Les probabilités – Partie 1 Mathématiques et statistiques appliquées 1ère gestion 2015-­‐2016 Ludovic Kuty 15/12/15 1 Contenu • Cette partie contient les slides relatifs à : • Introduction aux probabilités • Probabilités classiques • Probabilités fréquentistes • Analyse combinatoire • Théorie axiomatique des probabilités • Cela concerne les chapitres 11 et 12 du Masiéri 15/12/15 2 Démonstrations avec Mathematica • Démonstrations avec Mathematica • Site Wolfram Demonstrations Project : http://demonstrations.wolfram.com/ • Vous avez besoin du CDF Player (gratuit) ou de Mathematica • Fichiers .cdf 15/12/15 3 Les probabilités vs la statistique • Avec la statistique, nous disposons de données, d'observations imparfaites du monde réel et nous essayons de comprendre ce qui se passe • Avec les probabilités, nous disposons de modèles mathématiques qui décrivent un monde idéal qui n'existe pas et qui nous permettent de faire des prédictions précises • Typiquement la statistique opère sur des échantillons et essaie de tirer des conclusions à propos de la population 15/12/15 4 Les probabilités vs la statistique pièce non pipée (non biaisée, unbiased) simple Probabilités On a le modèle On prédit les données pièce pipée (biaisée, biased) complexe pièce (biaisée ou pas ?) 15/12/15 ? Statistique On a les données On prédit le modèle 5 Les probabilités vs la statistique ? Probabilités On sait ce qui est dans le seau. Qu'y a-­‐t-­‐il dans la main ? seau ? seau 15/12/15 Statistique On sait ce qui est dans la main. Qu'y a-­‐t-­‐il dans le seau ? 6 Les probabilités vs la statistique http://betterexplained.com/articles/a-­‐brief-­‐introduction-­‐to-­‐probability-­‐statistics/ • Les probabilités consiste à partir d'un animal et se demander quelles empreintes il laissera. • La statistique consiste à voir une empreinte et à se demande de quel animal elle provient. Le processus est plus complexe comme illustré ci-­‐dessous. 1. Obtenir les empreintes. Plus on en a, mieux c'est. 2. Mesurer les caractéristiques de bases (caractères) et calculer les paramètres. Profondeur, longueur, largeur des empreintes, et ensuite moyenne, médiane, écart-­‐type, ... 15/12/15 7 Les probabilités vs la statistique 3. Trouver les espèces. Il y a une quantité d'espèces différentes qui auraient pu être à l'origine de ces empreintes (distributions de probabilités). On réduit les espèces à considérer d'emblée en se basant sur le contexte : dans les bois ? Peut-­‐être des chevaux mais pas de zèbres. 4. Chercher un animal spécifique. On a l'espèce (la distribution) : les ours. De quel ours s'agit-­‐il en fonction des données de l'empreinte ? On peut les comparer à des données connues générées au préalable (au zoo sur des ours, à l'aide de la distribution). 5. On peut ensuite faire des prédictions. 15/12/15 8 Les probabilités vs la statistique • Il y a un autre aspect important qui distingue les deux • Le but des probabilités est de pouvoir discuter d'issues incertaines avant qu'elles ne se réalisent • Lors d'un jet de pièce, la chance d'avoir pile est juste une chance • Une fois que le dé a été lancé et qu'on a le résultat, les probabilités n'interviennent plus. Le résultat est connu avec certitude • C'est donc une mesure de l'incertitude liée à une expérience • C'est en quelque sorte une manière de quantifier notre connaissance limitée d'une situation 15/12/15 9 Les probabilités classiques • La probabilité qu'un événement se réalise est le rapport entre le nombre de cas favorables et le nombre de cas possibles • Tous les cas possibles sont considérés comme équiprobables • Typiquement, cette interprétation se base sur la symétrie apparente du problème : cartes, dés, pièces de monnaie, ... Nombre de cas favorables p= Nombre de cas possibles 15/12/15 10 Les probabilités classiques : intervalle • Etant donné que le nombre de cas favorables est compris entre 0 et le nombre de cas possibles, une probabilité est toujours comprises entre 0 et 1, bornes incluses • Cette propriété sera toujours respectée quelle que soit la manière de calculer des probabilités que nous choisirons 0p1 15/12/15 11 Les probabilités classiques : exemple 1 • On lance une pièce. On gagne si on a face. On perd si on a pile. Quelle est la probabilité de gagner ? • Quels sont tous les cas possibles ? Pile, Face • Quels sont tous les cas favorables ? Face • Les cas favorables sont ceux qui permettent à l'événement "je gagne" de se réaliser et cela arrive lorsqu'on a Face • Quelle est la probabilité de gagner ? Nombre de cas favorables 1 p= = = 0.5 Nombre de cas possibles 2 15/12/15 12 Les probabilités classiques : exemple 2 • On lance un dé. On gagne si on obtient un nombre pair. Quelle est la probabilité de gagner ? • Quels sont tous les cas possibles ? ⚀⚁⚂⚃⚄⚅ • Quels sont tous les cas favorables ? ⚁⚃⚅ • Les cas favorables sont ceux qui permettent à l'événement "je gagne" de se réaliser et cela arrive lorsqu'on a ⚁,⚃ ou ⚅ • Quelle est la probabilité de gagner ? Nombre de cas favorables 3 p= = = 0.5 Nombre de cas possibles 6 15/12/15 13 Les probabilités classiques : exemple 3 • On tire des cartes d'un jeu de 52 cartes. On gagne si on obtient une figure. Quelle est la probabilité de gagner ? • Quels sont tous les cas possibles ? 52 (13 cartes par ♠♥♦♣) • Quels sont tous les cas favorables ? 12 (valet, dame, roi de ♠♥♦♣) • Les cas favorables sont ceux qui permettent à l'événement "je gagne" de se réaliser et cela arrive lorsqu'on a une des 12 cartes • Quelle est la probabilité de gagner ? Nombre de cas favorables 12 3 p= = = = 0.230769 Nombre de cas possibles 52 13 15/12/15 14 Les probabilités classiques : exemple 4 • Une ville contient x femmes et y hommes. On choisit un adulte de manière aléatoire. Quelle est la probabilité d'avoir un homme ? • Quels sont tous les cas possibles ? x + y • Quels sont tous les cas favorables ? y • Les cas favorables sont ceux qui permettent à l'événement "je gagne" de se réaliser et cela arrive lorsqu'on a un des y hommes • Quelle est la probabilité d'avoir un homme ? Nombre de cas favorables y p= = Nombre de cas possibles x+y 15/12/15 15 Les probabilités classiques : exemple 5 • Imaginons un archer débutant qui essaie d'atteindre le centre de rayon 1 de la cible de rayon 2 en supposant qu'il atteint la cible. Quelle est sa chance de succès ? • On peut recourir à une proportion en utilisant les surfaces • Quelle est la surface totale ? La flèche arrive sur la cible. La surface de la cible πr2 avec r=2 càd 4π • Quelle est la surface favorable ? πr2 avec r=1 càd π am`7+2 /m +2Mi`2 π 1 p= = = = 0.25 am`7+2 /2 H +B#H2 4π 4 15/12/15 16 Les probabilités classiques : problèmes • Il y a 4 problèmes avec cette interprétation des probabilités : • La définition est circulaire. On définit la probabilité d'un événement en se basant sur le fait que les cas sont équiprobables, ce qui revient à utiliser la définition de la probabilité alors qu'on est en train de la définir • La définition est limitée. Que fait-­‐on lorsqu'il n'y a pas de symétrie physique ? • Comment peut-­‐on justifier la symétrie ? Nous savons qu'il n'existe pas de pièce de monnaie ou de dé parfaitement symétrique. On peut se demander d'ailleurs si cette interprétation est applicable à n'importe quelle situation du monde réel • Le nombre de cas est fini • Cependant nous verrons qu'il est utile de raisonner ainsi de par le côté intuitif et la facilité de compréhension qui en résulte 15/12/15 17 Problème 1 • Quelle est la probabilité qu'une punaise ne termine pas la pointe vers le haut lors d'un lancé ? • Peut-­‐on trouver une probabilité de la manière classique ? Non car il n'y a pas de symétrie • Il est nécessaire de répéter l'expérience de nombreuses fois et on aura un rapport effectif / effectif total qui s'approchera de la "vraie" probabilité 15/12/15 18 Problème 2 • Si une famille de deux enfants est sélectionnée aléatoirement, quelle est la probabilité qu'il y ait deux garçons ? • Quels sont tous les cas possibles ? FF, FG, GF, GG (Fille – Garçon) • Quels sont tous les cas favorables ? GG • On a donc une probabilité de ¼ = 0.25 • Est-­‐ce bien le cas ? Quelles sont nos hypothèses ? • Et si vous alliez interroger des gens dans la rue en Belgique, qu'auriez-­‐ vous comme réponse ? 15/12/15 19 Les probabilités comme une fréquence La vision fréquentiste • Une autre interprétation possible est de voir la probabilité comme la fréquence (relative) d'un événement dans un grand nombre d'expériences (passage à la limite) • On voit clairement le côté statistique de cette manière de procéder • On a plus de problème lié à la symétrie (absence, réalisme) des probabilités classiques ni de circularité • Mais cela implique de pouvoir répéter l'expérience 1z2+iB7 /2 `ûHBbiBQM /2 HǶûpĕM2K2Mi nx p≈ = 1z2+iB7 iQiH ne 15/12/15 20 Exemple 1 (punaises) Fréq. punaise pointe vers le bas 1.0 0.8 0.6 0.4 0.2 0 15/12/15 5 10 15 20 Nbre de jets de 10 punaises 21 Vocabulaire • Nous allons choisir un vocabulaire précis pour parler des probabilités • Ce vocabulaire sera utilisé pour définir une théorie mathématique des probabilités qui ne dépend plus des interprétations précédentes • Mais avant cela nous allons continuer à explorer l'interprétation classique et augmenter notre boîte à outils pour calculer les cas favorables et les cas possibles • Ce sera l'objet de l'analyse combinatoire 15/12/15 22 Expérience aléatoire et résultats • En probabilités, on réalise des expériences (experiments) dont le résultat est aléatoire • Expériences : jet d’un dé, jet de deux dés, pile ou face, … • Aléatoire : si l’expérience est répétée, son résultat peut différer. On ne peut pas le prédire. Le hasard est présent. Il y a plusieurs résultats possibles. Le contraire d’aléatoire est déterministe • Le résultat unique ou l’issue (outcome) d’une expérience est noté ω (omega minuscule) • L’ensemble des résultats possibles ou univers (sample space) est noté Ω (omega majuscule) 15/12/15 23 Résultats • Nous savons quels sont tous les résultats possibles d’une expérience avant de la réaliser • Mais nous ne savons pas lequel va sortir à l’issue de l’expérience • En effet, il s’agit d’une expérience aléatoire 15/12/15 24 Un jet de pièce • On lance une pièce de monnaie une fois • Ce lancement est notre expérience • Il y a 2 résultats possibles : pile (tail) ou face (head) • Donc Ω = {P,F} • Cela veut dire que ω = P ou ω = F 15/12/15 25 Un jet de deux pièces • On lance deux pièces de monnaie une fois • Ce lancement est notre expérience • Il y a 4 résultats possibles : PP, PF, FP, FF • Donc Ω = {PP, PF, FP, FF} • Cela veut dire que ω = PP ou ω = PF ou ω = FP ou ω = FF 15/12/15 26 Expérience aléatoire composée • Une expérience aléatoire peut être répétée plusieurs fois. Comme par exemple deux jets d’une pièce plutôt qu’un jet de deux pièces • Dans ce cas, nous considérons que nous avons toujours une seule expérience mais composée d’étapes ou d’essais (trials) • Donc, on raisonnera toujours dans la suite du cours en terme d’expérience unique • Bien entendu, les mathématiciens ont imaginé considérer des expériences multiples. C’est ce qu’on appelle des processus aléatoires 15/12/15 27 Expérience aléatoire composée • Donc, plutôt que de voir le jet d'une pièce deux fois comme deux expériences : • Avec Ω1 = {P,F} et Ω2 = {P,F} • Ce qui n'est pas permis car on ne doit définir qu'un seul Ω • On regroupe ces deux essais (sous-­‐expériences) dans une seule expérience dans laquelle on dispose de toutes les issues possibles : • Ω = {PP, PF, FP, FF} 15/12/15 28 Un jet d’un dé • On lance un fois un dé à 6 faces • Ce jet unique d’un dé est notre expérience • Il y a 6 résultats possibles pour le nombre obtenu : 1, 2, 3, 4, 5 ou 6 • Donc Ω = 1,2,3,4,5,6 • Cela veut dire que 𝜔 = 1 ou 𝜔 = 2 ou 𝜔 = 3 ou 𝜔 = 4 ou 𝜔 = 5 ou 𝜔 = 6 15/12/15 29 Un jet de deux dés • On lance une fois deux dés à 6 faces • Ce jet unique est notre expérience • Chaque dé est identifiable • Chaque résultat est écrit (dé1,dé2) • Il y a 36 résultats possibles : (1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6) 15/12/15 30 Un jet de deux dés • Donc Ω = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)} • Notez que Ω dépend de l’usage qu’on compte faire de notre expérience. Cfr. slides suivants avec les événements 15/12/15 31 Evénement • Un événement (event) est une supposition relative au résultat d’une expérience aléatoire • Une fois l’expérience accomplie l’événement est réalisé ou non • On utilise habituellement une lettre majuscule pour le désigner comme A, B, C, … • On pourrait avoir comme événements pour l’expérience aléatoire de jet d’un dé : • A = le dé vaut 4 • B = le dé est strictement inférieur à 4 = le dé vaut 1, 2 ou 3 • C = le dé est un nombre pair 15/12/15 32 Evénement (ex : dé = 4) • Prenons l’événement A = le dé vaut 4 • L’expérience consiste à jeter un dé une seule fois et à noter le résultat ω • Nous savons que Ω est l’ensemble de tous les résultats possibles, à savoir 1 ou 2 ou 3 ou 4 ou 5 ou 6, c’est-­‐à-­‐dire l’ensemble {1,2,3,4,5,6} • L’événement A sera réalisé si le résultat ω vaut 4 • L’événement A ne sera pas réalisé si le résultat ω vaut 1 ou 2 ou 3 ou 5 ou 6 15/12/15 33 Evénement (ex : dé < 4) • Prenons l’événement B = le dé est strictement inférieur à 4 • L’expérience consiste à jeter un dé une seule fois et à noter le résultat ω • Nous savons que Ω est l’ensemble de tous les résultats possibles, à savoir 1 ou 2 ou 3 ou 4 ou 5 ou 6, c’est-­‐à-­‐dire {1,2,3,4,5,6} • L’événement B sera réalisé si le résultat ω vaut 1 ou 2 ou 3 • L’événement B ne sera pas réalisé si le résultat ω vaut 4 ou 5 ou 6 15/12/15 34 Evénement (ex avec deux dés) • On pourrait avoir pour l’expérience de jet de deux dés : • • • • • 15/12/15 A = la somme des dés vaut 5 B = les deux dés sont identiques C = les deux dés sont différents D = le résultat est (6,6) E = le résultat est (1,1), (1,2) ou (1,3) 35 Evénement (somme = 5) • Prenons l’événement A = la somme des dés vaut 5 • L’expérience consiste à jeter deux dés une seule fois et à noter le résultat ω • Nous savons que Ω est l’ensemble de tous les résultats possibles, à savoir {(1,1),(1,2),…} • L’événement A sera réalisé si le résultat ω vaut (1,4) ou (2,3) ou (3,2) ou (4,1) • L’événement A ne sera pas réalisé dans le cas contraire 15/12/15 36 Evénement (somme = 5) • Nous avons choisi Ω comme représentant tous les résultats possibles avec deux dés • Mais nous aurions pu ne garder que la somme des dés puisque c’est cela qui nous intéresse • Donc ce cas, Ω={2,3,4,5,6,7,8,9,10,11,12} • Prenons l’événement A = la somme des dés vaut 5 • L’événement A sera réalisé si le résultat ω vaut 5 • L’événement A ne sera pas réalisé dans le cas contraire 15/12/15 37 Evénement comme sous-­‐ensemble • On identifie un événement au sous-­‐ensemble de Ω qui correspond aux résultats qui le réalisent • Un événement ne contenant qu'un élément est appelé un événement élémentaire • Dans le cas de la somme de deux dés avec Ω = {(1,1), (1,2), …} avec l’événement A = la somme des dés vaut 5, on a : A = {(1,4), (2,3), (3,2), (4,1)} • Dans le cas de la somme de deux dés avec Ω = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} avec l’événement A = la somme des dés vaut 5, on a : A = {5} 15/12/15 38 Probabilités classiques • Tout ce nous venons de dire précise le vocabulaire que nous allons utiliser • Dans le cas des probabilités classiques, nous calculons une probabilité en faisant le rapport nbre cas favorables sur nbre cas possibles • Cela revient à considérer les événements E comme des ensembles et à compter leurs éléments et donc considérer leur cardinalité LQK#`2 /2 +b 7pQ`#H2b |E| p= = LQK#`2 /2 +b TQbbB#H2b |Ω| 15/12/15 39 Probabilités classiques Somme des dés = 5 • Considérons les deux slides précédents : 1. Soit Ω = {(1,1),(1,2),…,(6,6)} et A = {(1,4),(2,3),(3,2),(4,1)} 2. Soit Ω = {2,3,4,5,6,7,8,9,10,11,12} et A = {5} • Les probabilités classiques donnent les valeurs suivantes : 1. 2. + , + , - 0 = ./ = 1 = 0.11111 … = 0 00 = 0.0909090 … • Laquelle est la bonne ? 15/12/15 40 Analyse combinatoire • Ce besoin de devoir calculer le nombre de cas favorables et le nombre de cas possibles nous confronte à une problématique de comptage ou de dénombrement • La branche des mathématiques qui s'occupe de cela est l'analyse combinatoire • Nous allons faire un petit détour par l'analyse combinatoire avant de revenir sur les probabilités • Cela correspond au chapitre 11 du Masiéri 15/12/15 41 Relation mathématique R • Une relation (binaire) R entre deux ensembles E et F est un sous-­‐ensemble du produit cartésien E × F • C'est-­‐à-­‐dire une collection de couples dont la première composante est dans E et la seconde dans F E 15/12/15 F 42 Application mathématique • Une application A est une relation entre deux ensembles pour laquelle chaque élément du premier est relié à un unique élément du second • On a un ensemble de départ E et un ensemble d'arrivée F • On peut aussi utiliser le terme "fonction" 15/12/15 A E F 43 Exemple Masiéri p251-­‐253 • Soient 4 boules différentes identifiables (couleurs différentes) : blanche, noire, rouge, verte • Soient 6 cases différentes identifiables (noms différents) : A, B, C, D, E et F • On lance les boules dans les cases. Une boule lancée atterrit toujours dans une case. Il peut y avoir plusieurs boules dans une case • Cela revient à dire qu'on choisit une application de l'ensemble des boules dans l'ensemble des cases • Vérifiez qu'on respecte bien les conditions pour que cette relation puisse être qualifiée d'application 15/12/15 44 Exemple Masiéri p251-­‐253 • Soient 4 boules différentes identifiables (couleurs différentes) : blanche, noire, rouge, verte • Soient 6 cases différentes identifiables (noms différents) : A, B, C, D, E et F • Un lancer peut conduire à l'application suivante : dans l'ordre des boules C, B, F, A 15/12/15 application A B C D E F boules cases 45 Exemple Masiéri p251-­‐253 • Soient 4 boules différentes identifiables (couleurs différentes) : blanche, noire, rouge, verte • Soient 6 cases différentes identifiables (noms différents) : A, B, C, D, E et F • Un lancer peut conduire à l'application suivante : dans l'ordre des boules B, B, B, B 15/12/15 application A B C D E F boules cases 46 Combien d'applications peut-­‐on avoir ? • La boule blanche peut aller dans 1 des 6 cases. On a donc 6 possibilités. Idem pour la noire, la rouge et la verte • On peut représenter cela graphiquement à l'aide d'un arbre • On voit alors clairement que pour chaque choix réalisé pour la boule blanche (A, B, C, D, E ou F), on peut faire n'importe quel choix pour la boule noire (A, B, C, D, E ou F) et ainsi de suite • Donc, on a 6 possibilités pour la blanche multiplié par 6 possibilités pour la noire multiplié par 6 possibilités pour la rouge multiplié par 6 possibilités pour la verte 4 15/12/15 6 · 6 · 6 · 6 = 6 = 1296 47 Nombre d'applications 8 Soit 𝑁7 le nombre d'applications différentes que l'on peut avoir d'un ensemble de p éléments vers un ensemble de n éléments 8 • Nous venons de montrer que 𝑁7 = 𝑛8 • Exemple 1 Masiéri p254 : 23 lettres dans 40 boîtes aux lettres • Exemple 2 Masiéri p254 : lancer d'une pièce 10 fois. De combien de manière la succession de P et F peut se présenter ? Cela revient à lancer les pièces vers une case P et une case F • 15/12/15 48 Brute-­‐force attack • On veut trouver un mot de passe de 8 caractères • On sait que l'utilisateur a choisi parmi les minuscules, majuscules, chiffres, symboles du clavier • Combien de possibilités doit-­‐on tester ? • Minuscules (26), majuscules (26), chiffres (10), symboles du clavier (34) = 96 caractères : = 96: = 7213895789838336 • Nombre de possibilités : 𝑁1/ • A raison de 1 milliards par seconde (cfr. lien 1 2009 et lien 2 2012). • Il faudra un peu plus de 83 jours 15/12/15 49 Brute-­‐force attack • Le mot de passe contient un caractère de plus, càd 9 1 = 961 = 692533995824480256 • Nombre de possibilités : 𝑁1/ • A raison de 1 milliards par seconde • Il faudra un peu plus de 8015 jours • Il n'en faut donc pas beaucoup pour protéger les mots de passe de manière efficace • Cependant, il faut plus que 9 caractères étant donné les évolutions technologiques actuelles Opt • Cfr. xkcd 936 et son explication pour des infos additionnelles 15/12/15 50 Exemple Masiéri p254-­‐256 • Soient 4 boules différentes identifiables (couleurs différentes) : blanche, noire, rouge, verte • Soient 6 cases différentes identifiables (noms différents) : A, B, C, D, E et F • On lance les boules dans les cases. Une boule lancée atterrit toujours dans une case. Il ne peut y avoir qu'une boule au plus dans une case • De combien de possibilités dispose-­‐t-­‐on pour arranger les boules dans les cases ? • Comme il ne peut y avoir de case doublement occupée, il faut que le nombre de boules soit ≤ au nombre de cases 15/12/15 51 Exemple Masiéri p254-­‐256 • Soient 4 boules différentes identifiables (couleurs différentes) : blanche, noire, rouge, verte • Soient 6 cases différentes identifiables (noms différents) : A, B, C, D, E et F • Je lance la boule blanche qui peut atterrir dans une des 6 cases : 6 possibilités 15/12/15 application A B C D E F boules cases 52 Exemple Masiéri p254-­‐256 • Je lance la boule noire... • Où peut-­‐elle aller ? • A, B, D, E ou F • Elle ne peut pas aller dans C car la boule blanche y est déjà • Cela veut dire qu'elle a 5 possibilités • Une de moins que la boule blanche • Imaginons qu'elle va en B 15/12/15 application A B C D E F boules cases 53 Exemple Masiéri p254-­‐256 • Je lance la boule rouge... • Où peut-­‐elle aller ? • A, D, E ou F • Elle ne peut pas aller dans C car la boule blanche y est déjà ni dans B car la boule noire s'y trouve • Cela veut dire qu'elle a 4 possibilités • Une de moins que la boule noire • Imaginons qu'elle va en F 15/12/15 application A B C D E F boules cases 54 Exemple Masiéri p254-­‐256 • Je lance la boule verte... • Où peut-­‐elle aller ? • A, D ou E • Cela veut dire qu'elle a 3 possibilités • Une de moins que la boule rouge • Imaginons qu'elle va en A application A B C D E F boules 15/12/15 cases 55 Exemple Masiéri p254-­‐256 • La boule blanche avait 6 possibilités • La boule noire avait 5 possibilités • La boule rouge avait 4 possibilités • La boule verte avait 3 possibilités • On a donc un total de 6*5*4*3 = 360 possibilités que l'on appelle des arrangements 15/12/15 56 Nombre d'arrangements 8 Soit 𝐴7 le nombre d'arrangements différents que l'on peut avoir d'un ensemble de p éléments vers un ensemble de n éléments • Contrainte : 𝑝 ≤ 𝑛 • 8 Nous venons de montrer que 𝐴7 • = 𝑛 𝑛−1 ⋯ 𝑛−𝑝+1 • Nous verrons plus tard que nous pouvons écrire cette formule de manière plus concise à l'aide la factorielle • Remarque : on peut aussi utiliser le signe-­‐produit ∏ qui effectue des multiplications au lieu de faire des sommes comme ∑ 15/12/15 57 Arrangements et multiplication • Notez que le fait d'effectuer un produit tient compte de l'ordre • En effet, écrivons l'arbre représentant toutes les possibilités de tirer 2 éléments parmi 3 sans répétition avec ordre càd 3 x 2 3 x 2 = 6 1, 2 2 1 1, 3 3 racine 2 3 15/12/15 1 2, 1 3 2, 3 1 3, 1 2 3, 2 58 Arrangements : un autre point de vue • Cfr. remarque dans Masiéri p257 • Imaginons le remplissage des boules dans les cases, peu importe les boules composition • Par exemple : BFCA, AEFD et EDFA • Que l'on peut lire : B1F2C3A4, A1E2F3D4 et E1D2F3A4 • Les arrangements diffèrent par : B F C A A E F D E D F A ordre • Leur composition : lettres différentes • Leur ordre : même lettres mais ordre différent • On peut donc voir les arrangements comme des tirages de p objets parmi n sans répétition mais avec ordre 15/12/15 59 Les permutations • Une permutation est un arrangement dans lequel les ensembles de départ et d'arrivée ont le même cardinal • C'est donc un cas particulier des arrangements où p = n • On écrit 𝑃7 = 𝐴77 = 𝑛(𝑛 − 1) ⋯ 3 F 2 F 1 • Par exemple, on doit placer 6 boules dans 6 cases • De combien de manière peut-­‐on le faire ? • 6 F 5 F 4 F 3 F 2 F 1 = 720 15/12/15 60 Les permutations • Les arrangements pouvaient différer par : • Leur composition : lettres différentes • Leur ordre : même lettres mais ordre différent • Les permutations peuvent différer uniquement par leur ordre. On prend toujours les mêmes lettres, c'est-­‐à-­‐dire toutes • On peut donc voir les permutations comme des tirages de n objets parmi n sans répétition mais avec ordre • Cela revient donc à demander de combien de manières on peut permuter n objets • La factorielle va être utile dans ce cas 15/12/15 61 Factorielle • La factorielle de n notée n! est le produit 𝑛 (𝑛 − 1) ⋯ 3 F 2 F 1 • Par définition, la factorielle de 0 vaut 1. 0! = 1 • La factorielle donne directement le nombre de permutations • Remarquez qu'on peut définir la factorielle de manière récursive avec un cas inductif et un cas de base. La récursivité est extrêmement utile en programmation n! = 15/12/15 1 n · (n 1)! bB n = 0 bB n > 0 62 Arrangements • On peut écrire la formule des arrangements à l'aide de la factorielle Apn = n(n − 1) · · · (n − p + 1) (n − p) · · · 1 = n(n − 1) · · · (n − p + 1) (n − p) · · · 1 n(n − 1) · · · (n − p + 1)(n − p) · · · 1 = (n − p) · · · 1 n! = (n − p)! 15/12/15 63 Exemple Masiéri p259 • Soit une course de 20 chevaux et les tiercés qui peuvent être énoncés • Les chevaux sont numérotés de 1 à 20 • Imaginons que les chevaux 4, 11 et 17 terminent les 3 premiers et constitue donc un tiercé • Enumérons les tiercés possibles des chevaux 4, 11 et 17 • Seule l'ordre diffère, pas la composition • On a 6 arrangements ce qui est le nombre de permutations de 3 objets (chevaux ici) 15/12/15 une combinaison des chevaux 4, 11 et 17. L'ordre ne compte pas 4 4 11 11 17 17 11 17 4 17 4 11 17 11 17 4 11 4 64 Combinaisons 8 Le nombre de combinaisons 𝐶7 correspond au nombre de tirages de p éléments pris parmi n sans tenir compte de l'ordre et sans répétition • Etant donné que 𝐴87 tient compte de l'ordre, il suffit de diviser ce nombre par le nombre de permutations des p éléments • p Cn 15/12/15 = n p Apn n! = = p! (n p)! p! 65 Lotto belge • Il y a 45 nombres possibles • On doit prendre 6 nombres • On ne peut pas choisir deux fois le même nombre (tirage sans répétition) • L'ordre n'a pas d'importance • On a donc un tirage de 6 nombres pris parmi 42 sans ordre et sans répétition ⇒ combinaisons / = 8145060 • On a donc 𝐶-H 15/12/15 66 Opt Propriété des combinaisons (Masiéri (b)) • De combien de manière peut-­‐on prendre 2 éléments parmi 5 ? • 𝐶HI = 10 • De combien de manière peut-­‐on prendre 5 – 2 = 3 éléments parmi 5 ? • 𝐶H. = 10 • 𝐶HI correspond aussi à toutes les manières de choisir 3 éléments parmi les 5 pour les laisser dans le lot 15/12/15 pris pas pris 1 2 3 4 5 6 7 8 9 10 67 Propriété des combinaisons (Masiéri (b)) Dév. Opt Cnp n! = (n − p)! p! n! = p! (n − p)! n! = (n − n + p)! (n − p)! p Cn = n−p Cn n! = (n − (n − p))! (n − p)! = Cnn−p 15/12/15 68 Propriété des combinaisons (Masiéri (c)) Parmi n éléments : • Il n'y a qu'une façon de tirer n éléments : 𝐶77 = 1 • Il n'y a qu'une façon de tirer 0 élément : 𝐶7J = 𝐶77KJ = 𝐶77 = 1 • Il y a n façon de tirer n – 1 éléments : 𝐶77K0 = 𝑛 • Il y a n façon de tirer 1 élément : 𝐶70 = 𝑛 15/12/15 69 Propriété des combinaisons (Masiéri (d)) • Voici une propriété importante des combinaisons : Cnp = p−1 Cn−1 + p Cn−1 Opt • Nous pouvons montrer qu'elle est correcte : p−1 p Cn−1 + Cn−1 = (n − 1)! (n − 1)! + ((n − 1) − (p − 1))!(p − 1)! ((n − 1) − p)! p! = (n − 1)! (n − 1)! + (n − 1 − p + 1)!(p − 1)! (n − p − 1)! p! 15/12/15 70 Opt Propriété des combinaisons (Masiéri (d)) = (n − 1)! (n − 1)! + (n − p)!(p − 1)! (n − p − 1)! p! = (n − 1)! (n − 1)! + (n − p)(n − p − 1)!(p − 1)! p(n − p − 1)!(p − 1)! = p(n − 1)! + (n − p)(n − 1)! p(n − p)(n − p − 1)!(p − 1)! = (n − p + p)(n − 1)! (n − p)! p! = n(n − 1)! (n − p)! p! = n! (n − p)! p! 15/12/15 = Cnp 71 Formule du binôme (de Newton) • Nous pouvons écrire une formule qui permet de déterminer le développement de n'importe quelle puissance d'un binôme • On cherche donc le développement de 𝑎 + 𝑏 7 • Cherchons le développement de quelques puissances pour voir si quelque chose de reconnaissable émerge 15/12/15 (a + b)0 (a + b)1 (a + b)2 (a + b)3 (a + b)4 =1 =a+b = a2 + 2ab + b2 = a3 + 3a2 b + 3ab2 + b3 = a4 + 4a3 b + 6a2 b2 + 4ab3 + b4 72 Formule du binôme (de Newton) (a + b)0 (a + b)1 (a + b)2 (a + b)3 (a + b)4 n (a + b) = n ! ?a =1 = 1 · a1 b0 + 1 · a0 b1 = 1 · a2 b0 + 2 · a1 b1 + 1 · a0 b2 = 1 · a3 b0 + 3 · a2 b1 + 3 · a1 b2 + 1 · a0 b3 = 1 · a4 b0 + 4 · a3 b1 + 6 · a2 b2 + 4 · a1 b3 + 1 · a0 b4 n−i i b Que mettre à la place de ? n i=0 15/12/15 n i Cn (a + b) = i=0 a i Cn n i i b 73 Triangle de Pascal p Cn = 15/12/15 p−1 Cn−1 + p Cn−1 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 1 6 15 20 15 6 1 1 7 21 35 35 21 7 1 74 Probabilités classiques (problème) • Après cette courte incursion dans le monde de l'analyse combinatoire, nous revenons aux événements et à leur représentation ensembliste • Nous avons indiqué précédemment qu'on identifie un événement au sous-­‐ensemble de Ω qui correspond aux résultats qui le réalisent • On avait vu qu'on pouvait exprimer le problème de la somme de deux dés valant 5 de deux façons : avec un Ω contenant les 36 paires de possibilités ou avec un Ω ne contenant que les sommes de deux dés • Une des deux représentations ne se prêtait pas à l'interprétation classique des probabilités 15/12/15 75 Probabilités classiques (problème) • Ω = {(1,1),(1,2),…,(6,6)} • A = {(1,4),(2,3),(3,2),(4,1)} • + , - 0 = ./ = 1 = 0.11111 … • Ω = {2,3,4,5,6,7,8,9,10,11,12} • A = {5} • + , 0 = 00 = 0.0909090 … Laquelle est la bonne ? Avec Ω = {(1,1),(1,2),…,(6,6)}, tous les ω sont équiprobables. On peut donc utiliser l'interprétation classique. Avec Ω = {2,3,4,5,6,7,8,9,10,11,12}, les ω ne sont pas équiprobables. Comment peut-­‐on procéder pour régler ce souci ? On quitte l'interprétation classique et on définit une fonction de probabilité qui assigne explicitement à chaque événement sa probabilité. 15/12/15 76 Probabilité (fonction) • Avec nos notions d’univers Ω, de résultat ω et d’événement, nous pouvons déjà réaliser des opérations de type ensembliste : complémentaire, union, intersection • Mais il faut ajouter un mécanisme supplémentaire qui attribue une mesure (une valeur) à chaque événement pour que cela devienne intéressant • Cette mesure est la probabilité associée à l’événement. La probabilité est donc une fonction que nous noterons P • Notez que les probabilités sont associées aux événements, pas aux résultats 15/12/15 77 Probabilité (fonction) Fonction P B A D Expérience résultat C P(D) P(A) P(B) 0 P(C) 1 univers événement 15/12/15 78 Probabilité (fonction) https://en.wikipedia.org/wiki/File:Probespazio.png 15/12/15 79 Probabilités (axiomes) • On ne peut pas choisir n’importe quelle fonction P. Celle-­‐ci doit vérifier trois axiomes. 1. La valeur de P est ≥ 0 2. P(Ω) = 1 3. Si A et B sont deux événements disjoints alors P(A∪B) = P(A) + P(B). Plus généralement P(⋃P 𝐴P ) = ∑P P(𝐴P ) • Le domaine de P est [0,1] 15/12/15 80 Modèles probabilistes • Dès que l’on désire faire des calculs probabilistes à partir d’une situation réelle, on définit un modèle probabiliste : • Un univers des possibles Ω • Un ensemble d’événements pertinents définis sur Ω • Une fonction de probabilité P • Notre expérience est implicite et est liée au modèle probabiliste. Plus précisément, le modèle probabiliste est déduit à partir de l’expérience selon l’usage souhaité • Il existe donc une infinité de modèles probabilistes 15/12/15 81 Modèles probabilistes (ex) • Lancement d’une pièce de monnaie • Ω = {P,F} • Evénements = {{}, {P,F}, {P}, {F}} • P est définie par : P({}) = 0, P({P}) = 0.5, P({F}) = 0.5, P({P,F}) = 1 • Lancement de deux dés. Est-­‐ce que la somme vaut 5 ? • Ω = {2,3,4,5,6,7,8,9,10,11,12} • Evénements = {{}, {2,3,4,5,6,7,8,9,10,11,12}, {5}, {2,3,4,6,7,8,9,10,11,12}} • P est définie par : P({}) = 0, P(Ω) = 1, P({5}) = 4/36 = 1/9, P(Ω\{5}) = 1 – 1/9 = 8/9 15/12/15 82 Modèles probabilistes discrets • Nous allons dans un premier temps utiliser des modèles discrets finis (en opposition à discret infini ou même continu) • Cela signifie que le nombre possibles de résultats de Ω est un nombre fini • Cela va nous simplifier la vie grâce à la loi des probabilités discrètes et son cas particulier dans le cas uniforme • Les exemples examinés jusqu’à présent sont des modèles discrets 15/12/15 83 Loi des probabilités discrètes • Soit Ω un univers fini • Et un événement A = { 𝑎0 , 𝑎I , …, 𝑎7 } où chaque 𝑎P est un élément de Ω • Alors P(A) = P(𝑎0 ) + P(𝑎I ) + … + P(𝑎7 ) • P(a) où a est un élément de Ω est un raccourci d’écriture pour P({a}). En effet la fonction de probabilité n'a été définie que pour les événements, pas les résultats 15/12/15 84 Loi des probabilités discrètes uniformes • Si tous les résultats possibles de Ω ont la même probabilité de réalisation alors : • Chacun a la probabilité 1/n où n est le nombre d’éléments de Ω R • P(A) = , càd le nbre d’éléments de A divisé par n • C’est le nombre de résultats de l’événement (les cas favorables) divisé par le nombre de résultats possibles (tous les cas possibles) • La plupart des exemples examinés jusqu’à présent sont des modèles discrets uniformes 15/12/15 85 Considérations ensemblistes • Nous avons vu qu'un événement A est un sous-­‐ensemble de Ω • On notera P(A) la probabilité que l'événement A se réalise • Lorsque l'événement est implicite, on peut aussi écrire p • Nous savons que toute probabilité p est telle que 0 ≤ p ≤ 1 • L'événement certain (toujours réalisé) est Ω lui-­‐même. P Ω = 1 • L'événement impossible est l'ensemble vide ∅. P ∅ = 0 Quelle que soit l'issue ω, celle-­‐ci ne sera jamais contenue dans l'ensemble vide et donc celui-­‐ci ne sera jamais réalisé 15/12/15 86 Considérations ensemblistes • La réalisation de A est simplement notée A et la non-­‐réalisation de A est le complémentaire de A noté 𝐴̅ ou 𝐴U . P 𝐴 = 1 − P(𝐴U ) • La réalisation de A et B est l'intersection ensembliste de A et B notée 𝐴∩𝐵 • La réalisation de A et/ou B (A seul, B seul ou A et B) est l'union ensembliste de A et B notée 𝐴 ∪ 𝐵 • La réalisation de A implique la réalisation de B est l'inclusion ensembliste notée 𝐴 ⊆ 𝐵. Si A alors B • A est réalisé mais pas B est la différence ensembliste notée 𝐴\B 15/12/15 87 Considérations ensemblistes Réalisation et non-­‐réalisation A Ac Ω 15/12/15 88 Considérations ensemblistes Intersection et union A B Ω 15/12/15 89 Considérations ensemblistes Inclusion (implication) A B Ω 15/12/15 90 Considérations ensemblistes Différence A B Ω 15/12/15 91 Exemple (Masiéri p274 B(c)) • Une urne contient 3 boules rouges, 5 boules blanches et 6 boules noires • Elles sont indiscernables au toucher • Quelle est la probabilité d'obtenir une boule rouge ? • Expérience : tirage d'une boule • Ω = ensemble des ω = {R,R,R,B,B,B,B,B,N,N,N,N,N,N} • A = {R,R,R} • + , 15/12/15 . . = .\H\/ = 0- = 0.214286 92 Exemple (Masiéri p274 B(c)) • Quelle est la probabilité d'obtenir une boule qui ne soit pas blanche ? • Expérience : tirage d'une boule • Ω = ensemble des ω = {R,R,R,B,B,B,B,B,N,N,N,N,N,N} • A = {R,R,R,N,N,N,N,N,N} • + , = .\/ .\H\/ = 1 0- = 0.642857 • Si B est l'événement "on tire une boule blanche" alors on a : H 1 U c A = B et donc 𝑃 𝐴 = 𝑃 𝐵 = 1 − 𝑃 𝐵 = 1 − = 0- 15/12/15 0- 93 Somme des probabilités d'événements complémentaires • Soit B l'événement "on tire une boule blanche" • Donc Bc est l'événement "on tire une boule non blanche" •P 𝐵 +P 𝐵U = • P 𝐵 + P 𝐵U = 15/12/15 ] , H 0- ]^ ] \ ]^ + , = , 1 + 0- = 1 = , , =1 94 Evénements mutuellement exclusifs Evénements disjoints • Deux événements A et B sont mutuellement exclusifs ou disjoints s'ils ne peuvent pas être réalisés tous les deux en même temps • Du point de vue ensembliste, leur intersection est vide : 𝐴 ∩ 𝐵 = ∅ A B 15/12/15 Ω 95 Principe des probabilités totales (disjoints) Masiéri p284 G • Le principe des probabilités totales dans le cas d'événements mutuellement exclusifs (disjoints) est une règle. C'est d'ailleurs même un axiome (cfr. plus tard) • Soit A et B deux événements disjoints, on a : P 𝐴∪𝐵 = P 𝐴 +P 𝐵 • Cela est évident à l'aide de diagrammes ensemblistes • Dans le cas des probabilités classiques (équiprobabilités), on a : 𝐴∪𝐵 𝐴 + 𝐵 𝐴 𝐵 P 𝐴∪𝐵 = = = + = P 𝐴 + P(𝐵) Ω Ω Ω Ω 15/12/15 96 Exemple Masiéri p284 G • On tire une carte d'un jeu de 32 cartes • Quelle est la probabilité d'avoir un As ou (exclusif) un Roi ? • |Ω| = 32 • Evénement A : on tire un As • Evénement R : on tire un Roi • Evénement 𝐸 = 𝐴 ∪ 𝑅: on tire un As ou (exclusif) un Roi • P 𝐸 = P 𝐴∪𝑅 = P 𝐴 +P 𝑅 = 15/12/15 .I + .I = 0 - 97 Principe des probabilités totales Masiéri p285 H • Le principe des probabilités totales peut être étendu au cas d'événements non disjoints • Soit A et B deux événements, on a : P 𝐴 ∪ 𝐵 = P 𝐴 + P 𝐵 − P(𝐴 ∩ 𝐵) • Cela est évident à l'aide de diagrammes ensemblistes • En effet, on a retire la probabilité comptée deux fois 15/12/15 98 Exemple Masiéri p284 G • On tire une carte d'un jeu de 32 cartes • Quelle est la probabilité d'avoir un Roi ou (exclusif) un Trèfle ? • |Ω| = 32 • Evénement R : on tire un Roi • Evénement T : on tire un Trèfle • Evénement 𝐸 = 𝑅 ∪ 𝑇: on tire un Roi ou (exclusif) un Trèfle • P 𝐸 = P 𝑅∪𝑇 =P 𝑅 +P 𝑇 −𝑃 𝑅∩𝑇 = 15/12/15 .I + : .I − 0 .I = 00 .I 99 Evénements indépendants et probabilités composées • Deux événements A et B sont indépendants si la réalisation de l'un n'a aucune influence sur la réalisation de l'autre • La définition de l'indépendance est P 𝐴 ∩ 𝐵 = P 𝐴 P 𝐵 • La probabilité composée (joint probability) est le produit des probabilités 15/12/15 100 Exemple • On jette deux dés • A = le premier dé vaut 6. P(A) = 1/6 • B = le second dé vaut 6. P(B) = 1/6 • 𝐴 ∩ 𝐵 = les deux dés valent 6 • P 𝐴∩𝐵 =P 𝐴 P 𝐵 = • P 𝐴∩𝐵 = 15/12/15 +∩] , = 00 // = 0 ./ 0 ./ 101 Exemple A (6,1) (1,6) (6,2) (6,6) (6,5) (6,3) (3,6) (2,6) (5,6) (4,6) B (6,4) Ω 15/12/15 102 Exemple • On jette un dé et on tire une carte aléatoirement (jeu de 52 cartes) • A = le dé vaut 6. P(A) = 1/6 • B = on tire un As. P(B) = 4/52 = 1/13 • Ce sont deux événéments indépendants • P 𝐴∩𝐵 =P 𝐴 P 𝐵 = 0 0 / 0. = 0 b: • Toutes les combinaisons de dé et de carte sont équiprobables. Il y a en 6 * 52 = 312. Donc |Ω| = 312 • P 𝐴∩𝐵 = 15/12/15 +∩] , = .0I = 0 b: 103 Problème 1 (Masiéri p287 J) • Deux candidats A et B passent chacun un examen à deux endroits différents. Les probabilités respectives de réussite sont 3/4 et 2/3 • Soit A l'événement "le candidat A réussit" et B l'événement "le candidat B réussit" • Quelle est la probabilité que les deux candidats réussissent ? (a) • C'est la probabilité que l'événement A et l'événement B se réalisent en sachant que ce sont deux événements indépendants • P 𝐴∩𝐵 =P 𝐴 P 𝐵 = 15/12/15 .I -. = 0 I 104 Problème 1 (Masiéri p287 J) • Quelle est la probabilité que les deux candidats échouent ? (b) • L'événement "le candidat A échoue" est le complémentaire de l'événement A noté Ac • Nous savons que P(Ac) = 1 – P(A) = 1 – 3/4 = 1/4 • Idem pour B et donc P(Bc) = 1/3 •P 𝐴U 15/12/15 ∩ 𝐵U =P 𝐴U P 𝐵U = 00 -. = 0 0I 105 Problème 1 (Masiéri p287 J) • Quelle est la probabilité que seul le candidat A réussisse ? (c) • C'est l'événement 𝐴 ∩ 𝐵U •P 𝐴 ∩ 𝐵U =P 𝐴 P 𝐵U = .0 -. = 0 - • Et la probabilité que seul le candidat B réussisse ? • C'est l'événement 𝐵 ∩ 𝐴U •P 𝐵 15/12/15 ∩ 𝐴U =P 𝐵 P 𝐴U = I0 .- = 0 / 106 Problème 1 (Masiéri p287 J) • Quelle est la probabilité qu'un seul des deux candidats réussisse ? (d) • Appelons cet événement E • Il y a deux possibilités mutuellement exclusives : • L'événement A se réalise mais pas B : 𝐴 ∩ 𝐵U • L'événement B se réalise mais pas A : 𝐵 ∩ 𝐴U • Donc 𝐸 = 𝐴 ∩ 𝐵 U ∪ 𝐵 ∩ 𝐴U • P 𝐸 = P 𝐴 ∩ 𝐵 U ∪ 𝐵 ∩ 𝐴U •P 𝐸 = 0 - 0 +/ = = P 𝐴 ∩ 𝐵 U + P 𝐵 ∩ 𝐴U H 0I • On aurait pu écrire P 𝐴 ∩ 𝐵 U + P 𝐵 ∩ 𝐴U = P 𝐴 P 𝐵 U + P 𝐵 P 𝐴U 15/12/15 107 Problème 1 (Masiéri p287 J) • Quelle est la probabilité qu'au moins un des deux candidats réussisse ? (e) • On peut voir cela comme le complémentaire de l'événement E "personne ne réussit" •𝑃 𝐸U = 1−𝑃 𝐸 = 1− 0 0I = 00 0I • Ou encore P(𝐴 ∪ 𝐵) en sachant que les événements ne sont pas mutuellement exclusifs . I 0 00 • P 𝐴 ∪ 𝐵 = P 𝐴 + P 𝐵 − P 𝐴 ∩ 𝐵 = - + . − I = 0I 15/12/15 108 Problème 1 (Masiéri p287 J) • Soient les événéments E1, E2 et E3 : • E1 = "A et B réussissent" • E2 = "A et B échouent" • E3 = "un seul des deux candidats réussit" = "A réussit ou B réussit" • Quelle est la probabilité d'avoir 𝐸0 ∪ 𝐸I ∪ 𝐸. ? • 𝑃 𝐸0 ∪ 𝐸I ∪ 𝐸. = 𝑃 𝐸0 + 𝑃 𝐸I + 𝑃 𝐸. = 15/12/15 / 0I + 0 0I + H 0I =1 109 Problème 2 (Masiéri p289 J) • Une urne contient 2 boules : une rouge et une bleue • On effectue trois tirages avec répétition. On remet donc la boule dans l'urne après un tirage • Quelle la probabilité qu'on ait tiré 2x la boule bleue et 1x la rouge (sans ordre) ? (a) • Evénement A = tirage dans l'ordre BBR = l'intersection des événements EB1 "bleue en 1", EB2 "bleue en 2", ER3 "rouge en 3" qui sont des événements indépendants ⇒ P(A) = produit des probabilités • P 𝐴 = P 𝐸c0 P 𝐸cI P 𝐸d. = 15/12/15 000 III = 0 : 110 Problème 2 (Masiéri p289 J) • Evénement A tient compte de l'ordre : tirage BBR. P(A) = 1/8 • On ne doit pas tenir compte de l'ordre : • Soit on constate qu'il faut tenir compte de BRB et RBB et on calcule la probabilité de ces événements mutuellement exclusifs en faisant leur somme 0 0 0 . : : + : + : = : • Soit on explicite les événements B "tirage BRB" et C "tirage RBB" et on calcule leur probabilité comme avec A. Ensuite on calcule P(𝐴 ∪ 𝐵 ∪ 𝐶) ce qui revient au cas précédent • On peut aussi constater que P(A) est la probabilité d'un tirage avec deux bleues et une rouge et qu'il y a 𝐶.I = 3 manières de choisir les bleues : B1B2, B1B3 et B2B3. Il y a aussi 𝐶.0 = 3 manières de choisir la rouge : R1, R2 et R3 15/12/15 111 Sans tenir compte de l'ordre dès le départ (probabilités non uniformes) • Soit l'ensemble Ω où chaque ω est le nombre de boules rouges après 3 tirages • Ω = {0, 1, 2, 3} • Quelle est la probabilité de l'événement "pas de boule rouge" ? • P({0}) ? • Cela veut dire que le 1er tirage donne une bleue avec p = 1/2 • Cela veut dire que le 2ème tirage donne une bleue avec p = 1/2 • Cela veut dire que le 3ème tirage donne une bleue avec p = 1/2 • P({0}) = 1/8 15/12/15 112 Sans tenir compte de l'ordre dès le départ (probabilités non uniformes) • P({1}) ? • Trois possibilités : RBB, BRB, BBR chacune avec une probabilité 1/8 • P({1}) = 1/8 + 1/8 + 1/8 = 3/8 • P({2}) = 3/8 • P({3}) = 1/8 • Remarquons que les événements sont mutuellement exclusifs 15/12/15 113 Sans tenir compte de l'ordre dès le départ (probabilités non uniformes) • Quelle la probabilité qu'on ait tiré 2x la boule bleue et 1x la rouge (sans ordre) ? (a) • P({1}) = 3/8 • Probabilité de tirer trois fois la boule rouge ? (b) • P({3}) = 1/8. Idem que précédemment. p = 1/8 • Probabilité d'apparition des deux couleurs ? (c) • On exclut donc les cas BBB et RRR. p = 1 – 1/8 – 1/8 = 6/8 • P({1} U {2}) = P({1}) + P({2}) = 3/8 + 3/8 = 6/8 15/12/15 114 Probabilités conditionnelles • Soient A et B deux événements • La probabilité conditionnelle de A en sachant que B est réalisé est : P(𝐴 ∩ 𝐵) P 𝐴𝐵 = P(𝐵) • Etant donné que B est réalisé, P(B) > 0 15/12/15 115 Probabilités conditionnelles Evénements {ω} équiprobables • Soient deux événements A et B de l'univers Ω • On sait que P 𝐴 = + , et P 𝐵 = ] , • On sait que B se réalise. C'est comme si on avait un nouvel univers constitué uniquement des résultats de B. Appelons le ΩB. La probabilité de B dans cet univers vaut 1 • Quelle est la probabilité d'avoir A dans ces conditions ? On sait que ? c'est le rapport nbre cas favorables / nbre cas possibles, donc ] 15/12/15 116 Exemple A se réalise si B est réalisé A B Ω 15/12/15 117 Probabilités conditionnelles Résultats ω équiprobables • L'événement qui nous intéresse est 𝐴 ∩ 𝐵 • La probabilité P 𝐴 •P 𝐴𝐵 = +∩] ] = +∩] 𝐵 est alors ] +∩] ] g(+∩]) , f , = g(]) • Ce qui confirme la formule présentée précédemment (dans le cas équiprobable) 15/12/15 118 Exemple • On lance deux dés. Quelle est la probabilité que l'événement A "le dé 2 a une valeur supérieure (>) au dé 1" se réalise ? • |Ω|=36, A={(1,2),(1,3), (1,4), (1,5), (1,6), (2,3), (2,4), (2,5), (2,6), (3,4), (3,5), 0H (3,6), (4,5), (4,6),(5,6)} et |A|=15. P 𝐴 = ./ = 0.41666 … • Quelle est la probabilité que l'événement A "le dé 2 a une valeur supérieure (>) au dé 1" se réalise si on sait que l'événement B "le dé 1 vaut 5" est réalisé (car il a été lancé en premier) ? • Il ne reste plus qu'une possibilité : le dé vaut 6 sur les 6 résultats possibles du lancer du dé 2. On a donc P(A|B) = 1/6 = 0.16666... •P 𝐴𝐵 = 15/12/15 g(+∩]) g(]) = 0⁄./ 0⁄/ = / ./ = 0 / 119