Probabilités discrètes Mathématiques - Cours 2 Sophie B ERNARD [email protected] L3 M IAGE - 2016-2017 AUJOURD ’ HUI Rappels Expérience et Univers Probabilités discrètes Probabilité conditonnelle Théorème de Bayes Probabilités composées Indépendance Variables aléatoires Définition Loi de probabilité Espérance 2/28 P LAN Rappels Expérience et Univers Probabilités discrètes Probabilité conditonnelle Théorème de Bayes Probabilités composées Indépendance Variables aléatoires Définition Loi de probabilité Espérance 3/28 VOCABULAIRE Expérience aléatoire et Univers Une expérience aléatoire est une expérience renouvelable (au moins en théorie), et qui dans des conditions identiques ne donnent pas forcément le même résultat : on ne peut le prévoir. L’univers est alors l’ensemble des résultats possibles à cette expérience. Remarques • L’univers n’est pas forcément unique. • L’univers doit permettre d’exprimer les événements auxquels on s’intéresse. • A chaque répétition de l’expérience, on multiplie l’univers par l’univers d’une seule répétition. Ex. Pour un lancer de dé, Ω1 = {1, 2, 3, 4, 5, 6}. Pour 3 lancers de dé, Ω3 = {1, 2, 3, 4, 5, 6}3 : les triplets d’éléments d’Ω1 . 4/28 P LAN Rappels Expérience et Univers Probabilités discrètes Probabilité conditonnelle Théorème de Bayes Probabilités composées Indépendance Variables aléatoires Définition Loi de probabilité Espérance 5/28 P ROBABILITÉ CONDITIONNELLE Définition Pour A et B deux événements tels que P(B) 6= 0, la probabilité conditionnelle de A sachant B est : P(A | B) = P(A ∩ B) . P(B) Remarque Cela revient à peu près à changer d’univers : Soit B un événement avec une probabilité non nulle, et A un autre événement, inclus dans B. En particulier, on a A ∩ B = A. P(A | B) = P(A ∩ B) P(A) |A|/|Ω| |A| = = = . P(B) P(B) |B|/|Ω| |B| 6/28 E XEMPLE • On suppose que, dans une famille de deux enfants, la répartition fille/garçon est équiprobable. → Sachant que l’un au moins des enfants est une fille, quelle est la probabilité que les deux enfants soient des filles ? 7/28 E XEMPLE • On suppose que, dans une famille de deux enfants, la répartition fille/garçon est équiprobable. → Sachant que l’un au moins des enfants est une fille, quelle est la probabilité que les deux enfants soient des filles ? • Expérience aléatoire : répartition fille/garçon. • Univers : Ω = {FF , FG, GF , FF }. • On note A = {FF , FG, GF , FF } qui correspond à l’un au moins des enfants est une fille. P(FF ) 1/4 P(FF ∩ A) 1 • P(FF | A) = = = = . P(A) P(A) 3/4 3 7/28 P ROBABILITÉS TOTALES Formule Soit A un événement, et B1 , ..., Bn des événements qui partitionnent l’univers. Alors : n X P(A) = P(A ∩ Bi ). i=1 Si de plus, à chaque fois, P(Bi ) 6= 0, alors : P(A) = n X P(A | Bi ) · P(Bi ). i=1 Remarque En particulier, soit C un événement non trivial (qui n’est ni l’univers entier, ni l’ensemble vide) : P(A) = P(A ∩ C) + P(A ∩ C) = P(A | C) · P(C) + P(A | C) · (1 − P(C)). 8/28 E XEMPLE • On suppose que, dans une famille de deux enfants, la répartition fille/garçon est équiprobable. • Un livreur sonne à la porte. Un des enfants se lève et va ouvrir : c’est une fille. → Quelle est la probabilité que l’autre enfant soit une fille ? 9/28 E XEMPLE • On suppose que, dans une famille de deux enfants, la répartition fille/garçon est équiprobable. • Un livreur sonne à la porte. Un des enfants se lève et va ouvrir : c’est une fille. → Quelle est la probabilité que l’autre enfant soit une fille ? • Expérience aléatoire : répartition fille/garçon. • Univers : Ω = {FF , FG, GF , FF }. • On note B l’événement “une fille vient ouvrir”. 1 2 1 P(FG) + P(GF ) + P(FF ) = . 2 2 4 P(FF ∩ B) 1/4 1 • P(FF | B) = = = . P(B) 1/2 2 • P(B) = 9/28 L E PROBLÈME DES FAUX POSITIFS On essaie de dépister une maladie, et pour cela, un test est créé : • Si une personne est malade, il est positif dans 99% des cas. • Si une personne est saine, il est négatif dans 95% des cas. → Ce test est-il fiable pour vous ? 10/28 L E PROBLÈME DES FAUX POSITIFS On essaie de dépister une maladie, et pour cela, un test est créé : • Si une personne est malade, il est positif dans 99% des cas. • Si une personne est saine, il est négatif dans 95% des cas. → Ce test est-il fiable pour vous ? • La maladie est rare : elle ne touche qu’une personne sur mille. → Cela change-t-il votre opinion sur la fiabilité du test ? 10/28 T HÉORÈME DE B AYES Théorème de Bayes Pour A et B deux événements tels que P(A) 6= 0 et P(B) 6= 0, alors : P(A | B) · P(B) = P(B | A) · P(A). Remarques • Ce n’est qu’une double application de la définition des probabilités conditonnelles : P(A ∩ B) = P(A | B) · P(B) = P(B | A) · P(A). • Il permet d’avoir des informations "a posteriori" à partir d’informations "a priori". 11/28 L E PROBLÈME DES FAUX POSITIFS On essaie de dépister une maladie rare (un cas sur mille), et pour cela, un test est créé : • Si une personne est malade (M), il est positif (TP ) dans 99% des cas. • Si une personne est saine (S), il est négatif (TN ) dans 95% des cas. → Ce test est-il fiable pour vous ? P(TP | M) · P(M) . P(TP ) • Or : P(TP ) = P(TP | M) · P(M) + P(TP | S) · P(S). • Par Bayes : P(M | TP ) = P(M | TP ) = P(M | TP ) = P(TP | M) · P(M) . P(TP | M) · P(M) + P(TP | S) · P(S) 0, 99 · 0, 001 ≈ 2%. 0, 99 · 0, 001 + 0, 05 · 0, 999 12/28 E XPÉRIENCE COMPOSÉE Définition Une expérience est dite composée si elle consiste en une succession d’expériences aléatoires. Exemples • Pour attribuer les parts de galette des rois, on commence par choisir qui passe sous la table (1e expérience), puis la personne qui est dessous choisit à qui va chaque part (2e expérience). • Dans un jeu de trivial pursuit, le choix de la question est aussi une expérience composée : on commence par choisir un thème, puis si la question de la carte de ce thème n’a pas été posée : on la choisit, sinon, on prend une nouvelle carte. • Dans un jeu de grattage, on commence par gratter les cases : on peut alors perdre, gagner de l’argent, ou avoir 3 télés. Dans le cas des 3 télés, on passe à la télévision pour essayer de gagner autre chose. 13/28 A RBRES DE PROBABILITÉS Préparer un dessert qui se décompose en une pâte et une garniture. • Si la pâte est réussie, le dessert est bon 4 fois sur 5. • Si la pâte n’est pas réussie, il n’y a que 1 chance sur 4 de réussir à modifier le dessert pour qu’il soit correct. • Il y a 2 chances sur 3 que la pâte soit réussie. Réussite de la pâte A Réussite de la garniture G 4/5 2/3 1/4 14/28 A RBRES DE PROBABILITÉS Préparer un dessert qui se décompose en une pâte et une garniture. • Si la pâte est réussie, le dessert est bon 4 fois sur 5. • Si la pâte n’est pas réussie, il n’y a que 1 chance sur 4 de réussir à modifier le dessert pour qu’il soit correct. • Il y a 2 chances sur 3 que la pâte soit réussie. Réussite de la pâte A Réussite de la garniture G 4/5 2/3 1/3 1/5 1/4 3/4 14/28 A RBRES DE PROBABILITÉS Préparer un dessert qui se décompose en une pâte et une garniture. • Si la pâte est réussie, le dessert est bon 4 fois sur 5. • Si la pâte n’est pas réussie, il n’y a que 1 chance sur 4 de réussir à modifier le dessert pour qu’il soit correct. • Il y a 2 chances sur 3 que la pâte soit réussie. Réussite de la pâte A 2/3 1/3 Réussite de la garniture G 4/5 P(A ∩ G) = 8/15 1/5 P(A ∩ G) = 2/15 1/4 P(A ∩ G) = 1/4 3/4 P(A ∩ G) = 1/12 14/28 P ROBABILITÉS COMPOSÉES Formule Soient A1 , A2 , ..., An des événements tels que P(A1 ∩ A2 ∩ ... ∩ An ) 6= 0. P(A1 ∩A2 ∩...∩An ) = P(A1 )·P(A2 | A1 )·P(A3 | A1 ∩A2 )...P(An | A1 ∩A2 ...An−1 ). Plus simplement Si An ⊂ An−1 ⊂ ... ⊂ A2 ⊂ A1 alors : P(An ) = P(A1 ) · P(A2 | A1 ) · P(A3 | A2 ) · ... · P(An | An−1 . Remarque C’est en fait ce qu’on retrouve sur les branches d’un arbre de probabilité ! 15/28 E XEMPLE • On prend une urne, contenant trois boules vertes et deux boules rouges. • A chaque fois qu’on tire une boule d’une couleur, on la remet dans l’urne, et on en ajoute une de la même couleur. → Quelle est la probabilité de tirer deux boules vertes et une rouge ? 16/28 I NDÉPENDANCE Définition Deux événements A et B sont dits indépendants si P(A ∩ B) = P(A) · P(B). Remarque • C’est une propriété à vérifier ! (On ne peut que rarement la déduire directement de la situation, sauf dans le cas d’une répétition d’expériences). • Ce n’est pas la même chose qu’être incompatible ! • Si A et B sont indépendants, A et B le sont aussi, ainsi que A et B, et donc A et B. 17/28 I NDÉPENDANCE Conséquences Si A et B sont deux événements tels que P(B) 6= 0, • Si A et B sont indépendants, alors : P(A | B) = P(A ∩ B) P(A) · P(B) = = P(A). P(B) P(B) • Si P(A | B) = P(A), alors A et B sont indépendants. Indépendance conditionnelle On parle aussi d’indépendance conditionnelle si A, B et C sont trois événements, et : P((A ∩ B) | C) = P(A | C) · P(B | C). 18/28 E XEMPLE • On lance trois dés non pipés : un rouge, un noir et un blanc. • A = “la somme des dés rouges et noirs est inférieure ou égale à 4”. • B = “la somme des dés noirs et blancs est inférieure ou égale à 4”. • C = “le dé noir vaut 1”. → A et B sont-ils indépendants ? → A et B sont-ils conditionnellement indépendants sachant C ? 19/28 E XEMPLE • On lance trois dés non pipés : un rouge, un noir et un blanc. • A = “la somme des dés rouges et noirs est inférieure ou égale à 4”. • B = “la somme des dés noirs et blancs est inférieure ou égale à 4”. • C = “le dé noir vaut 1”. → A et B sont-ils indépendants ? → A et B sont-ils conditionnellement indépendants sachant C ? • Univers : Ω = {1, 2, 3, 4, 5, 6}3 . 36 1 1 = et P(B) = . 216 6 6 14 • P(A ∩ B) = . 216 • Ils ne sont pas indépendants. • P(A) = 19/28 E XEMPLE • On lance trois dés non pipés : un rouge, un noir et un blanc. • A = “la somme des dés rouges et noirs est inférieure ou égale à 4”. • B = “la somme des dés noirs et blancs est inférieure ou égale à 4”. • C = “le dé noir vaut 1”. → A et B sont-ils indépendants ? → A et B sont-ils conditionnellement indépendants sachant C ? • Univers : Ω = {1, 2, 3, 4, 5, 6}3 . 18/216 1 1 = et P(B | C) = . 36/216 2 2 9/216 1 • P((A ∩ B) | C) = = . 36/216 4 • Ils sont conditionnellement indépendants sachant C. • P(A | C) = 19/28 I NDÉPENDANCE MUTUELLE Définition On se donne n événements A1 , ...An . Ils sont dits mutuellement indépendants, si pour tout sous-ensemble I de {1, ..., n}, on a : \ Y P( Ai ) = P(Ai ). i∈I i∈I Cas particulier Soient 3 événements A, B, C. Leur indépendance mutuelle correspond à : • Ils sont deux à deux indépendants. • P(A ∩ B ∩ C) = P(A) · P(B) · P(C). Exemple Si on lance trois fois de suite un dé non pipé, les trois événements “obtenir un 1 au premier lancer”, “obtenir un 2 au deuxième lancer” et “obtenir un 3 au troisième lancer” sont mutuellement indépendants. 20/28 P LAN Rappels Expérience et Univers Probabilités discrètes Probabilité conditonnelle Théorème de Bayes Probabilités composées Indépendance Variables aléatoires Définition Loi de probabilité Espérance 21/28 VARIABLE ALÉATOIRE Exemple Dans les jeux d’argent, on ne s’intéresse pas réellement au résultat de l’expérience aléatoire, mais plutôt au gain ou à la perte d’argent que ce résultat entraîne : on associe, à chaque résultat possible, un nombre qui correpond au gain (positif) ou à la perte (négatif). Définition Une variable aléatoire est une fonction de Ω dans R. Remarques • On la note X en général (puis Y , Z ). • Permet de s’occuper uniquement de ce qui est intéressant (typiquement, le gain) 22/28 E XEMPLE • On lance deux fois un dé à 4 faces non pipé : Ω = {1, 2, 3, 4}2 . • On note X la variable aléatoire qui donne la somme des résultats de chaque lancer. • On a alors X (Ω) = {2, 3, 4, ..., 8} : ensemble des valeurs pouvant être prises. • Une urne contient 6 boules numérotées : {1, 2, 2, 3, 3, 3}. • Si on note X la fonction qui à chaque boule associe son numéro... on obtient une variable aléatoire ! • Jeu de pile ou face : si c’est pile, vous gagnez un euro, sinon, perte de un euro. • Jeu de dé : si c’est un 6, gain de 4 euros, sinon, perte de un euro. 23/28 D ÉFINITIONS Loi de probabilité La loi de probabilité d’une variable aléatoire X sur un univers Ω est la fonction de R dans [0; 1] définie par f (x) = P(X = x). Fonction de répartition La fonction de répartition d’une variable aléatoire X sur un univers Ω est la fonction de R dans [0; 1] définie par F (x) = P(X ≤ x). Exemples On lance deux fois un dé à 4 faces non pipé, et on note X la variable aléatoire qui donne la somme des résultats de chaque lancer. 24/28 E XEMPLES Lancer d’un dé à 6 faces non pipé : si c’est un 6, gain de 4 euros, sinon, perte de un euro. • On note X la variable aléatoire qui associe à chaque résultat possible le gain/perte d’argent : x -1 4 P(X = x) 5 6 1 6 • Loi de probabilité de X : • On reconnaît alors que F (0) est la probabilité de perdre de l’argent, car F (0) = P(X ≤ 0). Ici, F (0) = 5 . 6 25/28 A RETENIR ! • Une loi de probabilité prend des valeurs comprises entre 0 et 1. • La somme des valeurs d’une loi de probabilité est égale à 1. • Une fonction de répartition prend des valeurs comprises entre 0 et 1. • Une fonction de répartition est toujours croissante. 26/28 E SPÉRANCE Définition L’espérance d’une variable aléatoire X est la moyenne des valeurs de la variable aléatoire pondérées par leur probabilité : E[X ] = N X (xi · · · P(X = xi )). i=1 Remarques • L’espérance correspond à la moyenne des valeurs que l’on obtiendrait en faisant une infinité de tirages. • On parle souvent d’espérance de gain : évitez de jouer si l’espérance est négative ! • On dira d’un jeu qu’il est équilibré si l’espérance est nulle. 27/28 E XEMPLES Dans le cas du lancer d’un dé à 6 faces non pipé où si c’est un 6, on gagne 4 euros, sinon, on perd un euro. • Loi de probabilité de la variable aléatoire X du gain : x -1 4 P(X = x) 5 6 1 6 5 4 5 1 1 · 4 + · (−1) = − = − . 6 6 6 6 6 • L’espérance est négative : en moyenne, toutes les 6 parties on perdra un euro. • E[X ] = 28/28