Déf Mot-clé Thm Résumé « Probabilités » Etape 1 expérience aléatoire univers W événements aléatoires élémentaires ou non Ma3/4 Probabilités exemple Ev.él. «obt 1» «obt 2» «obt 3» «obt 4» Prob. 0.5 0,1 0,25 0,15 A : «obtenir 3 » est un év. élémentaire Loi de probabilité Ev.él. w1 w2 w3 … wn Prob. p1 p2 p3 … pn B : «obtenir >2 » n'est pas un év. élémentaire C : «obtenir pair » n'est pas un év. élémentaire Axiomes n 1 ) p i ≥0 2 ) ∑ p i ≥0 3 ) A , B deux év.al. tq p ( A∩B)=∅ i=1 Loi de probabilité Espace probabilisé fini disjoints ou non Espace probabilisé fini jet d'un dé truqué à 4 faces A et C sont disjoints ; B et C non disjoints ⇒ p( A∪B)= p ( A)+ p (B ) 4 « petits » théorèmes à énoncer et démontrer arbre de l'expérience règle du produit règle de la somme év. complémentaire exemple tirage successif (sans remise) de 2 boules parmi 3 Jaunes et 5 Noires « au plus »... J « au moins »... prob. conditionnelles « sachant que »... év. indépendants « (in)dépendants »... Thm « indép » 5 8 3 8 2 7 J 3 7 5 7 N 4 7 N 5 4 9 8 7 14 3 5 5 4 5 e B : «obt. N au 2 tirage» → p ( B)= ⋅ + ⋅ = 8 7 8 7 8 A : «obtenir au moins une J» → p ( A)=1− ⋅ = 3 5 ⋅ p ( A∩ B) 8 7 3 p ( A∣B)= = = 5 7 p( B) 8 http://edugemath.ch J N 3 5 15 p ( A∩ B)= ⋅ = 8 7 56 9 5 45 ≠ p( A)⋅p ( B)= ⋅ = 14 8 112 donc A et B dépendants jmd Ma3/4 Probabilités Résumé « Probabilités » expérience aléatoire + variable aléatoire Etape 2 X f exemple X W→ ℝ → [ 0 ;1 ] w→ x → p Variable aléatoire discrète Loi de probabilité jet d'un dé truqué à 4 faces Ev.él. «obt 1» «obt 2» «obt 3» «obt 4» Prob. 0.5 0,1 0,25 0,15 gain de 10.- si « pair », perte de 2.- sinon Loi de probabilité x x x x …x X : p=f (x) p1 p 2 p 3 … p n 1 2 3 n X «espérance, espérer, variable aléatoire, ...» x X : gain P fX = loi de probabilité (distribution) de X 0.75 Espérance mathématique E ( X )=μ=∑ x i⋅p i 0.25 i =1 n −2 n V ( X )= E (( X −μ)2 )= ∑ ( x i −μ )2⋅p i =∑ ( x i −μ )2⋅ f X ( x i ) i=1 Thm : V ( X )= E ( X 2 )−μ 2 Ecart-type : σ X = √ V ( X ) Etape 3 exp. al. à 2 issues : S et S; p(S)=p [et p(S)=1-p] répétée indépendamment n fois ● X : nombre de succès ● 10 x E ( X )=μ=10⋅0,25+(−2)⋅0,75=1 jeu favorable au joueur i= 1 Loi binomiale : X ∼ B(n ; p) -2 0,5+0,25 p n Variance : +10 0.1+0,15 2 x P exemple (10) 0.25 2 2 (-2) 0,75 V ( X )=E ( X 2 )−μ 2 2 =100⋅0,25+ 4⋅0,75−1 =27 σ X = √ 27 jet 10x d'une pièce truquée où p(«pile»)=0.3 ; probabilité d'avoir 8 «faces» ? ● 8 2 X ∼ B (10 ; 0,7)⇒ P ( X =8)=C 10 8 (0.7) (0.3) ≈23 % P ( X =k )=C nk p k (1− p)n− k X ∼B (10 ; 0,7) Si X ∼ B (n ; p), alors on a : E ( X )=np , V ( X )=np(1− p) et σ ( X )=√ np (1− p) E ( X )=10⋅0.7=7 http://edugemath.ch σ ( X )=√ 10⋅0.7⋅0,3= √ 2.1 jmd Ma3/4 Probabilités Résumé « Probabilités » exemple Etape 4 X discrète p(« 11»)=0,1⋅0,6+0,6⋅0,1=0.12 ;... ... P (a < X <b )=∑ ... n on tire sur une cible avec 3 zones : X discrète centre : 10pts, milieu : 5pts, bord : 1pt p(C)=0,1, p(M)=0,3, p(B)=0,6 X : nombre de points en deux tirs x ... p E ( X )=μ=∑ x i⋅p i Rem 2 6 10 11 15 20 0,36 0,36 0,09 0,12 0,06 0,01 p i =1 V ( X )= E ( X 2 )−μ 2 n p i ≥0 et ∑ pi ≥0 i =1 0.36 0.09 si X ∼ B(n ; p)et P ( X ≤k ) pour k et n−k grands ??? 2 6 10 11 x 20 15 E ( X )=2⋅0,36+...+20⋅0,01=6,2 f X continue X exemple X continue on tire sur une cible X : distance en cm du point central densité donnée : cos( x) , si 0≤x ≤π f X ( x)= fX fonction de densité { 2 0,sinon +∞ 1 ) f X ( x)≥0 2 ) ∫ f ( x)dx=1 Rem f −∞ f ( x )≥0 et ∞ X ∫ b P (a < X <b )=∫ f ( x ) dx f ( x) dx=1 −∞ a P ( X =k)=0 −∞ 2 E ( X )=μ= ∫ x f ( x) dx et V ( X )=E ( X )−μ 2 P ( X =2 )=0 −∞ FX fonction de répartition x F (x )= P ( X ≤ x)=∫ f (t) dt http://edugemath.ch −∞ π 2 P (1< X <2)=∫ cos ( x) dx=1−sin (1)≃15 , 9 % 1 π 2 E ( X )=∫ x cos( x) dx 0 par parties = π x sin (x )+cos( x) ∣ [ ] 2 = π −1 2 0 jmd Ma3/4 Probabilités Résumé « Probabilités » exemples Loi normale (cas particulier centrée-réduite) Etape 5 x Z normale centrée réduite Z ∼N (0 ;1) table 2 1 −2 f ( x)= e √2π P (Z <1 , 37) = 0 ,9147=91 , 47% P ( Z <−1,37)=1− P (Z <1,37) table = 1−0,9147=0,0853=8,53 % Thm : Z ∼N (0 ;1)⇒ E (Z )=0 et σ (Z )=1 P (0,12<Z <1,37)=P ( Z <1,37)−P (Z <0,12) Loi normale (cas général) table = 0,9147−0,5478=0,3669=36,69 % f ( x)= 1 e σ √2 π 2 1 x−μ − ( σ ) 2 « normale, normalement » exemple Thm : Y ∼ N (μ ;σ)⇒ E (Y )=μ et σ (Y )=σ Fonction de répartition (loi centrée-réduite) x Y normale quelconque → se ramener à N(0;1) Le poids moyen de 500 colis entreposés dans un certain hangar est 100 kg et l'écart-type est 80 kg. En supposant que ces poids sont normalement distribués, calculer le nombre de colis pesant entre 120 et 200 kg : Si Y ∼N (100 ;80), alors F (x )= P (Z ≤x )= ∫ f (t)dt −∞ résultats via une table (ou une calculatrice) P (120<Y <200)=P ( =P (0.25< Y −100 ∼N (0 ;1) 80 120−100 Y −100 200−100 < < ) 80 80 80 Y −100 <1,25) 80 table = 0,8944−0,5987=0,2957=29,57 % http://edugemath.ch jmd Ma3/4 Probabilités Résumé « Probabilités » Etape 6 Approximer la loi binomiale par la loi normale exemple Soit X ∼ B(n ; p) et si n est assez grand, Alors Y = X −n p ∼ N (0 ;1) √n p q X binomiale → Y ∼N (μ ;σ ) → Z ∼N (0 ;1) On lance une pièce 100 fois. Quelle est la probabilité que le nombre de faces obtenu soit compris entre 40 et 60 ? X ∼B (100 ;0,5) E ( X )=np=100⋅0,5=50 et σ ( X )=√ np (1− p )=√ 100⋅0,5⋅0.5=5 P (40≤ X ≤60)=? on a alors : [(a−0,5)−np] [(b+0,5)−np] P (a≤ X ≤b)≃ P ≤Y ≤ √n p q √n p q ( ) On approxime X par Y ∼N (np ; √ np (1− p ))=N (50 ;5) On pose Z = Y −50 et on a : Z ∼N (0 ;1) 5 Ainsi P (40≤ X ≤60)≃P (39 ,5≤Y ≤60 ,5) 39 , 5−50 Y −50 60 , 5−50 ≃P ( ≤ ≤ ) 5 5 5 39 , 5−50 60 , 5−50 =P ( ≤Z ≤ ) 5 5 =P (−2 ,1≤Z ≤2 ,1) =P (Z ≤2 , 1)− P(Z ≤−2 , 1) =P (Z ≤2 , 1)−[1−P (Z ≤2 , 1)] =2⋅P (Z ≤2 ,1)−1 table = 2⋅0 , 9821−1 =0 , 9642=96 , 42 % http://edugemath.ch jmd