Chapitre 1

Chapitre 1: Éléments de Probabilités
SAID EL MELHAOUI
Faculté des Sciences Juridiques, Économiques et Sociales Oujda
Economie & Gestion/S2/Probabilités

http://elearning-ump.com/fsjeso/login/index.php
S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 1 / 43

Outline
1 Introduction
2 Expérience Aléatoire et Univers d’éventualités
3 Événements
4 Mesure de Probabilité
5 Règles de comptage
6 Probabilités conditionnelles
Indépendance stochastique
Calcul Bayesien

Introduction
Introduction
«L’éducation, c’est l’homme qui progresse de la certitude

ignorante à l’incertitude réfléchie»
Don Clarks’ Scrapbook
À l’origine l’existence de l’incertain: ignorance totale, ignorance

partielle ou ignorance artificiel (tirage au sort)
Exemple: réactions et comportements des ennemis, des
adversaires, des clients, des humains, de la nature!...

Introduction
Introduction (suite)
En économie, il s’agit de l’être humain, dont le comportement est

incertain: rationnel? partiellement rationnel? connaissances
limitée (dissymétrie de l’information)...
Issac Newton (1643-1727) qui avait perdu beaucoup
d’argent dans le krach de South Sea Company, déclarait
qu’il pouvait «prévoir le mouvements des planètes»
mais pas «la folie des hommes»

Introduction
Le contexte incertain nécessite la connaissance des probabilités:

qui sont la mesure du degré de certitude (vraisemblance) de la
réalisation d’un événement
Théorie des probabilités : branche des mathématiques
consacrée à la mesure de l’incertitude et du hasard
Histoire des Probabilités
Naissance: Jeux de hasard : paris, cartes, Problèmes des partis...
Fondateurs: Pascal (1623), Fermat (1601)
Avancée : la J. Bernoulli (1654-1705), Laplace (1749-1827), . . .
Succès au XX siècle: Justification mathématique de l’inference
statistique

Introduction
L’inference statistique : Déduction de l’observation d’un

échantillon tiré au hasard d’une population la nature de cette
dernière (vérité à moindre coût, prévision...)
Le calcul des probabilités (lois de probabilités) se fait par un
raisonnement inversé : Déduction d’une population connue des
résultats s’appliquant à un échantillon tiré de cette population

Introduction
Les probabilités se calculent à priori (avant l’expérience); elles

sont hypothétiques (Hypothèses sur la nature de la population)
Les fréquences descriptives de l’échantillon se calculent à
posteriori (après l’expérience); des traces d’une vérité cherchée
La distance entre les probabilités et les fréquences renseigne sur
la vraisemblance (degré de certitude) des hypothèses

Expérience Aléatoire et Univers d’éventualités
Expérience Aléatoire
Expérience Aléatoire: Action qui produit un résultat parmi plusieurs

résultats ou observations possibles telle que
tous les résultats possibles sont connus d’avance
Le résultat exact de l’expérience est imprévisible (il n’y a pas un
résultat certain)
N.B. L’expérience aléatoire dépend de l’action et des résultats
d’intérêts (la quesion?)
Exp. Aléa : Le jet d’une pièce de monnaie, avec intérêt Pile ou Face?
Exp. pas Aléa: Le jet d’une pièce de monnaie, avec intérêt elle tombe
ou pas?

Expérience Aléatoire
Exemples :
1 Le lancé d’une pièce de monnaie (Pile ou Face?)
2 Le jet d’un dé (Quel numéro paraîtras au dessus?)
3 Le tirage aléatoire d’une boule d’une caisse (couleur?)

4 le nombre de buts lors d’un match?
5 l’attente d’un bus (durée d’attente?)
6 la transaction futur d’une action (cours de l’action?)
Univers des éventualités
L’ensemble des résultats possibles est dit l’Univers des éventualités

(Ensemble fondamental), noté Ω
Remarques:
1 Ω peu varier selon l’intérêt de l’observateur couleur de la boule ou
numéro de la boule ou les deux
durée d’attente du bus ou son numéro, ...)
2 Ω peu être fini ou infini
Lancé du dé donne Ω = {1, 2, 3, 4, 5, 6} fini
Nombre de buts Ω = N infini discret
la durée d’attente d’un bus donne Ω = [0mn, 30mn] infini continu

Événements
Événements
Un événement A est une partie de Ω : (A ⊂ Ω)

Exemple Jet du dé ; A: «Avoir un nombre pair», A = {2, 4, 6}
Une éventualité est un événement élémentaire : un événement
composé d’un seul résultat
Exemple Jet du dé ; B: «Avoir le numéro six», B = {6}
L’événement particulier Ω est dit l’événement certain
L’événement particulier ∅ est dit l’événement impossible
L’ensemble parties de Ω (événements) est notée P(Ω)
Exemple Jet du dé :
P(Ω) = {{1}, {2}, ..., {6}, {1, 2}, ...{1, 6}, {1, 2, 3}, ..., Ω}
Le couple (Ω, P(Ω)) est dit espace d’échantillonnage

Événements
Opérations sur les événements: la conjonction
La conjonction (intersection) des événements A et B est l’événement

qui se réalise quand les deux événements sont réalisés :
A ∩ B = A et B = {ω ∈ Ω|ω ∈ A et ω ∈ B}
Ω
A∩B
A B
N. B. A et B sont dits événements incompatibles ssi ils ne peuvent
se réaliser en même temps: A ∩ B = ∅
Ω
A B
Exemple Les événements A = {2, 4, 6} et B = {6} sont compatibles ;

les événements A = {2, 4, 6} et C = {1, 5} sont incompatibles.
Événements
Opérations sur les événements: la disjonction
La disjonction (union) des événements A et B est l’événement qui se

réalise si au moins l’un des deux événements s’est réalisés :
A ∪ B = A ou B = {ω ∈ Ω|ω ∈ A ou ω ∈ B}
A∪B
A B
Exemple Jet du dé : si A = {2, 4, 6}, D = {1, 2, 5} alors

A ∪ D = {2, 4, 6, 1, 5}

Événements
Opérations sur les événements: l’événement contraire
L’événement contraire de A est l’événement qui se réalise quand A

ne se réalise pas:
Ā = {ω ∈ Ω|ω ∈/ A}
Ω Ω
A Ā
Exemple Jet du dé : si E = {2, 4}, alors E = {1, 3, 5, 6}

Remarques:
1 A ∩ A = ∅ et A ∪ A = Ω
2 A=A

Événements
Opérations sur les événements: l’implication
On dit que l’événement A implique B ssi la réalisation de A implique la

réalisation de B: A ⊂ B.
Ω
B
Exemple Jet du dé : si A = {2, 4, 6}, G = {1, 2, 3, 4, 6} alors A

implique G

Événements
Opérations sur les événements: la différence
La différence de A et B est l’événement qui se réalise si A se réalise

et B ne se réalise pas:
A − B = {ω ∈ Ω|ω ∈ A et ω ∈
/ B} = A ∩ B
Ω Ω
A∩B
A−B
A B
Ω A Ω
B A−B
Exemple si A = {2, 4, 6}, H = {1, 2, 3, 4, } alors H − A = {1, 3}

implique G (FSJESO)
S., EL MELHAOUI Éléments de Probabilités 03/2020 16 / 43
Événements
Opérations sur les événements: la partition
Une classe d’événements {E1 , . . . , Em } est dite partition de Ω ssi

m
[
Ei ∩ Ej = ∅ ∀i 6= j et Ei = Ω
i=1
Ω Ω
A
A2 A3
A1 Am
E1 E2 E3 Em E1 Em
N. B. ∀A, la classe d’événements {A1 = A ∩ E1 , . . . , Am = A ∩ Em } est

une partition de A:
m
[
Ai ∩ Aj = ∅ ∀i 6= j et Ai = A
i=1

Événements
Opérations sur les événements: La partition (suite)
Exemple Jet du dé : les événements E1 = {2, 4, 6}, E2 = {1, 3},

E3 = {5} forment une partition de Ω
Soit l’événement L = {1, 2, 4, 5} les événements L1 = {2, 4}, L2 = {1},

L3 = {5} forment une partition de L

Mesure de Probabilité
Mesure de Probabilité sous l’hypothèse d’équiprobabilité
On suppose que Ω est fini, et que tous les éventualités ont la même
chance d’être réalisé :hypothèse d’équiprobabilité
Définition. S,. Laplace(1749)
La probabilité d’un événement A est la proportion des éventualités
favorables parmi toutes les éventualités possibles:
card(A) nbr d’éléments deA

P(A) = =
card(Ω) nbr d’éléments deΩ
Remarque En général tous Ω y compris les infinis. Si Ω est un

ensemble avec une mesure bien définie (en m, m2 , m3 , Dh) alors
mesure(A)
P(A) =
mesure(Ω)
Donc la probabilité est une mesure normée (parmi d’autres) définie sur
des ensembles
Mesure de Probabilité dans le cas général
Définition axiomatisée des probabilités

Soit un espace d’expérience, une application numérique P définie sur
P(Ω) est appelée mesure de probabilité si elle satisfait les trois
conditions:


 (i) P(A) ≥ 0, ∀A ∈ P(Ω);
 (ii) P(Ω) = 1;


(iii) ∀ {Ai }1≤i≤m classe d’événements incompatibles ona
 [ X
P( A ) = P(Ai ).

i



i i
L’espace (Ω, P(Ω), P) est dit espace probabilisé

Cas particulier : Probabilité sous l’hypothèse d’équiprobabilité
card(A)
X
En particulier si A = {w1 , . . . , wm } alors P(A) = P(wi ) Sous
i=1
l’hypothèse d’équiprobabilité on retrouve
card(A)
X card(A)
P(A) = P(wi ) = card(A) ∗ P(w1 ) =
card(Ω)
i=1
card(Ω)
X
En effet P(Ω) = P(wi ) = card(Ω) ∗ P(w1 ) = 1
i=1
⇒ P(w1 ) = 1/card(Ω)

Multiplicités des Mesures de Probabilité
Remarque: On peut munir un espace d’échantillonnage de plusieurs

probabilités: équiprobabilité,....
⇒ existence de multitude de modèles de probabilité
Question: Quelle est le modèle le plus adéquat? celui le plus proche
de la réalité?
Exemple Jet d’un dé
Modèle 1: sous l’hypothèse qu’il est non pipé (truqué) on a
P(1) = ... = P(6) = 1/6
Modèle 2: Sous l’hypothèse qu’il est pipé tel que les nombres pairs ont
des chances double d’apparaître:
P(2) = P(4) = P(6) = 2P(1) = 2P(3) = 2P(5)
⇒ P(2) = P(4) = P(6) = 2/9 et P(1) = P(3) = P(5) = 1/9

«Il faut utiliser les modèles, non y croire.» Henri Theil

Propriétés d’une mesure de probabilité
Propriété 1
La mesure de probabilité est monotone est soustractive
Si B ⊂ A alors P(B) ≤ P(A) et P(A − B) = P(A) − P(B)
Corollaire 1
1 ∀A, P(A) ≤ 1 (car A ⊂ Ω)
2 ∀A, P(A) = 1 − P(A) (car A = Ω − A)
3 P(∅) = 0 (car ∅ = Ω − Ω)
Remarque. Si Ω est continu alors P(A) = 0 ; A = ∅.

Exemple: Ω = [0, 100], ∀x ∈ Ω, P(x) = 0: en effet, La largeur
(mesure) d’un point dans un segment est nulle.

Propriétés d’une mesure de probabilité
Propriété 2
1 Si A et B sont incompatibles alors
P(A ∪ B) = P(A) + P(B)
2 Si A et B sont deux événements alors

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)(car A ∪ B = A ∪ (B − A ∩ B))
Corollaire 2
La mesure de probabilité est sous additive
P(A ∪ B) ≤ P(A) + P(B)

Règles de comptage
Règles de comptage: Définition
Dénombrer=calculer le nombre=compter
Comptage= dénombrement= ou analyse combinatoire
But: dénombrer les résultats d’une expérience aléatoire ou les
éventualités d’un événement (les éléments d’un ensemble)
Exemples:
Nombre de résultats possibles d’une course?
Nombre d’affectations possibles des ouvriers aux différentes
taches?
Nombres de préférences (ordonnancement de marques) possibles
d’un consommateur?...

Règles de comptage
Règles de comptage: tirages successifs avec remise
A. Tirages successifs avec remise (au hasard) de n unités d’une

population contenant N unités: : Après chaque tirage on observe
l’unité puis on la remet à ça place
Chaque résultat est une sélection ordonnée et avec répétition de n
unités
Les tirages successifs avec remise de n boules d’une caisse
contenant N boules
La sélection d’un Échantillon Simple Avec Remise (ESAR) de
taille n d’une population de taille N
Problème: Nombre des tirages possibles (card(Ω))? Nombre
d’échantillons possibles (ordonnés avec répétition)?

Règles de comptage
Règles de comptage: tirages successifs avec remise (suite)
Solution Le premier tirage peut se faire de N façons différentes

Pour chaque résultat du premier tirage, le 2ième tirage se fait à son
tour de N façons différentes, donc les deux tirages se font de
N ∗ N = N 2 façons différentes,
Ainsi les n tirages se font donc de N n façons différentes
Résultat
Le nombre des tirages successifs avec remise de n unités parmi N
unités est
card(Ω) = N n

Règles de comptage
Règle de comptage: tirages successifs sans remise
B. Tirages successifs sans remise de n unités d’une population

contenant N unités (n ≤ N): après chaque tirage on ne remet pas
l’unité à ça place
Chaque résultat est une sélection ordonnée et sans répétition de n
unités: Arrangement
La sélection d’un Échantillon Simple Sans Remise (ESSR) de
taille n d’une population de taille N
Problème: Nombre de tirages possibles (card(Ω))? Nombre
d’échantillons possibles?

Règles de comptage
Règles de comptage: tirages successifs Sans remise (suite)
Solution Le premier tirage peut se faire de N façons différentes

Pour chaque résultat du premier tirage, le 2ième tirage se fait à son
tour de N − 1 façons différentes, donc les deux tirages se font de
N ∗ (N − 1) = N!/(N − 2)! façons différentes,
Ainsi les n tirages se font donc de
N ∗ (N − 1) ∗ . . . ∗ (N − n + 1) = N!/(N − n)! façons différentes
Résultat
Le nombre de tirages successifs sans remise de n unités parmi N est
le nombre des arrangements:
N!
card(Ω) = AnN =
(N − n)!
N!
N.B. AN
N = = N!, c’est le nombre des permutations
(N − N)!
possibles de N unités
Règles de comptage
Règle de comptage: tirages simultanés
C. Tirages simultanés de n unités d’une population contenant N

unités (n ≤ N): tirages em même temps des unités
Chaque résultat est une sélection non ordonnée et sans répétition de
n unités: combinaison
Problème: Nombre de résultats possibles? Nombre d’échantillons

possibles (non ordonnés sans répétition)

Règles de comptage
Règle de comptage: tirages simultanés (suite)
Solution: Chaque combinaison peut produire n! arrangements des n

unités parmi N:
AnN = n! ∗ CNn
Résultat
Le nombre des tirages simultanés de n unités parmi N est le nombre
des combinaisons:
AnN N!
card(Ω) = CNn = =
n! n!(N − n)!
N. B. CN1 = N, CNN = 1, CNn = CNN−n

Règles de comptage
Règle de comptage: Exemple
Exemple. Dans une population constitué de 10 enfants, 6 filles et 4

garçons. On sélectionne 3 personnes. Quelle est la probabilité d’avoir
trois filles?
63
Tirages successifs avec remise P(A) = 3 = 21.6%
10
C63
Tirages simultané P(A) = 3 = 16.66%
C10
A3
Tirages successifs sans remise P(A) = 36 = 16.66%
A10
N.B. Pour le calcul de la probabilité d’un événements dont l’ordre n’est
pa pris en considération le tirage successifs sans remise est
équivalent au tirage simultané (utiliser les combinaisons)

Probabilités conditionnelles
Probabilités conditionnelles: Exemple
Exemple. Pour un jet d’un dé soit les événements

A: «obtention d’un nombre impair»
B «obtention d’un nombre inférieur à 3»
Q1 Quelle est la probabilité de réalisation de A?
R1 A = {1, 3, 5} et Ω = {1, 2, 3, 4, 5, 6} donc P(A) = 3/6 = 50%
Q2 Supposant qu’on sache que B s’est réalisé. La probabilité de la
réalisation de A dans ce cas est dite la probabilité de A sachant
B notée P(A|B)
Quelle est la valeur de cette probabilité?

Probabilités conditionnelles: Exemple (suite)
R2 Information supplémentaire: l’événement B = {1, 2, 3, } s’est

réalisé
# Changement de l’univers des éventualités : B est devenu
l’événement certain
Ω∗ = Ω ∩ B = B = {1, 2, 3, }
# Changement des éventualités favorables à la réalisation de A:
A∗ = A ∩ B = {1, 3}
card(A∗ ) card(A ∩ B) 2
⇒ P(A|B) = P(A∗ ) = ∗
= =
card(Ω ) card(B) 3
card(A ∩ B)/card(Ω) P(A ∩ B)
⇒ P(A|B) = =
card(B)/card(Ω) P(B)
N. B. P(A) = 1/2 6= P(A|B) = 2/3
Définition
La probabilité conditionnelle d’un événement A sachant un événement
B, avec P(B) > 0, est définie par:
P(A ∩ B)
P(A|B) =
P(B)
Loi de la multiplication des probabilités

Soit A et B deux événement possibles alors
P(A ∩ B) = P(B) ∗ P(A|B) = P(A) ∗ P(B|A)
N.B. Cette loi nous permet de schématiser le calcul des probabilités

sous forme d’un arbre des probabilités

Probabilités conditionnelles Indépendance stochastique
Définition
Soit A et B deux événement possibles. On dit que A est indépendant
de B si
P(A|B) = P(A)
N. B. L’information supplémentaire apportée par la réalisation de B n’a

pas modifié la mesure de probabilité de l’événement A

Propriétés
1 «A est indépendant de B» ⇔ «B est indépendant de A»
P(A|B) = P(A) ⇔ P(B|A) = P(B)
On dit que A et B sont indépendants

2 A et B sont indépendants si et seulement si
P(A ∩ B) = P(A) ∗ P(B)
3 A, B et C sont indépendants ssi
P(A ∩ B) = P(A) ∗ P(B)

P(A ∩ C) = P(A) ∗ P(C)
P(B ∩ C) = P(B) ∗ P(C) et
P(A ∩ B ∩ C) = P(A) ∗ P(B) ∗ P(C)
Indépendance stochastique: Exemple
Exemple. Lançons deux pièces de monnaie bien équilibrée.

Considérons les événements suivants
F1 : «La pièce 1 donne face»
F2 : «La pièce 2 donne face»
FF : «Les deux pièces donnent faces»
Q Les deux événements F1 et F2 sont-ils indépendants?
R Remarquons que Ω = {(P, P), (P, F ), (F , P), (F , F )}
F1 = {(F , P), (F , F )} F2 = {(P, F ), (F , F )}
FF = F1 ∩ F2 = {(F , F )}
ainsi P(F1 ) = P(F2 ) = 2/4 = 1/2 et P(F1 ∩ F2 ) = 1/4
⇒ P(F1 ∩ F2 ) = 1/22 = P(F1 ) ∗ P(F2 )
⇒ Les événements F1 et F2 sont indépendants

Probabilités conditionnelles Calcul Bayesien
Probabilités Totales
Théorème des Probabilités Totales

Soit {E1 , E2 , . . . , Em } une partition de Ω telle que P(Ei ) > 0, ∀i Alors,
m
X
∀A : P(A) = P(Ei ) ∗ P(A|Ei )
i=1
Preuve. (A ∩ Ei )i est une partition de A ainsi

X X
P(A) = P(A ∩ Ei ) = P(Ei ) ∗ P(A|Ei )
i i

Probabilités Totales: Exemple
Exemple. Une société pétrolière envisage l’opportunité d’un forage

sur un nouveau site. Trois cas sont possibles:
rien :«Pas de pétrole»
peu : «Peu de pétrole»
bcp : «Beaucoup de pétrole»
Probabilité a priori (expériences passées):
P(rien) = 0.7 P(peu) = 0.2 P(bcp) = 0.1
Pour plus d’information sur le site on fait un test séismique:

3 résultats sont possibles, le potentiel du terrain est :

Probabilités Totales: Exemple (suite)
Bas, Moyen, Élevé

Précision du test
P(élevé|rien) = 0.04
P(élevé|peu) = 0.02
P(élevé|bcp) = 0.96
Question 1. Quelle est la probabilité d’avoir un potentiel élevé?

Question 2. Si le résultat du test est que le potentiel est élevé, quelle
la probabilité de ne rien trouver (le risque d’une mauvaise décision)?

Probabilités Totales: Exemple (suite)

Réponse 1
P(élevé) = P(élevé|rien)∗P(rien)+P(élevé|peu)∗P(peu)+P(élevé|bcp)∗P(bcp)
= 0.04 ∗ 0.7 + 0.02 ∗ 0.2 + 0.96.0.1 = 12.8%
Figure: Arbre des probabilités

Théorème de Bayes
Théorème de Bayes
Soit une partition de Ω: {E1 , E2 , . . . , Em } telle que P(Ei ) > 0, ∀i Alors,
P(Ei ) ∗ P(A|Ei )
∀A : P(Ei |A) = m
X
P(Ei ) ∗ P(A|Ei )
i=1
Réponse à la question 2.
P(rien) ∗ P(élevé|rien) 0.7 ∗ 0.04

P(rien|élevé) = = = 21.875%
P(élevé) 0.128

Chapitre 1

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 1

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1: Éléments de Probabilités

Faculté des Sciences Juridiques, Économiques et Sociales Oujda

Economie & Gestion/S2/Probabilités

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 1 / 43

2 Expérience Aléatoire et Univers d’éventualités

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 2 / 43

«L’éducation, c’est l’homme qui progresse de la certitude

À l’origine l’existence de l’incertain: ignorance totale, ignorance

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 3 / 43

En économie, il s’agit de l’être humain, dont le comportement est

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 4 / 43

Le contexte incertain nécessite la connaissance des probabilités:

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 5 / 43

L’inference statistique : Déduction de l’observation d’un

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 6 / 43

Les probabilités se calculent à priori (avant l’expérience); elles

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 7 / 43

Expérience Aléatoire: Action qui produit un résultat parmi plusieurs

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 8 / 43

2 Le jet d’un dé (Quel numéro paraîtras au dessus?)

3 Le tirage aléatoire d’une boule d’une caisse (couleur?)

Univers des éventualités

L’ensemble des résultats possibles est dit l’Univers des éventualités

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 10 / 43

Un événement A est une partie de Ω : (A ⊂ Ω)

Le couple (Ω, P(Ω)) est dit espace d’échantillonnage

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 11 / 43

Opérations sur les événements: la conjonction

La conjonction (intersection) des événements A et B est l’événement

Exemple Les événements A = {2, 4, 6} et B = {6} sont compatibles ;

Opérations sur les événements: la disjonction

La disjonction (union) des événements A et B est l’événement qui se

Exemple Jet du dé : si A = {2, 4, 6}, D = {1, 2, 5} alors

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 13 / 43

Opérations sur les événements: l’événement contraire

L’événement contraire de A est l’événement qui se réalise quand A

Exemple Jet du dé : si E = {2, 4}, alors E = {1, 3, 5, 6}

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 14 / 43

Opérations sur les événements: l’implication

On dit que l’événement A implique B ssi la réalisation de A implique la

Exemple Jet du dé : si A = {2, 4, 6}, G = {1, 2, 3, 4, 6} alors A

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 15 / 43

Opérations sur les événements: la différence

La différence de A et B est l’événement qui se réalise si A se réalise

Exemple si A = {2, 4, 6}, H = {1, 2, 3, 4, } alors H − A = {1, 3}

Opérations sur les événements: la partition

Une classe d’événements {E1 , . . . , Em } est dite partition de Ω ssi

N. B. ∀A, la classe d’événements {A1 = A ∩ E1 , . . . , Am = A ∩ Em } est

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 17 / 43

Opérations sur les événements: La partition (suite)

Exemple Jet du dé : les événements E1 = {2, 4, 6}, E2 = {1, 3},

Soit l’événement L = {1, 2, 4, 5} les événements L1 = {2, 4}, L2 = {1},

S., EL MELHAOUI (FSJESO) Éléments de Probabilités 03/2020 18 / 43

Mesure de Probabilité sous l’hypothèse d’équiprobabilité

card(A) nbr d’éléments deA

Remarque En général tous Ω y compris les infinis. Si Ω est un

Mesure de Probabilité dans le cas général

Définition axiomatisée des probabilités

L’espace (Ω, P(Ω), P) est dit espace probabilisé