Vous êtes sur la page 1sur 6

1

Introduction
Les statistiques est un ensemble de rsultats obtenus la suite de nombreuses ob-
servations dun mme phnomne prsent le plus souvent sous forme de tableaux ou de
graphiques. Les statistiques conomiques concernant la production marocaine de phos-
phates, la mesure des prcipitations sur certaines rgions pendant une anne, etc, sont des
exemples.
Le statisticien doit interprter ces donnes, tablir des relations entre les faits observs
en mettant en relief celles dues lordre normal des choses et en cartant celles rsultant de
phnomnes aberrants. Pour cela, il doit utiliser des mthodes mathmatiques constituant
ce quon appelle la statistique.
La statistique est donc un ensemble de moyens permettant dinterprter les statistiques.
Cette science ne sapplique quaux ensembles susamment nombreux. En eet, certaines
rgularits (lois rgissant certains phnomnes) napparaissent quaux niveau densembles
nombreux. Les erreurs faites lors dune exprience sur un petit nombre dessais ont beau-
coup plus dincidences (par exemple en travaux pratiques de Physique ou Chimie).
Le champ dapplication de la statistique est trs vaste. Voici quelques domaines o elle
joue un rle fondamental : Physique (Physique statistique), Chimie (polymre . . . ), Biologie
(rgnration de cellules), Astronomie, Agronomie, Industrie, conomie, Dmographie, . . . .
En gnral, un cours de probabilit et statistique comprend trois parties :
Statistique descriptive,
Calcul des probabilits,
Statistique mathmatique.
La statistique descriptive consiste classer des donnes, les organiser et les prsenter
de faon claire, dcrire ou analyser une population donne sans tirer de conclusions pour
une population plus grande.
Le calcul des probabilits constitue loutil mathmatique.
En n, la statistique mathmatique permet grace aux mthodes mathmatiques de tirer
des conclusions sur toute la population partir dun chantillon (principe des sondages).
Le cours de probabilit du module M312 traitera essentiellement du calcul des proba-
bilits, son but est de vous familiariser avec le raisonnement probabiliste.
A ses dbuts, la thorie du calcul des probabilits a concern principalement ltude
et la modlisation des jeux de hasard. Les premiers travaux sont attribues Pascal et
Fermat (1654) sur des problmes poss par le Chevalier de Mr, joueur professionnel et
mathmaticien amateur. La probabilit est dnie comme le nombre de cas favorables sur
le nombre de cas possibles et la solution fait souvent appel au dnombrement.
Imaginons maintenant que je joue une partie de tennis contre le Numro 1 mondial.
Si on veut bien admettre, par indulgence, quil ya deux solutions pour le vainqueur (lui
ou moi ! !), il ne parat pas du tout raisonnable de leur attribuer la mme probabilit. Il
faut donc gnraliser la notion de probabilit, cest ce qui est fait au Chapitre 1 (espace
probabilis). On y dnit dans sa plus grande gnralit la notion de probabilit sur un
ensemble ni et mme dnombrable. Cest la partie probabilits discrtes.
Dans certaines situations, le cadre thorique prcdent est insusant, cest le cas en
particulier quand on sintresse une mesure physique (poids, tension lectrique, etc) qui
prend ses valeurs dans R qui nest pas dnombrable. Ce sont alors dautres techniques qui
sont employes au chapitre 7 (variables alatoires continues) avec la notion de densit de
probabilit. Cest la partie probabilits continues.
N-E.Fahssi
www.lirepdf.com
Chapitre 1
Espaces probabiliss
Introduction
Le calcul des probabilits est la science qui modlise lalatoire, cest dire qui propose
des modles pour comprendre les phnomnes dus au hasard. Son but est de fournir le cadre
thorique gnral pour dterminer des lois de rpartition abstraites pouvant sadapter plus
ou moins parfaitement aux donnes empiriques. La modlisation du calcul des probabilits
a t invent par A. N. Kolmogorov dans un livre paru en 1933. Elle est faite partir
dobjets que nous allons dcrire dans ce chapitre.
1.1 Notion dexprience alatoire
Il y a dans la nature des phnomnes qui se droulent de faon dterministe (sur terre
une pierre tombe toujours si elle est lche) et dautres de manire alatoire : si on lance
une pice de monnaie, on ne sait pas lavance si elle tombe sur Pile ou Face.
Une exprience alatoire est dnie comme une exprience pour laquelle les conditions
ne dterminent pas un rsultat unique, mais laissent place plusieurs rsultats. De plus,
cette exprience peut tre rpte dans les mmes conditions autant de fois que lon veut
(on dit aussi preuve). Par exemple, le comptage du nombre de particules mises par une
substance radioactive dans un intervalle de temps donn, est une exprience alatoire.
1.2 Notion de rsultat
Soit E une exprience alatoire. On doit, en premier lieu, recenser lensemble des rsul-
tats possibles de E. Cet ensemble sera not (appel aussi ensemble fondamental).
Exemple 1.2.1 Si lexprience est le jet de d, lensemble fondamental est donn par =
{1, 2, 3, 4, 5, 6}
Exemple 1.2.2 Lunivers de lexprience alatoire qui consiste jeter deux ds de couleurs
direntes et noter les faces qui apparaissent est lensemble des couples (i, j) o i est le
numro de la face suprieure du premier d et j est celui de la face suprieure du deuxime
d : = {(i, j), 1 i 6, 1 j 6}
Le rsultat dune exprience alatoire est un lment dtermin de .
2
www.lirepdf.com
CHAPITRE 1. ESPACES PROBABILISS 3
1.3 Notion dvnement
Soit E une exprience alatoire et lensemble des rsultats possibles. On sinteresse
au fait quun certain vnement se trouve ralis la suite de lexprience.
Un vnement A sera caractris par le sous-ensemble A de des rsultats qui
le ralisent. {} est appel vnement lmentaire.
Exemple 1.3.1 On lance deux ds de couleurs direntes : = |[1, 6]||[1, 6]|. Si on considre
lvnement A : la somme des points est suprieure ou gale dix , celui-ci est reprsent
par la partie {(6, 4), (5, 5), (4, 6), (5, 6), (6, 5), (6, 6)}.
Un vnement se ralise si le rsultat de lpreuve est un des vnements lmentaires qui
le composent.
On tablit ainsi une correspondance entre le langage des vnements et le langage
ensembliste. On dnit sur les vnements des oprations logiques correspondant aux op-
rations dnies sur les parties dun ensemble. Le tableau suivant montre la correspondance
de vocabulaire et de notations.
vnements Sous-ensembles Notations
vnements A, B, C Parties A, B, C de A
vnement lmentaires {} lment
ralise lvnement A est un lment de A A
vnement certain Tous les rsultats possibles
vnement impossible Partie vide de P()
vnement contraire Complmentaire de A dans

A
A ou B Runion de A et B A B
A et B Conjonction de A et B A B
A et B incompatibles Parties disjointes A et B A B =
A implique B A contenu dans B A B
Exemple 1.3.2 Soit lexprience qui consiste jeter un d et noter sa face suprieur et
soient les vnements A : point infrieur ou gal 3 , B : point suprieur ou gale
3 , P : point pair et I : point impair . Les vnements A et B se ralisent
simultanment si et seulement si lvnement A B = {3} se ralise. lvnement A ou
B se ralisent , ou, autrement dit, au moins un des deux vnements A et B se ralise
est dtermin par la runion A B = qui est lvnement certain. Les vnements P et
I sont incompatibles car P I = . En n, lvnement marquer un 1 ou un 3 implique
lvnement A : {1, 3} A.
1.4 Dnition dun espace probabilis
A chaque vnement on associe un nombre positif compris entre 0 et 1, sa probabilit.
La thorie moderne du calcul des probabilits repose sur laxiomatique suivante
Dnition 1.4.1 Soit lensemble des rsultats dune exprience alatoire et T une famille
de parties de (i.e, T P()). On appelle probabilit sur (, T ) une application P de T
dans [0, 1] telle que
P() = 1 (probabilit de lvnement certain est gale 1)
N-E.Fahssi
www.lirepdf.com
CHAPITRE 1. ESPACES PROBABILISS 4
Pour tout ensemble dnombrable dvnements deux deux incompatibles A
1
, A
2
, . . . A
n
. . .
on a
P(A
1
A
2
A
n
) = P(A
1
) + P(A
2
) + + P(A
n
) +
Le triplet (, T , P) sappelle espace probabilis.
Remarque 1.4.2 Dans la dnition 1.4.1, la famille de parties T nest pas arbitraire. Elle
doit vrier les proprits suivantes
T
A T ,

A T (stabilit par complmentation)
Pour toute suite (A
n
)
nN
dlments de T , A
1
A
2
A
n
est encore un
lment de T (stabilit par union dnombrable).
La famille T choisie ainsi sappelle tribu dvnements. Dans ce cours, pour un ensemble
discret, on prendra toujours T = P(), ensemble de toutes les parties de .
Proprits dune probabilit
Proposition 1.4.3 Soit P une probabilit sur (, T )
1. P() = 0
2. P(A B) = P(A) + P(B) P(A B)
3. P(

A) = 1 P(A)
4. A B P(B A) = P(B) P(A) et P(A) P(B),
B A tant le complmentaire de A dans B.
Pour la dmonstration de ces proprits, voir Feuille dexercices n1.
1.5 Dnition pratique dune probabilit pour ni ou d-
nombrable
Si lensemble des rsultats dune exprience alatoire est ni ou inni dnombrable
(discret), la caractrisation dune probabilit se simplie et en particulier si Card est ni,
la dnition 1.4.1 est quivalente la vision empirique que lon se fait de la notion de
probabilit dun vnement en tant que frquence de sa ralisation.
Cas dun univers ni
Proposition 1.5.1 Soit = {x
1
, x
2
, . . . , x
n
} un ensemble n lments. Alors toute proba-
bilit P sur (, P()) est entirement dtermine par les valeurs p
i
= P({x
i
}), 1 i n
(i.e, probabilits des vnements lmentaires) vriant
p
i
0 et p
1
+ p
2
+ + p
n
= 1
Dmonstration. Soit P une probabilit sur (, P()), alors p
i
= P({x
i
}) 0 et puisque
les vnements {x
1
}, {x
2
}, . . . , {x
n
} sont deux deux incompatibles et {x
1
} {x
2
}
{x
n
} = , on a P({x
1
}) +P({x
2
}) + +P({x
n
}) = P() = 1, i.e, p
1
+p
2
+ +p
n
= 1.
Rciproquement, soient p
1
, p
2
. . . , p
n
des rels tels que 0 p
i
1 et

n
i=1
p
i
= 1. Montrons
que les nombres p
i
dterminent une probabilit. Posons P() = 0 et pour A P(),
A = , A = {x
i
1
, x
i
2
, . . . , x
i
r
} (ensemble r lments), considrons lapplication qui
chaque A P() fait correspondre P(A) =

r
k=1
p
i
k
. Il est vident que 0 P(A) 1.
N-E.Fahssi
www.lirepdf.com
CHAPITRE 1. ESPACES PROBABILISS 5
Il faut maintenant montrer que lapplication ainsi dnie vrie les deux conditions de la
dnition 1.4.1. Premirement, puisque = {x
1
, x
2
, . . . x
n
} on a P() =

n
i=1
p
i
= 1.
Pour vrier la deuxime condition, il sut de la montrer pour 2 parties de , le cas dun
nombre quelconque dvnements en est une consquence pour un univers ni. Soient
donc A = {x
i
1
, x
i
2
, . . . , x
i
r
} et B = {x
j
1
, x
j
2
, . . . , x
j
s
} deux parties disjointes de , on a
donc A B = {x
i
1
, x
i
2
, . . . , x
i
r
, x
j
1
, x
j
2
, . . . , x
j
s
} et P(A B) =

r
k=1
p
i
k
+

s
k=1
p
j
k
=
P(A) + P(B). P est bien une probabilit.
On en conclut que pour ni, il sut de se donner p
i
= P({x
i
}).
Cas particulier de lquiprobabilit. Cest le cas o pour = {x
1
, x
2
, . . . , x
n
},
tous les vnements lmentaires ont la mme image par lapplication P (i.e, la mme
probabilit) :
P({x
i
}) =
1
n
=
1
Card
On en dduit
A P(), P(A) =
CardA
Card
En eet, soit A = {x
i
1
, x
i
2
, . . . , x
i
r
} un sous-ensemble de de cardinal r. Puisque A est la
runion de ses singletons : A = {x
i
1
} {x
i
2
} {x
i
r
} et P est une probabilit, alors
P(A) =
r

k=1
P({x
i
k
}) =
r
n
=
CardA
Card
P sappelle une quiprobabilit.
On obtient lassertion clbre
P(A) =
nombre de cas favorables
nombre de cas possibles
Dans ce cas le calcul des probabilits est alors essentiellement un problme de dnombre-
ment.
Exemple 1.5.1 On jette deux ds de couleurs direntes et on note leurs faces suprieures.
On a = {(i, j), 1 i 6, 1 j 6}, i est le rsultat du premier d et j celui du
deuxime. Donc Card = 36. On munit cet ensemble de lquiprobabilit. Cela sous-
entend que toutes les faces dun d ont la mme chance dapparatre (d bien quilibr).
Soit A
k
lvnement la somme des deux ds est gale k . Calculer la probabilit de
lvnement A
k
pour chaque valeur possible de k.
Les vnements A
k
se traduisent dans le langage ensembliste par les parties de : A
k
=
{(i, j) , i + j = k} pour k = 2, 3, . . . , 12. Par exemple A
5
= {(1, 4), (2, 3), (3, 2), (4, 1)}
et A
9
= {(3, 6), (4, 5), (5, 4), (6, 3)} sont deux parties de cardinal 4, donc P(A
5
) = P(A
9
) =
4/36 = 1/9. En gnral
k 2 3 4 5 6 7 8 9 10 11 12
P(A
k
) 1/36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36
Cas dun univers inni dnombrable
Proposition 1.5.2 Soit , T un espace probabilisable avec = {x
i
, i N

} un ensemble
inni dnombrable (x
i
= x
j
, pour i = j). Alors il existe une probabilit P sur (, P())
telle que p
i
= P({x
i
}), si et seulement si les nombres p
i
vrient
N-E.Fahssi
www.lirepdf.com
CHAPITRE 1. ESPACES PROBABILISS 6
1. p
i
0 pour tout i,
2. La srie de terme gnral p
i
converge et sa somme est gale 1 (i.e,

i=1
p
i
est nie
et est gale 1).
Exemple 1.5.2 On considre lexprience alatoire suivante E : On joue Pile ou Face
jusqu obtenir Pile . Quels sont les rsultats possibles de cette exprience ?
On peut proposer le modle suivant. Les rsultats observables sont les suites formes
de plusieurs Faces suivis par un Pile, symboliquement on crit un rsultat comme

n
= (F, F, . . . , F
. .
n1 fois
, P)
ce qui signie quon obtient Face dans les n 1 premiers lancers et Pile dans le n
ime
.
Lunivers associ cette exprience est donc
= {
n
, n N

}
cest un ensemble inni dnombrable.
Soit lapplication P qui fait correspondre chaque vnement lmentaire {
n
} le
nombre
1
2
n
. Montrer que lon a dni une probabilit sur lespace (, P()) associ lex-
prience alatoire E.
Il faut tout simplement montrer que les nombres p
n
= P({
n
}) =
1
2
n
pour n N

vrient les deux conditions de la proposition prcdente. Premirement, il est vident que
les nombres p
n
sont positifs. Deuximement, calculons

n=1
p
n
.

n=1
p
n
= lim
N+
N

n=1
1
2
n
Or, la somme des N premiers termes de la suite gomtrique (p
n
)
nN
est
N

n=1
1
2
n
=
1
2
1
_
1
2
_
N
1
1
2
= 1
1
2
N
Il sensuit nalement que

n=1
p
n
= lim
N+
_
1
1
2
N
_
= 1
Fin du chapitre 1
N-E.Fahssi
www.lirepdf.com