TS 2016 Cours 1 Ch6. Probabilités Discrètes 1. Expérience, Univers, Probabilité : On appelle Expérience Aléatoire, une expérience dont on ne peut prédire le résultat, tout en pouvant décrire les issues. Pour une expérience aléatoire donnée, on note Ω l’Univers l’ensemble des issues possibles. On appelle Cardinal de l’univers le nombre total d’issues possibles, on note card(Ω) ou bien |Ω|. On appelle Événement A, une issue élémentaire ou bien une union d’issues élémentaires. A l’Événement Complémentaire, A ∩ A = ∅ et A ∪ A = Ω Des Événements A et B sont Incompatibles, lorsqu’ils ne peuvent être réalisés en même temps. On note A ∩ B = ∅ Exemple : Lancer un dé cubique, on ne peut dire le résultat obtenu, on peut décrire l’ensemble des issues : Ω = {1; 2; 3; 4; 5; 6}, |Ω| = 6 On note A l’événement obtenir un nombre pair, A est l’union des issues élémentaires {2} ∪ {4} ∪ {6} Les événements obtenir 3 et A sont incompatibles Pour une expérience aléatoire donnée, Ω = {ω1 ; ω2 ; ω3 ; ...; ωn } son univers, avec |Ω| = n, on peut définir une Probabilité p. C’est à dire une fonction, qui à chaque issue de l’univers fait correspondre un nombre réel. Définition : Soit une expérience aléatoire, d’univers Ω = {ω1 ; ω2 ; ω3 ; · · · ; ωn }, p est une probabilité si p: Ω → [0; 1] ωi 7→ p(ωi ) = pi Avec p1 + p2 + · · · + pn = 1 Conséquences : p(Ω) ( = 1 et p(∅) = 0 ( A et B deux événements A et B deux événements incompatibles p(A ∪ B) = p(A) + p(B) − p(A ∩ B) ⇔ p(A ∪ B) = p(A) + p(B) ⇔ p(A ∩ B) = 0 On représente une expérience aléatoire munie d’une probabilité par un Arbre Pondéré, un arbre des possibles. Exemple : Lancer deux fois successivement une même pièce truquée, p(F ) = 0, 6. On obtient l’arbre pondéré suivant : F 0.6 0.6 b F La somme des probabilités, issues d’un même noeud vaut 1. P Une issue est représentée par la succession de branches, un chemin. b b b P 0.4 0.6 F b b 0.4 La probabilité d’une issue, est le produit des probabilités de chaque branches suivies P b 0.4 2. Variable Aléatoire Réelle, Discrète, et Loi de Probabilité : Soit une expérience aléatoire, Ω son univers, p sa probabilité. On appelle Variable Aléatoire, on note X, une fonction qui à chaque issue, élément de Ω, fait correspondre un nombre réel. X est une Variable Aléatoire si X: Ω →R ωi 7→ X(ωi ) = xi Exemple : Lancer deux fois successivement la même pièce truquée, p(F ) = 0, 6. On définit la variable aléatoire X : si on obtient deux résultats identiques on gagne 2, sinon on perd 1. On peut représenter l’expérience par l’arbre pondéré suivant. F 0.6 L’univers est Ω = {(F ; F ); (F ; P ); (P ; F ); (P ; P )} 0.6 F, X = 2 b b P, X = −1 b b P 0.4 0.4 0.6 b X prend les valeurs x1 = 2 et x2 = −1. F, X = −1 On appelle Loi de Probabilité de X, la donnée de P (X = 2) ET P (X = −1). b b 0.4 P, X = 2 xi pi = P (X = xi ) 2 0,52 -1 0,48 P (X = 2) = 0, 6 × 0, 6 + 0, 4 × 0, 4 P (X = −1) = 0, 6 × 0, 4 + 0, 4 × 0, 6 Pour a et b réels, la variable aléatoire aX + b est celle qui vaut 2a + b si deux résultats identiques, et −1 × a + b sinon. On appelle Fonction de Probabilité d’une variable aléatoire X, on note F dP (X), la donnée de la loi de proba, P (X = k) pour tout k. On appelle Fonction de Répartition d’une variable aléatoire X, on note F Rep(X), la donnée de P (X ≤ k) pour tout k. 1/ 3 TS 2016 Cours 1 Ch6. Probabilités Discrètes 3. Espérance, Variance de Variable Aléatoire : Soit une expérience aléatoire, Ω son univers, munie d’une probabilité. Soit X une variable aléatoire réelle discrète associée, avec (xi )1≤i≤n les valeurs prises par X, et (pi = P (X = xi ))1≤i≤n sa loi de probabilité. On appelle Espérance de X, on note E(X) la valeur moyenne de X que l’on peut espérer si l’expérience était répétée un grand nombre de fois. Cette moyenne est pondérée par la loi de proba de X. Définition : E(X) = x1 P (X = x1 ) + x2 P (X = x2 ) + · · · + xn P (X = xn ) = x1 p1 + x2 p2 + · · · + xn pn = n P xi pi i=1 Propriété : L’espérance est linéaire E(aX + b) = aE(X) + b Preuve : On appelle Variance de X, on note V (X) la valeur moyenne des carrés des distances entre chaque valeurs et E(X). Cette moyenne est pondérée par la loi de proba de X. 2 2 2 Définition : V (X) = (x1 − E(X)) p1 + (x2 − E(X)) p2 + · · · + (xn − E(X)) pn = n P i=1 2 Propriété 1 : V (X) = x21 p1 + x22 p2 + · · · + x2n pn − [E(X)] = Preuve : Propriété 2 : V (aX + b) = a2 V (X) Preuve : 2/ 3 n P i=1 x2i pi − [E(X)] 2 2 (xi − E(X)) pi TS 2016 Cours 1 Ch6. Probabilités Discrètes 4. Exemple de Loi discrète, finie : Loi Binomiale : On considère une expérience aléatoire, du type : n répétitions indépendantes d’un même schéma de Bernouilli, succès ou non succès, de paramètre p, la probabilité de succès. n k Dans le cas de cette expérience, on appelle Coefficient Binomial par k succès Propriété : Pour tout n ≥ 1 et tout 0 ≤ k > n, n+1 k+1 = n k + n k+1 pour tout 0 ≤ k ≤ n, le nombre de chemins qui passent . Construction du Triangle de Pascal. On associe à l’expérience aléatoire, une variable aléatoire X qui prend pour valeur le nombre de succès obtenus. La loi de probabilité de X est appelée Loi Binomiale de paramètres n et p. On note cette loi binomiale B(n, p) . Propriétés : Si une variable aléatoire X suit une loi binomiale B(n; p), . Alors pour tout entier k tel que 0 ≤ k ≤ n : P (X = k) = . E(X) = np et V (X) = np(1 − p) . n k pk (1 − p)n−k Preuve : Représentation Fonction de Probabilité B(4; 0.25) : Représentation Fonction de Répartition B(4; 0.25) : TI : f (x) dans Y1 saisir binomF dp(4, 0.25, X) déf table, puis table. TI : f (x) dans Y1 saisir binomF Rép(4, 0.25, X) déf table, puis table. CASIO : CASIO : P2 (X = k) 1.0 0.8 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 0 1 P2 (X ≤ k) 1.0 2 3 0 4k 0 3/ 3 1 2 3 4k