Vous êtes sur la page 1sur 38

Cours 3: Rappels de probabilits

A- Notions de base
B- Variables alatoires
C- Lois classiques
D-Convergence de v.a.
A- Notions de base
Thorie des probabilits
Dcrit le comportement de phnomnes dont le rsultat est soumis au
hasard
permet de modliser la frquence de ralisation d vnements
alatoires.
A.1 Notions de base : quelques dfinitions
Exprience alatoire :
exprience dont le rsultat ne
peut pas tre dtermin avec
certitude a priori.
Univers de E = ensemble des
Ex1 : E : lancer dun d rgulier
={1,2,3,4,5,6}=[|1,6|],
=2 est un rsultat possible
Ex2 : E : jet de deux pices de
monnaie distinguables .

Univers de E = ensemble des


rsultats possibles de E . On le
note .
Rsultat lmentaire de E =
rsultat possible de E. Cest un
lment de . On le note
monnaie distinguables .
={(P,P) ; (P,F) ; (F,P) ; (F,F)}.
= (P,P) est un rsultat possible
Ex3 : E : lancer dun crayon sur une
feuille de papier de dim l* L. Chaque
point de la feuille est repr par son
abscisse et son ordonne.
=={(x,y), x [0,l], y [0,L]}
infini
=(l/2,L/2)

A.2 Notions de base: vnements


Ensemble P( ) des parties de
: ensemble constitu de tous les
sous-ensembles (parties) de
Evnement (alatoire)
=une partie (sous-ensemble) de
= assertion, qui peut ou non se
raliser suivant l'issue de E.
Ex0 : Si = { a, b, c } , P ( ) a 8
lments.
l'ensemble vide :
les parties un lt. : { a },{b}, {c}
les parties deux lts. : {b,c},{a,c},{a,b}
raliser suivant l'issue de E.
Ralisation dun vnement :
Soit A un vnement de . Soit le
rsultat de lexprience
CP : A= se ralise toujours. On
lappelle vnement certain.
A= ne se ralise jamais. On
lappelle vnement impossible.
A={w} sappelle vnement
lmentaire.
les parties deux lts. : {b,c},{a,c},{a,b}
les parties trois lments : {a,b, c}=
Ex1 : A= le lancer est pair ={2,4,6}.
Ex2 : A= on obtient deux
piles ={(P,P)}
Si le rsultat de E est =(F,P) alors A ne
se ralise pas.
Ex3: A= le lancer a une abscisse
>l/2 =]l/2,l]*[0,L]
se ralise A A
A.2 Notions de base: vnements
Oprations sur les vnements
Complmentaire de A : vnement constitu des rsultats lmentaires de qui
ne sont pas dans A. Soit le rsultat de lexprience :
( se ralise ssi A ne se ralise pas : non A).
{ , } A A =
A

A
Runion de A et B: vnement constitu des rsultats lmentaires de qui
appartiennent A ou B (ou aux deux). Soit le rsultat de lexprience :
( se ralise ssi A se ralise ou B se ralise : A ou B).
Intersection de A et B: vnement constitu des rsultats lmentaires de qui
appartiennent la fois A et B. Soit le rsultat de lexprience
se ralise ssi A et B se ralisent : A et B).
{ , ou } A B A B =
A B
( A B
A
B
{ , et } A B A B =
A
B
A.2 Notions de base: vnements
Relations particulires :
Inclusion : A est inclus dans B ssi tout lment de A appartient B :
(Si A est ralis alors B est ralis).
( ) A B A B
A
B
(Si A est ralis alors B est ralis).
Disjonction ou incompatibilit: A et B sont disjoints ssi A et B nont pas
dlments communs :
(A et B disjoints : A et B sont incompatibles).
et disjoints ( ) A B A B =
B
A
B
A.2 Notions de base: vnements
Systme complet dvnements : Soient A
1
, A
2
, ... , A
n
n
vnements. On dit que (A
1
, A
2
, ... , A
n)
constitue un systme
complet d'vnements si ils forment une partition de :
- ils sont deux deux incompatibles - ils sont deux deux incompatibles
- si leur runion est l'vnement certain
Ex : forme un systme complet dvnements.
p q A A
p q
=
1
n
p
A
p
=
=

( , ) A A
A2
A1
A3
A4

A.2 Notions de base: vnements


Tribu dvnements de , , , , espace probabilisable
Tribu dun ensemble de parties de : Soit A P() . A est une tribu ou sigma-
algbre si elle contient et est stable par complmentation et runion
dnombrable. On dit alors que (,A) est un espace probabilisable.
Exemples : Tribu grossire A={, }
Tribu des parties (appele aussi tribu discrte) A = P()
Tribu des borliens A={]a,+[, a Q (ou R)}, lorsque =R
Tribu des borliens A={]a,b[, a<b, (a,b) I}, lorsque =I intervalle de R
Autres exemples de tribus A ={A, , , }
={a,b,c,d}, A={,{a},{b,c,d},}
Choix dune tribu : se fait en fonction de linformation quon a sur le problme.
lorsque lunivers est fini ou dnombrable, on travaille gnralement avec la tribu
discrte. Lorsque lunivers est infini (=R ou I) on travaille avec la tribu
borlienne.
A
A.3 Notions de base: probabilit
Probabilit= fonction permettant de mesurer la chance de ralisation
dun vnement de P() (ou plus gnralement dune tribu A)
Dfinition : Soit (,A) un espace probabilisable. Une probabilit sur
(,A) est une application satisfaisant les 3 axiomes (,A) est une application satisfaisant les 3 axiomes
suivants :
Ds lors que P est dfinie, (,A,P) sappelle un espace probabilis.
: [0,1] A P
0 ( ) 1,
( ) 1
( ) ( ), ( ) ensemble dnombrable
d'vnements disjoints
A


i i i i
i i
P A A
P
P A P A A



=
=
N
N N
A.3 Notions de base: probabilit
Oprations sur les probabilits :
CP: Si P(A)=0 alors A est presque impossible. On crit
Si P(A)=1 alors A est presque sr. On crit
Axiome des probabilits totales :
systme complet dvnements :
1
( )
i i n
A

1
, ( ) ( ) A
n
i
i
B P B P B A
=
=

.s. A p =
p.s. A =
A1
A2
A3
A4
A.3 Notions de base: probabilit
Construction pratique dune probabilit en univers fini ou
dnombrable
On suppose que l'ensemble des vnements possibles est fini ou
dnombrable. On note l'ensemble des rsultats dnombrable. On note l'ensemble des rsultats
possibles.
on dfinit la probabilit de chaque rsultat lmentaire
on a alors une suite (p
1
,...,p
n.
) de nombres tels que :
la probabilit dun vnement quelconque A est donn par
0 1
1
1
p
i
n
p
i
i

=

=
( ) P A p
i
A
i

,.... { ,..., }
1
n
=
i
p
i

A.3 Notions de base: probabilit


CP dun univers fini quiprobable : Lorsquil ny a pas lieu dattacher
aux diffrents vnements lmentaires des probabilits diffrentes, on
a pour tout i, p
i
= p. On dit que lunivers est quiprobable. Lorsque
lunivers est fini, de cardinal ||, on a p
i
= p =1/||.On dfinit alors la
probabilit P comme prcdemment : soit A un vnement quelconque.
Cette probabilit est appele probabilit uniforme sur .
| |
( )
| |
A
P A =

A.3 Notions de base: probabilit


Ex 2 : E : jet de deux pices de monnaie distinguables . ={(P,P) ; (P,F) ;
(F,P) ; (F,F)} est quiprobable. Soit A= On obtient au moins une fois
P ={(P,P) ; (P,F) ; (F,P) }. P(A)=3/4
Ex1bis : E: jet dun d pip : le 6 apparat 2 fois plus que les autres . W
non quiprobable : p1=p2=p3=p=p5=p; p6=2p, p tel que :5p+2p=1, non quiprobable : p1=p2=p3=p=p5=p; p6=2p, p tel que :5p+2p=1,
p=1/7
A= le lancer est pair ; P(A)=p2+p4+p6=4/7.
Ex3 : E= lancer de la mine de crayon . Soit A un vnement (surface sur
la feuille) de daire A. Si tous les emplacements sur la feuille ont la
mme chance dtre atteints, intuitivement, on peut dfinir P(A)=A/l*L
Par contre, P({(x,y})=0 (lorsque est infini, on admet que la
probabilit de tomber sur un point particulier est nulle).
A.4 Notions de base: probabilit
conditionnelle, indpendance
Probabilit conditionnelle de A sachant B:
(probabilit que A se ralise sachant que B se ralise). Cest une
probabilit sur B.
( )
( / )
( )
P A B
P A B
P B

=
Indpendance de deux vnements A et B
Rq : Deux vnements disjoints ne sont pas indpendants.
Indpendance mutuelle dune squence dvnements
( ) ( ) ( )
( / ) ( )
( / ) ( )
P A B P A P B
P A B P A
P B A P B
=
=
=
( )
i
A
(2,.. ), ( ) ( ) P
i i
I I
I n P A P A =

A.4 Notions de base: probabilit
conditionnelle, indpendance
Thorme de Bayes
pour deux vnements A et B:
( / ) ( )
( / )
( )
P B A P A
P A B
P B
=
Gnralisation pour un systme complet dvnements A
1
, A
2
, ... , A
n
:
1
( ) ( / ) ( )
n
i i
i
P B P B A P A
=
=

1
( / ) ( )
( / )
( / ) ( )
i i
i
n
i i
i
P B A P A
P A B
P B A P A
=
=

B.1 Variable alatoire relle (v.a.r):


dfinition
Dfinition : On suppose une exprience dont lunivers est muni dune tribu A
dvnements et dune probabilit P ( (,A,P) espace probabilis) . Une variable
alatoire relle X est une caractre quantitatif, discret ou continu, dont la valeur
est fonction du rsultat de lexprience :
: X E
(E est lensemble des valeurs possibles de X)
qui est mesurable, cest dire telle que limage rciproque
de tout lment B de la tribu B associe E est un vnement de A.
Rq : Notation :
Alors, on peut attribuer une chance de ralisation tout lment B de B
Rq : la mesurabilit de X dpend des tribus A et B choisie sur . La tribu B
est gnralement P( E) en discret, la tribu borlienne en continu.
( ) X x =
1
, ( ) B A B X B


1
( ) { , ( ) } X B X B

=
1
( ) { } X B X B

=
B.1 Variable alatoire relle (v.a.r):
dfinition
Rq : Lorsque X est une variable discrte, la squence dvnements
forme une partition de . On lappelle partition engendre par X.
{ } X x =
Ex1 : lancer dun d rgulier. (, P(), P) est un espace probabilis. Soit X
la fonction de dans {0,1} valant 1 si le lancer est pair , 0 sinon. X est
une fonction du rsultat de lexprience et elle est mesurable. En effet,
B={{0},{1},{0,1},}
On a {X=0}={1,3,5}P()
{X=1}={2,4,6} P()
{X {0,1}}={X=0 ou X=1}= P()
{X }= P()
B.1 Variable alatoire relle (v.a.r):
dfinition
Ex2 : On fait lexprience E : on lance 2 pices de monnaie rgulires .
Soit X le nombre de P obtenu : X prend les valeurs quantitatives
discrtes 0, 1ou 2 (E={0,1,2}), selon le rsultat de lexprience :
w=(F,F) X(w)=0 w=(F,F) X(w)=0
w=(F,P) ou w=(P,F) X(w)=1
w=(P,P) X(w)=2
X est donc une variable alatoire discrte.
Lvnement engendr par la valeur 0 est lvnement
Lvnement engendr par la valeur 1 est lvnement
Lvnement engendr par la valeur 2 est lvnement
On a :
{ 0} {( , )} X F F = =
{ 1} {( , ), ( , )} X P F F P = =
{ 2} {( , )} X P P = =
{ 0} { 1} { 2} X X X = = = =
B.1 Variable alatoire relle (v.a.r):
dfinition
Ex 3 : Soit X labscisse de la mine : X prend des valeurs
quantitatives continues entre 0 et l (E=[0,l]), selon le rsultat de
lexprience : si le rsultat de lexprience est =(x,y) X()=x.
On associe E et les tribus borliennes A et B
respectivement engendres par les ouverts de [0,l] et de respectivement engendres par les ouverts de [0,l] et de
[0,l]*[0,L] (qui contiennent tous les intervalles associs ces
ensembles). Alors, limage rciproque de tout lment de B
(tout intervalle I de [0,l] est dans A (cest un intervalle de
[0,l]*[0,L])
{X }={=(x,y), x ,y [0,L]} B
X est donc une variable alatoire (continue).
B.2 Variable alatoire relle (v.a.r): Loi
Loi dune variable alatoire :
La mesurabilit de X assure que l'image rciproque de tout lment
B est dans A donc possde une probabilit. On peut ainsi dfinir,
sur une mesure de probabilit, appele loi de X et note
( , ) B E
B
P sur une mesure de probabilit, appele loi de X et note
par
1
, ( ) ( ( )) ( )
X
B P B P X B P X B

= = B
( , ) B E
X
P
B.2 Variable alatoire relle (v.a.r): Loi
Variable alatoire relle discrte
Df : X prend ses valeur dans un
ensemble E discret de valeurs
relles (v.a.r.d.).
Loi : Squence des probabilits :
variable alatoire relle continue
Df : X prend ses valeur dans un
ensemble E continu de valeurs
relles (v.a.r.c.).
Loi : Loi : Squence des probabilits :
Proprits :
Loi :
Par contre
La loi de X est dfinie via la fonction
f de R dans R, appel densit de
probabilit :
Proprits :
( ) ( ),
X
p x P X x x E = =
0 ( ) 1
( ) 1
, ( ) ( ) B
p x
X
p x
X
x E
B p B p x
X X
x B

=

( ) ( [ , [) f x dx P X x x dx = +
0 ( )
( ) 1
, ( ) ( )
B
f x
f x dx
B p B f x dx
X

=

R
R
, ( ) 0 x E P X x = =
( [ , [) 0 P X x x dx +
B.2 Variable alatoire relle (v.a.r): Loi
Prsentation : la loi de X est
prsente dans un tableau (tableau
de la loi de X ou tableau en
frquences):
Prsentation : La loi de X est
donne par la fonction f
Reprsentation graphique : courbe
de la densit
Reprsentation graphique :
diagramme en btons
de la densit
B.2 Variable alatoire relle (v.a.r): Loi
Fonction de rpartition de la loi de X
Dfinition :
: [0,1]
( )
F R
x P X x


Proprits : (i) F est croissante
(ii) F est continue droite
(iii)
lim ( ) 1, lim ( ) 0
x x
F x F x
+
= =
B.2 Variable alatoire relle (v.a.r): Loi
Variable discrete
F est une fonction en escalier, continue
droite
Variable continue
F est une fonction continue
( ) ( )
,
( ) ( ) ( )
( ) 1 ( )
F x p y
X
y x y E
P a X b F b F a
P X x F x
=

< =
> =
Aire sous la courbe de la densit avant x
'( ) ( )
( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) 1 ( ) ( )
F x f x
x
F x f t dt
b
P a X b P a X b F b F a f x dx
a
P X x P X x F x f t dt
x
=
=
=

< = = =

+
> = = =

B.2 Variable alatoire relle (v.a.r): Loi
B.2 Variable alatoire relle (v.a.r): Loi
Exemple 2 : On fait lexprience E :
on lance 2 pices de monnaie
rgulires . Soit X le nombre de
P obtenu .
Exemple 3 : E: lancer de la mine de
crayon. X= abscisse
f(x)dx=P[x<X<x+dx]=P({=(t,u),
x<t<dx, O<u<L})=dx*L/l *L si
0<=x<=l, 0 sinon. Donc f(x)=1/l si 0<=x<=l, 0 sinon. Donc f(x)=1/l si
0<=x<=l, O sinon. On reconnat :
- 1 0 1 2 3
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
f d r d e X
x
f(
x
)
l
1/l
1
l
[0, ] X l U
B.3 Variable alatoire relle (v.a.r):
moments
Esprance dune v.a.r.d.
Esprance de Y=g(X), X v.a.r.d.
Esprance dune v.a.r.c.
Esprance de Y=g(X), X v.a.r.c.
( ) ( )
X
x E
E X xp x

( ) ( ) ( ) E Y g x p x =

( ) ( )
R
E X xf x dx =

( ) ( ) ( ) E Y g x f x dx =

Proprits :
Rq : Lesprance peut ne pas exister
( ) ( ) ( )
X
x E
E Y g x p x

( ) ( ) ( )
R
E Y g x f x dx =

B.3 Variable alatoire relle (v.a.r):


moments
Dfinitions
Variance de X
Ecart-type de X
( )
2
( ) ( ( ))
X
V X E X E X = =
( )
X
V X = Ecart-type de X
Proprits :
Thorme de Koenig :
Autres
( )
X
V X =
( ) ( ) ( ( )) V X E X E X =
( ) ( )
( ) ( )
( ) 0 . .
V X a V X
V aX b a V X
V X X cste p s
+ =
+ =
= =
( ) 0
0
X
V X

B.3 Variable alatoire relle (v.a.r):


moments
Moment centr dordre k :
Pour une loi symtrique :
1 2
0, ( ) Var X = =
2 1
0 0
k
k
+
=
( )
( ( ))
k
k
E X E X =
Moment non centr dordre k :
Coefficient dasymtrie (skewness) Coefficient daplatissement (kurtosis)
( )
k
k
m E X =
1
( ) m E X =
3
1
3

=
4
2
4

=
B.3 Variable alatoire relle (v.a.r):
moments
Quelques ingalits classiques
Ingalit de markov
Ingalit de Bienaym Tchebychev
(| |)
0, (| | )
E X
k P X k
k
> >
( ) V X Ingalit de Bienaym Tchebychev
Ingalit de Jensen; soit g convexe
Ingalit de Hlder
CP : Ingalit de Cauchy-Schwarz
( )
0, (| ( ) | )

V X
k P X E X k
k
> >
( ( )) ( ( )) g E X E g X
(| |) ( ) ( ) , (| |) ( ) E XY E X E Y E X E X
1/ 1/
(| |) (| | ) (| | )
p p q q
E XY E X E Y
B.4 Variable alatoire relle (v.a.r):
couples de v.a.r.
Dfinition : On appelle couple de variables alatoires, deux variables alatoires
X et Y dfinies sur le mme univers (issues de la mme exprience) valeurs
respectivement dans E et F.
Loi jointe dun couple de variables alatoires :
Cas discret : cest la squence
Cas continu : cest la fonction f de R dans R, appele densit jointe telle que
Lois marginales de X
Cas discret :
Cas continu :
{ } { } ( )
,
( )
x E y F
P X x Y y

= =
[ ] [ ]
( , ) ( , , f x y dxdy P X x x dx Y y y dy = + +
( ) ( , )
y F
P X x P X x Y y

= = = =

( ) ( , ) f x f x y dy
+

B.4 Variable alatoire relle (v.a.r):


couples de v.a.r.
Lois conditionnelles de Y sachant X=x
Cas discret
Cas continu
( , )
( / )
( )
P X x Y y
P Y y X x y F
P X x
= =
= = =
=
( , ) f x y Cas continu ( , )
( / )
( )
f x y
f y x y R
f x
=
B.4 Variable alatoire relle (v.a.r):
couples de v.a.r.
Esprance conditionnelle
Lesprance conditionnelle E(Y/X) est une variable alatoire de mme
loi que X, dont les ralisations possibles sont les valeurs
, valeurs des esprances des lois conditionnelles de Y/X=x
Cas discret :
{ ( / )}
x E
E Y X x

=
Cas discret :
Cas continu prise avec la densit f(x).
Proprit : esprance de lesprance conditionnelle
E(Y/X) E(Y/X=x1) .. E(Y/X=xn)
P(E(Y/X)=x) P(X=x1) . P(X=xn)
( / ) ( / ),
y F
E Y X x yP Y y X x x E

= = = =

( / ) ( / )
R
E Y X x yf y X x dy = = =

( ( / )) ( ) E E Y X E Y =
B.4 Variable alatoire relle (v.a.r):
couples de v.a.r.
Covariance entre X et Y
( )
( , ) ( ( ))( ( ) Cov X Y E X E X Y E Y =
Proprits
Thorme de Koenig gnralis
Autres
( , ) ( ) ( ) ( ) Cov X Y E XY E X E Y =
( , ) ( , ) Cov X Y Cov Y X =
( , ) ( , ) ( , )
( , ) ( , ) ( , )
Cov aX bY Z aCov X Z bCov Y Z
Cov X aY bZ aCov X Y bCov X Z
+ = +
+ = +
( , ) ( , ) 0 Cov a Y Cov Y a = =
( ) ( ) ( ) 2 ( , ) V aX bY a V X b V Y abCov X Y + = + +
B.4 Variable alatoire relle (v.a.r):
couples de v.a.r.
Vecteur esprance du couple (X, Y)
( )
( , )
( )
E X
M X Y
E Y
| |
=
|
\
Matrice de variance-covariance
Elle est symtrique, semi-dfinie positive
( ) ( , )
( , )
( , ) ( )
V X Cov X Y
X Y
Cov X Y V Y
| |
=
|
\
( ) E Y
\
B.4 Variable alatoire relle (v.a.r):
couples de v.a.r.
Corrlation entre X et Y
( , )
( , )
( ) ( )
Cov X Y
X Y
X Y


= ( , ) ( *, *) X Y Cov X Y =
O X* et Y* sont les variables centres-rduites associes X et Y.
Proprits
Dautant plus proche de 1 en valeur absolu que le lien linaire est fort
entre X et Y.
Lien linaire parfait : Y=aX+b
Absence de lien linaire (pas forcement indpendance entre X et Y)
1 ( , ) 1 X Y
( , ) 1 X Y =
( , ) 0 X Y =
( , ) 0 Cov X Y =
( ) ( ) ( )
( ) ( ) ( )
V X Y V X V Y
E XY E X E Y
+ = +
=
B.5 Variable alatoire relle (v.a.r):
indpendance
Dfinition : On dit que deux variables alatoires X et Y valeurs dans (E,B1) et
(F,B2)sont indpendantes si et seulement si pour tout (B1,B2) (B1,B2), les
vnements {XB1} et {Y B2} sont indpendants.
Cas discret
( , ) , ( , ) ( ) ( ) x y E F P X x Y y P X x P Y y = = = = =
Cas continu
la loi jointe est gale au produit des lois marginales
Dfinition quivalentes
Proprit : Deux variables alatoires indpendantes sont non corrles, la
rciproque tant fausse (deux variables nayant pas de lien du tout nont en
particulier pas de lien linaire, linverse tant faux)
( , ) , ( , ) ( ) ( ) x y R f x y f x f y =
( , ) , ( / ) ( ) x y E F P Y y X x P Y y = = = =
( , ) , ( / ) ( ) x y R f y x f y =
B.5 Variable alatoire relle (v.a.r):
indpendance
Proprits :
( ) ( ) ( )
cov( , ) ( , ) 0
( ) ( ) ( )
E XY E X E Y
X Y X Y r X Y
V X Y V X V Y
=

= =

+ = +

( ) ( ) ( ) V X Y V X V Y

+ = +