PROBABILITE SUR UN ENSEMBLE FINI - univ-tlnfr
PROBABILITE SUR UN ENSEMBLE FINI Ω est un ensemble fini non vide On note P(Ω) l’ensemble des parties de Ω • Vocabulaire 1 Ω est l’univers ou univers des possibles 2 Toute partie A de Ω est appel´ee ´ev´enement 3 Pour tout ´el´ement ω de Ω, {ω} est appel´e ´ev´enement ´el´ementaire 4
Probabilités sur un ensemble fini - Tunisia Study
Un jeton est marqué du chiffre 1 sur une face et du chiffre 2 sur l'autre face Un dé cubique est marqué du chiffre 1 sur trois faces , du chiffre 2 sur deux faces et du chiffre 3 sur une face On lance simultanément le jeton et le dé et on lit les chiffres qui apparaissent sur chaque face supérieure ( a pour le jeton et b pour le dé )
Probabilités sur un fini
I) Probabilité sur un ensemble fini 1) Vocabulaire des événements Dans une expérience aléatoire, l'univers est l'ensemble de tous les résultats possibles *Un événement est une partie de l'univers *Un événement élémentaire est un événement possédant un seul élément
PROBABILITÉS SUR UN ENSEMBLE FINI - Free
Une loi de probabilité sur Ω est une fonction p dont le domaine de définition est ΩΩΩΩ Pour l’élément x 1, son image p(x 1) est plutôt notée p 1 et est appelée probabilité de x 1 (et de même pour les autres éléments de Ω) Comme Ω est fini, cette fonction p (ou loi de probabilité p) est entièrement définie par son
Chapitre n°10 : Probabilités sur un ensemble fini
1/16 - Chapitre n°10 : Probabilité sur un ensemble fini Chapitre n°10 : Probabilités sur un ensemble fini Objectifs a) Déterminer la probabilité dans des situations d’équiprobabilité b) Utiliser des modèles définis à partir de fréquences observées c) P(A U B)+P(A B)= P(A)+P(B) Activité d'approche n°1
Dénombrement Probabilité uniforme sur un ensemble fini
D’où : Un ensemble à n éléments a 2n sous ensembles 4) 0 = (-1 + 1)n = Σ p=0 p=n Cnp (-1)p Un ensemble fini a autant de sous ensembles de cardinal pair que de sous ensembles de cardinal impair C’est tout aussi rigolo, mais sûrement moins utile II Application : Probabilité uniforme sur un ensemble fini
Probabilités sur un univers fini
Soit Ω un univers fini L’ensemble de tous les événements est l’ensembleP(Ω) qu’on notera T (comme « tribu » des événements, spoiler du cours de spé) Le couple (Ω,T) est qualifié d’espace probabilisable fini Définition 17 Soit (Ω,T) un espace probabilisable fini (oùT = P(Ω)) On appelle probabilité sur (Ω,T)
Chapitre 9 : probabilités sur un univers fini
Chapitre 9 : probabilités sur un univers fini I Introduction Dans ce chapitre, les probabilités sont introduites uniquement dans le cas où l’univers Ω est un ensemble fini, cadre largement exploré l’année dernière Dans un certain sens, il y a assez peu de nouveauté
Probabilités - Meilleur en Maths
Loi de probabilité sur un ensemble fini p2 2 Probabilité d’un événement p6 Loi de probabilités sur un ensemble fini 1 1 Jeu de pile ou face
[PDF] Probabilité Terminal ES
[PDF] probabilité terminale bac pro
[PDF] probabilité terminale es exercices corrigés
[PDF] probabilité terminale es exercices corrigés pdf
[PDF] probabilité terminale es loi binomiale
[PDF] probabilité terminale s exercices corrigés
[PDF] probabilité terminale s loi binomiale
[PDF] probabilité terminale stmg
[PDF] probabilité tiercé dans l'ordre
[PDF] probabilité tirage avec remise
[PDF] probabilité tirage sans remise sans ordre
[PDF] probabilité tirage successif avec remise
[PDF] probabilité tirage successif sans remise
[PDF] probabilité traduction anglais
PROBABILITE SUR UN ENSEMBLE FINI
Ω est un ensemble fini non vide. On noteP(Ω) l"ensemble des parties de Ω. •Vocabulaire1. Ω est l"univers ou univers des possibles.2. Toute partieAde Ω est appel´ee ´ev´enement.
3. Pour tout ´el´ementωde Ω,{ω}est appel´e ´ev´enement ´el´ementaire.
4. L"´ev`enementA?Bse lit "AouB", l"´ev`enementA∩Bse lit "AetB".
5.∅est l"´ev´enement impossible, et Ω est l"´ev´enement certain.
6. PourAetBdeP(Ω), siA∩B=∅, ils sont dits ´ev´enements incompatibles.
7. PourA? P(Ω), son compl´ementaireAest l"´ev´enement contraire.
•Probabilit´eUne probabilit´ePest une applicationP:P(Ω)→[0,1] satisfaisant :P(Ω) = 1 (normalisation)
et siAetBsont deux ´ev´enements incompatibles,P(A?B) =P(A) +P(B) (additivit´e). →Le triplet (Ω,P(Ω),P) est ce qu"on appelle un espace probabilis´e. •Propri´et´es1.P(∅) = 0.2.P(A) +P(A) = 1.
3.P(A?B) =P(A) +P(B)-P(A∩B).
4. Si Ω ={ω1,...,ωn}est de cardinaln?N?, alors l"additivit´e donne :
- siPest une probabilit´e, elle est d´etermin´ee par la donn´ee des nombrespk:=P({ωk}).
- r´eciproquement, avecnnombres r´eels positifsp1,...,pnde somme 1, on d´efinit une prob- abilit´ePen posantP({ωk}) =pk.•Equiprobabilit´eIl y a´equiprobabilit´e quand la probabilit´e est uniforme, c"est `a dire quandp1=p2=...=pn=1n
Dans ce cas on aP(A) =Card(A)Card(Ω)
="nombre de cas favorables""nombre de cas possibles".•Ind´ependanceDeux ´ev´enementsAetBsont dits ind´ependants siP(A∩B) =P(A).P(B).
•Probabilit´e conditionnelleSoientAetBdeux ´ev´enements tel queP(A)?= 0. Alors la probabilit´e deBsachantAest
P(B|A) =P(A∩B)P(A).
→PAd´efinie parPA(B) =P(B|A) est une probabilit´e sur (Ω,P(Ω). →SiAetBsont deux ´ev´enements de probabilit´e non nulle, alors :AetBind´ependants??P(B|A) =P(B)??P(A|B) =P(A)
•FormulesSoit (A1,...,Am) une partition de Ω telle que pour touti,P(Ai)?= 0 etB? P(Ω). →Formule des probabilit´es totales :P(B) =n? i=1P(B|Ai).P(Ai). →Formule de Bayes1: SiP(B)?= 0, alorsP(Aj|B) =P(B|Aj).P(Aj)? n i=1P(B|Ai).P(Ai).1 Il s"agit juste d"´ecrireP(A∩B) de deux mani`eres diff´erentes. 1VARIABLE ALEATOIRE SUR UN ENSEMBLE FINI
Soit (Ω,P(Ω),P) un espace probabilis´e fini, Card(Ω) =net Ω ={ω1,...,ωn}. •Variable al´eatoireUne variable al´eatoire sur Ω est une applicationX: Ω→R. →Pour toutE?R,X-1(E) est un ´ev´enement not´eX?E. →L"ensemble des v.a. forme une alg`ebre commutative surR.•Fonction de r´epartitionSoitXune v.a., la fonction de r´epartition deXest l"applicationF:R→[0,1] d´efinie2pour
→C"est une fonction continue `a droite et croissante surR.→Dans le cas pr´esent, c"est une fonction en escalier telle que pour toutx →La loi de probabilit´e est une probabilit´e surX(Ω). (En fait c"est une probabilit´e surR.) On veut d´efinir la notion de probabilit´e sur un univers discret Ω, ainsi que celle de variable al´eatoire discr`ete, i.e.X(Ω) est discret. Les cas d"un univers fini et des v.a. ayant un nom- bre fini de valeurs ayant ´et´e trait´es, cette page sera exclusivement consacr´ee au cas d´enombrable. •Probabilit´e sur un univers d´enombrableSoit Ω ={ωn;n?N}un univers d´enombrable. Tout marche de la mˆeme fa¸con que dans le cas fini en prenant (Ω,P(Ω),P) comme espace proba- bilis´e. La probabilit´ePest d´efinie sur les ´ev´enements ´el´ementaires parP({ωn}) =pn, o`u la •Remarques1- Pour garder la coh´erence de la th´eorie, il faut ajouter une nouvelle condition `a la d´efinition •Variable al´eatoire r´eelle discr`eteUne variable al´eatoire r´eelle discr`ete est une applicationX: Ω→Rtelle que : •Fonction g´en´eratriceOn appelle fonction g´en´eratrice d"une v.a.X`a valeurs dansNla s´erie enti`ere d´efinie au moins →Si cela a un sens, on a les moments en d´erivant:E(X) = Φ?X(1),E(X2) = Φ??X(1) + Φ?X(1). La notationP(A) a un sens car il s"agit soit d"une somme finie soit d"une s´erie convergente `a termes positifs. →Par compl´ementarit´e, toute intersection finie ou d´enombrable d"´el´ements deTest dansT. •Exemples :1.P(Ω) et{∅,Ω}sont respectivement la plus grande et la plus petite tribu sur Ω. ´ev´enement presque sˆur ou presque certain (resp.Aest un ´ev´enement presque impossible •Fonction de r´epartitionLa fonction de r´epartition d"une v.a.r.Xest l"applicationF:R→Rd´efinie pour toutxr´eel →La fonction de r´epartition est une application croissante, continue `a droite et ayant une limite →La fonction de r´epartition de la v.a.r.Xcaract´erise compl`etement la loi deX. Exemples : →La fonction de r´epartition de la v.a.r.Xv´erifie limx→-∞F(x) = 0 et limx→+∞F(x) = 1. •Variable al´eatoire `a densit´eUne v.a.r. est dite `a densit´e, s"il existe une application de densit´ef:R→R+telle que la •Moments des v.a.r. `a densit´eLe moment d"ordrekdeXest, s"il y a convergence absolue,E(Xk) =? Toutes les v.a.r. seront suppos´ees d´efinies sur un mˆeme espace probabilis´e (Ω,T,P). •Variables al´eatoires ind´ependantesDeux v.a.r.XetYsont dites ind´ependantes, si pour tout intervalleIetJdeR, les ´ev´enements →Dans le cas o`uX(Ω) etY(Ω) sont discrets, il suffit de regarder l"ind´ependance des ´ev´enements •Ind´ependance mutuellenv.a.r.X1, ...,Xnsont dites ind´ependantes si pour toutI1, ...,In, des intervalles deR, lesn →Dans le cas o`u lesXisont des v.a.r. discr`etes, il suffit de regarder l"ind´ependance mutuelle •Vecteurs al´eatoiresV= (X1,...,Xn) est un vecteur al´eatoire deRnsiX1, ...,Xn, sesncomposantes, sont des •Vecteurs al´eatoires discretsV= (X1,...,Xn) est un vecteur al´eatoire discret deRnsi ses composantes sont des v.a.r. •Vecteurs al´eatoires `a densit´eSoitf:Rn→R+une densit´e, c"est-`a-dire le produit d"une fonction continue positive surRn trice d"un ensemble "g´eom´etriquement simple" et si?fest int´egrable surRnalors?◦Vest une •Ind´ependance de v.a.r. `a densit´elesnv.a.r. qui forment les composantes du vecteur al´eatoireV=(X1,...,Xn) de densit´efsont •Covariance de deux variables al´eatoiresSoitXetYdeux v.a.r., la covariance deXetYest le r´eelω?ΩX(ω).P({ω}) =n?
i=1X(ωi).P({ωi}). →L"esp´erance math´ematique est une forme lin´eaire sur leR-espace vectoriel des v.a. →On a ´egalement la formule3suivanteE(X) =? x?X(Ω)x.P(X=x) =m? j=1x j.P(X=xj). →SiXest une v.a. constante, i.e.X(Ω) ={a}, alorsE(X) =a. •VarianceLa Variance d"une v.a.X, est le nombre r´eel positifV(X) =E? [X-E(X)]2? →La variance est une forme quadratique positive sur leR-espace vectoriel des v.a., de cˆone isotrope le sous-espace des v.a. constantes, et satisfaisant :?a?R,?b?R, V(aX+b) =a2V(X). →σ(X) :=?V(X) est l"´ecart-type deX. →On calcule souventV(X) par le Th´eor`eme de Koenig :V(X) =E(X2)-[E(X)]2. •MomentsSoitXune variable al´eatoire, etk?N?. Le moment d"ordrekdeXestE(Xk).
Le moment centr´e d"ordrekdeXestE?
[X-E(X)]k? →L"esp´erance est le moment d"ordre 1 et la variance est le moment centr´e d"ordre 2.2 Il sagit de la d´efinition au programme, mais on rencontre aussi la d´efinitionF(x) =P(X < x). 3Double avantage : il y a moins de termes `a sommer, et il n"y a pas besoin d"expliciter Ω.
2 PROBABILITES DISCRETES
2- L"´equiprobabilit´e n"a plus aucun sens.
3- En revanche, tout ce qui concerne l"ind´ependance, la notion de probabilit´e conditionnelle,
ainsi que les formules des probabilit´es totales et de Bayes reste valable. 1- Ω est un univers muni d"une probabilit´e.
2- L"ensemble imageX(Ω) est fini ou d´enombrable5.
3- Pour toutx?X(Ω),X-1({x}) est un ´ev´enement not´e (X=x).
•MomentsLe moment d"ordre k est, s"il y a convergence absolue,E(Xk) =? x?X(Ω)x kP(X=x). →Esp´erance(si la s´erie converge absolument) :E(X) =? x?X(Ω)xP(X=x). →Variance(si la s´erie converge) :V(X) =E(X2)-[E(X)]2=? x?X(Ω)? x-E(X)? 2P(X=x).
5Ce qui est le cas si Ω est fini ou d´enombrable.
3 PROBABILITES : LE CAS GENERAL
•Tribu ouσ-alg`ebreOn appelle tribuTsur Ω un sous ensemble deP(Ω) satisfaisant : 1. Ω et∅sont dansT.
2. SiA? T, alors son compl´ementaireA? T.
3. SiA? TetB? T, alorsA?B? T.
4. Si (An)n?Nest une collection d´enombrable d"´el´ements deT, alors?
n?NA n? T. →Les ´el´ements deTsont appel´es´ev´enements. →Le couple (Ω,T) est un espace probabilisable. 2. La tribu Bor´elienne deR: c"est la plus petite tribu deRcontenant l"ensemble,
not´eJ, des intervalles deR. On la noteraB.(H.P.) •Probabilit´eUne probabilit´ePest une applicationP:T →[0,1] satisfaisant 1.P(Ω) = 1 (normalisation).
2. Soit (An)n?Ndes ´ev´enements 2 `a 2 disjoints :P??
n?NA n? n=0P(An) (σ-additivit´e). →Le triplet (Ω,T,P) est un espace probabilis´e. •Propri´et´es: 1.P(∅) = 0. 2.P(A) +P(A) = 1.
3. SiAetBsont incompatibles alorsP(A?B) =P(A) +P(B). (additivit´e)
4.P(A?B) =P(A) +P(B)-P(A∩B). (formule du crible)
5. Soitn´ev´enementsA1,A2, ...An, la g´en´eralisation de la formule du crible -
dite ´egalement de Poincar´e - est P(A1?A2?...?An) =n-1?
k=1(-1)k+1? {i1,...,ik} ?[1,n] Card({i1,...,ik}) =kP(Ai1∩...∩Aik)
6.P?? n?NA n? n=0P(An). (In´egalit´e de Boole) 7. Si (An)n?Nest une suite croissante d"´ev´enementsP??
n?NA n? = limn→∞P(An). •Remarques1. Si Ω est discret, on peut prendreT=P(Ω) comme tribu. 2. Si Ω n"est pas discret, on ne peut plus caract´eriser une probabilit´e quelconque par les
´ev´enements ´el´ementaires ; on ne prend plus la tribuP(Ω). 3. Rien ne change en ce qui concerne l"ind´ependance, les probabilit´es conditionnelles ainsi
que les formules des probabilit´es totales et de Bayes. 4. SiA? Ttel queA?= Ω etP(A) = 1 (resp.A?=∅etP(A) = 0), on dit queAest un
VARIABLE ALEATOIRE REELLE A DENSITE
Soit (Ω,T,P) un espace probabilis´e.
•Variable al´eatoire r´eelle(v.a.r.) Une v.a.r. est une applicationX: Ω→Rtelle que pour tout intervalleIdeR,X-1(I)? T. →La loi deXest la probabilit´ePXsur (R,B) caract´eris´ee par :PX(I) =P(X?I) pour tout intervalleIdeR. →SiXetYsont deux v.a.r. sur (Ω,T,P), alorsX+YetX.Ysont des v.a.r.(Admis) 1-fest positive 2-fest continue par morceaux surR3-?
f(t)dt= 1 2f(t)dt.
→Soitg:R→Rcontinue par morceaux. Si l"int´egrale converge absolument,g(X) est une v.a.r. admettant pour esp´erance E(g(X)) =?
g(t)f(t)dt 5 INDEPENDANCE - VECTEURS ALEATOIRES
Cov(X,Y) :=E?
[X-E(X)].[Y-E(Y)]? On la calcule souvent par la formule de Koenig : Cov(X,Y) =E(X.Y)-E(X).E(Y). Dans le cas o`uXetYsont des v.a.r. discr`etes, la covariance existe toujours. Dans le cas o`u ce sont des v.a.r. `a densit´e, la covariance existe sous l"hypoth`ese queXetYont une variancequotesdbs_dbs48.pdfusesText_48