev´enementsAetBsera repr´esent´ee par l"ensemble
des points repr´esentatifs des issues o`uAetBse produisent, c"est-`a-dire par l"intersectiondesensembles repr´esentatifs deAet deB. Deux ´ev´enements incompatibles sont repr´esent´es par des
ensembles disjoints. De mˆeme, lar´euniondes ensembles repr´esentatifs deAet deBrepr´esente l"occurrence d"aumoins un des ´ev´enementsAouB. Ceci reste valable dans le cas de plusieurs ´ev´enementsA1,
A2,...,Amou mˆeme dans le cas d"une suite infinie d"´ev´enements.
La non occurrence deA(qui constitue un ´ev´enement au mˆeme titre queA) est repr´esent´ee
par lecompl´ementairede l"ensemble repr´esentatif deAdans Ω, not´e Ω\AouAcs"il n"y a pas
d"ambiguit´e. La familleA=P(Ω) des ´ev´enements est stable par ces trois op´erations (par convention,l"ensemble vide∅repr´esente l"´ev´enement impossible et a pour probabilit´e 0). On dit qu"elle
constitue uneσ-alg`ebre.´ev´enementsrepr´esentation ensembliste
´ev´enement certainΩ
´ev´enement impossible∅
l"´ev´enementAest r´ealis´eω?A l"´ev´enementAn"est pas r´ealis´eω?Ac= Ω\A les ´ev´enementsAetBsont r´ealis´esω?A∩B AetBsont des ´ev´enements incompatiblesA∩B=∅ l"´ev´enementAou l"´ev´enementBest r´ealis´eω?A?B si l"´ev´enementAa lieu alors l"´ev´enementBa lieuA?BTableau 2.1 : Quelques ´ev´enements associ´es `a une exp´erience al´eatoire dont le r´esultat estωet
l"ensemble des r´esultats possibles Ω ?Exemple 3.Soitn?N?. On tire `a pile ou facenfois. a) D´ecrire l"ensemble des r´esultats possibles comme un produit d"ensembles. 7Y. Le Jan, S. LemaireLes ´ev´enements
b) Ecrire de fa¸con ensembliste l"´ev´enementF="pile n"a pas ´et´e obtenu lors des 2 premiers lancers".
c) Soiti? {1,...,n}. D´ecrire les ´el´ements de l"´ev´enementEi= "le r´esultat dui-i`eme lancer est
pile". d) Ecrire `a l"aide des ´ev´enementsEil"´ev´enementF.e) Ecrire `a l"aide des ´ev´enementsEil"´ev´enementG=" la pi`ece est tomb´ee au moins une fois sur
pile".Solution.a) Le r´esultat de chaque lancer est soit "pile", soit "face". Si on notexile r´esultat du
i-`eme lancer, le r´esultat de l"exp´erience "lancernfois une pi`ece" peut ˆetre not´e (x1,...,xn).
Donc, l"ensemble des r´esultats possibles, not´ee Ω, est Ω ={(x1,...,xn),?i xi? {pile,face}}
c"est-`a-dire l"ensemble produit{pile,face}n. D´esignons par (x1,...,xn)?Ω le r´esultat desnlancers.b) L"´ev´enementFest r´ealis´e si et seulement six1=faceetx2=face. DoncF={face}×{face}×
{pile,face}n-2.c) L"´ev´enementEiest r´ealis´e si et seulement sixi=pile. Donc,Ei={pile,face}i-1× {pile} ×
{pile,face}n-i.d)Fest r´ealis´e si et seulement siE1etE2ne sont pas r´ealis´es. Donc,F= (Ω\E1)∩(Ω\E2) =
(E1?E2)c.e) L"´ev´enementGest r´ealis´e si et seulement si au moins un des ´ev´enementsEiest r´ealis´e. Donc,
G=?ni=1Ei.
On pourrait donner une repr´esentation plus concise en rempla¸cant pile par 1 et face par 0.?Exercice 4.On consid`ere une exp´erience al´eatoire dont les r´esultats possibles sont repr´esent´es par un
ensemble Ω. On s"int´eresse `a trois ´ev´enementsA,B,Cassoci´es `a cette exp´erience.
Exprimer en fonction deA,B,Cet des op´erations ensemblistes les ´ev´enements ci-dessous et d´ecrire
leurs ´ev´enements compl´ementaires : a)Aseul se produit. b)AetCse produisent, mais nonB. c) les trois ´ev´enements se produisent.quotesdbs_dbs32.pdfusesText_38[PDF] cours de procédure civile 2017
[PDF] la procédure civile pour les nuls
[PDF] cours de procédure civile 2014
[PDF] cours de procédure civile pdf
[PDF] procedure civile cas pratique
[PDF] cours programmation orientee objet
[PDF] cours poo c# pdf
[PDF] programmation orientée objet c++ pdf
[PDF] programmation orientée objet php pdf
[PDF] initiation ? la programmation orientée objet pdf
[PDF] poo java pdf
[PDF] exposé promotion des ventes
[PDF] promotion des ventes avantages inconvénients
[PDF] objectif d'une promotion