Vous êtes sur la page 1sur 14

Olivier J.J. MICHEL Dpartement EEA, UNSA v1.

Mars 06
olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS
Cours dintroduction la thorie des probabilits et variables
alatoires
Chapitre 1 : Probabilits
Ce document nest pas destin se substituer au cours en amphi !Il est la fois ncessairement incomplet et non sufsamment com-
ment. Les exercices qui laccompagne et qui seront traits en sance de TD sont runis dans le fascicule Proba-TD-L3EEA
Table des matires
1 Introduction 3
2 Dnitions 4
1 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Dnition empirique de probabilit . . . . . . . . . . . . . . . . . 4
2.1 Postulat . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Probabilit a priori . . . . . . . . . . . . . . . . . . . . . 5
3 Axiomes de calcul des probabilits 5
1 Mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Enonc des axiomes . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Consquences lmentaires . . . . . . . . . . . . . . . . . . . . . 6
3.1 Thorme des probabilits totales . . . . . . . . . . . . . 6
3.2 Complmentaire . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Addition des probabilits . . . . . . . . . . . . . . . . . . 7
3.4 Evnements contraires . . . . . . . . . . . . . . . . . . . 7
4 Probabilit conditionnelle . . . . . . . . . . . . . . . . . . . . . . 8
4.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.2 Evnements indpendants . . . . . . . . . . . . . . . . . 9
4.3 Thorme de Bayes . . . . . . . . . . . . . . . . . . . . . 9
4 Applications 10
1 Dmarche gnrale . . . . . . . . . . . . . . . . . . . . . . . . . 10
1
2 Dnombrements . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Permutations . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Loi binmiale, marche au hasard . . . . . . . . . . . . . . . . . . 12
4 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5 Loi multinomiale . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2
1 Introduction
Considrons les deux expriences suivantes :
Plusieurs lancs de d, dans des conditions que lon considre comme iden-
tiques, ne donnent pas chaque fois le mme rsultat.
Exprience de lumire polarise : On place deux systmes (analyseur croiss
et dtecteurs) derrire un cristal de spath birfringent clair par un faisceau
lumineux. Le premier ensemble analyseur-dtecteur est sensible la polarisa-
tion dun des faisceaux issus du cristal de spath (le rayon ordinaire) alors que
le second couple analyseur dtecteur est sensible au rayon dit extraordinaire,
de polarisation perpendiculaire celle du rayon ordinaire. Si le ux lumineux
devient si faible que lon puisse considrer la cas dun seul photon. Ce photon
est indivisible, et donc un seul des deux couples analyseur-dtecteur doit per-
cevoir un signal. Il est aujourdhui tabli quil est impossible a priori de savoir
quel dtecteur sera clair par ce photon. Le rsultat de lexprience est donc
totalement alatoire.
Ces deux expriences trs simples sont par essence trs diffrentes. La nature ala-
toire, ou lindtermination de ce que sera a priori le rsultat de lexprience vient
dans le cas du lanc de d, dune trs grande sensibilit de la trajectoire, de lvo-
lution et enn du rsultat, par rapport aux conditions initiales. Une trs petite mo-
dication -non perceptible- dans le lanc du d conduit un rsultat diffrent.
Lindtermination vient donc de notre incapacit mesurer avec une prcision ar-
bitrairement grande lensemble des conditions initiales de lexprience, voire de
rsoudre parfaitement de manire analytique ce problme de mcanique physique.
Dans le cas de la lumire polarise, cest la nature mme des photons qui conduit
lindtermination a priori du rsultat de lexprience. Cette indtermination est
intrinsque et subsisterait quelque soit la prcision -mme inniment grande- des
mesures dont on dispose.
3
2 Dnitions
1 Vocabulaire
Exprience alatoire e
i
: Cest une exprience qui rpte plusieurs fois
dans des conditions identiques ( la prcision laquelle on value que ces exp-
riences sont identiques) ne donne pas toujours le mme rsultat.
Evnement alatoire (E.A.) : Cest un vnement qui est ralis ou non selon
que le rsultat dune exprience alatoire appartient ou non un sous ensemble
de .
Exemples : Pour un lanc de d, lE.A. = 2, 3, 6 nest ralis que si le r-
sultat du lanc donne comme rsultat 2, 3 ou 6.
Ensemble statistique : ensemble de N expriences alatoires semblables et in-
dpendantes les unes des autres. Il peut sagir dune mme exprience rpte
N fois ou encore dun ensemble de N expriences identiques simultanes.
Frquence : Soit un ensemble statistique de N expriences alatoires, et un E.A.
ralis k fois sur cet ensemble. La frquence de cet E.A. est dnie par f =
k
N
.
Par construction, 0 f 1.
2 Dnition empirique de probabilit
2.1 Postulat
Il existe un nombre positif not P(A) compris entre zro (0) et un (1), qui ca-
ractrise lE.A. / et tel que la frquence f(/) P(/) lorsque le nombre N
dexpriences alatoires de lensemble statistique est trs grand :

f(/) =
k
N
lim
N
f(/) = P(/)
Frquence et probabilit ; La proprit suivante est connue sou sle nom de pro-
prit de stabilit de la frquence : Soient deux ensembles statistiques de N et N
/
expriences alatoires semblables, f et f
/
les frquences doccurence de lvne-
4
ment alatoire /,

f(/) =
k
N
, f
/
(/) =
k

lim
N
f(/) = P(/)
lim
N
f
/
(/) = P(/)
2.2 Probabilit a priori
Il est bien entendu que pour dterminer la probabilit dun E.A. de se raliser, on
ne peut envisager systmatiquement un trs large ensemble statistique. Lobjectif
est dutiliser au mieux les connaissances dont on dispose sur la physique ou les
conditions de ralisation de lexprience alatoire pour dterminer a priori la pro-
babilit de lvnement alatoire considr.
Exemple Les symtries dun d (non pip) permettent dafrmer a priori que lors
dun lanc, chaque face la mme probabilit (1/6) dapparatre. De mme, la
probabilit dobtenir une face montrant un nombre pair est 1/2.
3 Axiomes de calcul des probabilits
1 Mesures
Un ensemble est dit mesurable si
Si / , B , alors

/ B
/ B = _/
, o _/ est lensemble vide.
Si / / o / est dni par

/ / =
/ / = _/
Pour tout ensemble dnombrable dindices nots i = 1, . . . , M, /
i
, alors

M
i=1
/
i

Une mesure sur est dnie ainsi :
A chaque sous ensemble / (vnement alatoire), on associe un nombre (/)
vriant
(/) 0
(/) est ni
Pour tout ensemble ni dindices nots i = 1, . . . , M et / =
M
i=1
/
i
, (/)

M
i=1
(/
i
)
5
Si les ensembles /
i
sont deux deux disjoints,

/
i
/
j
= _/ i, j, i ,= j
(/) =

M
i=1
(/
i
)
2 Enonc des axiomes
Axiome I : Tout problme de calcul de probabilit fait rfrence un ensemble
dtermin contenant des preuves . est appel "catgorie dpreuves"
ou espace de ralisation. / est un E.A. comme sous-ensemble de lui-
mme est lvnement certain. _/ (ensemble vide) est lvnement impossible.
Axiome II : tout vnement / dni sur lespace de ralisation est asso-
cie une mesure note P(/) qui est la probabilit de lE.A. /. Par convention,
P() = 1 et P(_/) = 0.
3 Consquences lmentaires
3.1 Thorme des probabilits totales
Soit /
1
, /
2
, . . . , /
M
une suite dvnements incompatibles entre eux, alors
P(
M
i=1
/
i
) =
M

i=1
P(/
i
), si /
i
/
j
= _/, i ,= j
3.2 Complmentaire
Soient deux vnements alatoires / et B tels que B /. Lvnement alatoire
/ est le complmentaire de B par rapport / si

/ B = _/
/ B = /
Les vnements B et / tant disjoints, on obtient en appliquant le thorme des
probabilits totales ce cas particulier
P(/) = P(B) + P(/)
6
3.3 Addition des probabilits
Soient deux vnements alatoires / et B quelconques. Les notations suivantes
seront utilises dans la suite du texte, et sont quivalentes
P(/ ou B) = P(/+B) = P(/ B)
P(/ et B) = P(/B) = P(/ B)
Thorme : P(/+B) = P(/) + P(B) P(/B)
Dmonstration :
Si / B = _/, ce thorme nest que lexpression du thorme des probabilits
totales dans ce cas particulier.
Si / B = ( :
Soient (
a
et (
b
les complmentaires de ( par rapport / et B respectivement. On
a alors
/ B = (
a
( (
b
(
= (
a
( (
b
do, en passant aux probabilits, comme P(/) = P((
a
) + P(() et P(B) =
P((
b
) + P(()
P(/ B) = P(/) P(() + P(() + P(B) P(()
= P(/) + P(B) P(()
Des dmarches identiques conduisent facilement lexpression de la runion nie
de plusieurs vnements alatoires. On pourra titre dexercice tablir lgalit
suivante
P(/+B+() = P(/) +P(B) +P(() P(/B) P(/() P(B() +P(/B()
3.4 Evnements contraires
Soient deux vnements alatoires / et B tels que

/ B = _/
/ B =
7
de manire quivalente, on eut crire B = /

. Lapplication des rgles daddition


des probabilits du paragraphe prcdent conduisent immdiatement

P(/B) = 0
P(/+B) = P() = 1
Gnralisation : Ensemble complet dvnements Soient /
1
, ldots, /
M
des
sous ensembles de (ou ce qui est quivalent, des vnements alatoires d-
nis sur ). Ces vnements /
i
, (i = 1, . . . , M) forment un ensemble complet ou
une partition de si

P(/
i
/
j
) = 0, i ,= j
P(/
1
+/
2
+ . . . +/
M
) = P() = 1
Dans le cas particulier dun ensemble complet quiprobable :
P(/
i
) = P(/
j
) =
1
M
, (i, j)
4 Probabilit conditionnelle
4.1 Dnition
Soient deux vnements alatoires / et B, et ( = / B = /B.
Dnition : La probabilit conditionnelle pour que / soit ralis lorsque B est
ralis est
P(/[B) =
P(()
P(B)
=
P(/B)
P(B)
Interprtation : dans ce cas, lvnement B est considr comme lvnement de
rfrence, ou lvnement total. La ralisation de / conditionnellement B est
en quelque sorte le nombre relatif de fois (ou la proportion) o lvnement / est
ralis quand seules sont considres les ralisations de B.
Rgles de multiplication, galit de Bayes :
P(/B) = P(/[B)P(B)
Interprtation : Pour que / et B soient raliss, il faut dabord que B soit ralis,
puis que / soit ralis, sachant que lvnement B est ralis. On notera que ce
raisonnement est parfaitement symtrique par rapport / et B, de sorte que lon
a aussi P(/B) = P(B[/)P(/)
8
4.2 Evnements indpendants
Dnition : Deux vnements / et B sont statistiquement indpendants si
P(/[B) = P(/)
De manire quivalente, on aurait pu exprimer la condition dindpendance sous
la forme P(B[/) = P(B). On pourra tablir titre dexercice lquivalence de
ces deux formulations.
Thorme Une condition ncessaire et sufsante pour que deux vnements ala-
toires / et B soient indpendants est
P(/B) = P(/)P(B)
Dmonstration :
Condition ncessaire : Si / est indpendant de B, alors P(/[B) = P(/). Or on
a vu que P(/B) = P(/[B)P(B) = P(B[/)P(/) donc en remplaant P(/[B)
par P(/) dans la seconde quation, on obtient P(/B) = P(/)P(B)
Condition sufsante : Si P(/B) = P(/)P(B), on sait par ailleurs P(/B) =
P(/[B)P(B). En identiant les seconds membres de chacune de ces quations,
on obtient P(/[B) = P(/).
4.3 Thorme de Bayes
Soit un ensemble complet dvnements (une partition de ) /
1
, . . . , /
M
, de
probabilits respectives
i
= P(/
i
),

M
i=1

i
= 1. Soient un vnement alatoire
B et les probabilits conditionnelles de B par rapport /
i
: p
i
= P(B[/
i
).
Thorme : La probabilit pour que /
i
soit ralis lorsque B est ralis est
P(/
i
[B) =

i
p
i

j

j
p
j
Dmonstration :
P(/
i
B) = P(/
i
[B)P(B) = P(B[/
i
)P(/
i
)
P(/
i
[B) =
P(/
i
B)
P(B)
=
P(B[/
i
)P(/
i
)
P(B)
puis si on exprime P(B) laide du thorme des probabilits totales (les /
i
formant une partition de ) :
P(B) =

j
P(B/
j
) =

j
P(B[/
j
)P(/
j
) =

j
p
j

j
9
En remplaant P(B) dans lexpression de P(/
i
[B), on obtient le rsultat annonc
dans le thorme, parfois aussi appel "Thorme de probabilit des causes".
4 Applications
1 Dmarche gnrale
On considre un vnement alatoire B associ une exprience, dont on veut cal-
culer la probabilit. Lide est de dcrire lensemble des ralisations possibles de
lexprience laide dun ensemble complet quiprobable /
1
, . . . , /
M
, P(/
i
) =
1
M
, i (1, . . . , M), tel que lon puisse exprimer B sous la forme
B = A
k
1
A
k
2
. . . A
k
L
o k
1
, k
2
, . . . , k
L
1, 2, 3, . . . , M. Alors, la probalilit de B est donne par
P(B) =
L

j=1
P(/
k
j
) =
L
M
Cette dmarche le plus souvent de dnombrer les vnements alatoires /
i
pour
lesquels B est aussi ralis.
2 Dnombrements
On considre un ensemble de n objets distincts parfaitement discernables les uns
des autres, indx par i (1, . . . , n). Parmi ces n objets, on dnit un sous en-
semble de k objets (1 k n) ; deux sous ensembles se distinguent donc par
leur valeur de k (leur cardinal), par la nature des objets qui le composent et ven-
tuellement par lordre dans lequel sont "rangs" ces objets.
2.1 Arrangements
Un arrangement est un sous ensemble ordonn de k objets. Le nombre darrange-
ments de k objets choisis parmi n est donn par
A
k
n
=
n!
(n k)!
On tablira cette formule titre dexercice.
10
2.2 Permutations
Parmi les k objets retenus, on peut distinguer diffrents arrangements possibles,
en permutant par exemple leur position dans une liste. Le nombre de permutations
possibles nest autre que le nombre darrangement de k objets choisis parmi k est
vaut donc (on rappelle que 0! = (1) = 1) :
A
k
k
= k!
2.3 Combinaisons
Le nombre de combinaisons de k objets se distingue du nombre darrangements
par la fait que lon naccorde plus dimportance lordre dans lequel on dcrit
lensemble des objets. Or on vient de voir que pour un ensemble de k objets, il y
avait k! permutations possibles. Il est alors immdiat que si C
k
n
dsigne ce nombre
de combinaisons,
A
k
n
= k!C
k
n
soit encore
C
k
n
=
n!
k!(n k)!
Proprits
C
k
n
= C
(nk)
n
C
0
n
= C
n
0
= 1
Formule du binme de Newton :
(a + b)
n
=
n

i=1
C
i
n
a
i
b
ni
Rappel Les valeurs des C
k
n
sobtiennent facilement partir du triangle de Pascal,
construit partir de la proprit (cf exercices) C
k
n
= C
k1
n1
+ C
k
n1
:
n = 0 1
n = 1 1 1
n = 2 1 2 1
n = 3 1 3 3 1
n = 4 1 4 6 4 1
n = 5 1 5 10 10 5 1
. . .
11
3 Loi binmiale, marche au hasard
Loi de Bernoulli : Soient un vnement alatoire / et son complmentaire B =
/

, de probabilit respectives p et q, o q = (1 p). Par construction / et B sont


incompatibles, i.e. p(/B) = 0.
On considre alors N expriences alatoires de Bernoulli semblables, qui prises
toutes ensembles constituent une nouvelle exprience alatoire U. On dnit alors
lvnement alatoire /
k
associ lexprience U, pour laquelle / est ralis k
fois et B est ralis (N k) fois.
Exemple : U peut tre un ensemble de N lancs conscutifs dune pice au jeu de
pile ou face ; ou encore une suite de N bits indpendants pour laquelle on relve
les uns et les zros.
Proprits : Lvnement /
k
est la runion de toutes les congurations possibles
(appeles complexions) pour lesquelles / est ralis k fois. La probabilit dune
complexion particulire (note par exemple /
0
k
) est
P(/
0
k
) = p
k
q
(nk)
= p
k
(1 p)
(nk)
Par consquent, la probabilit de lvnement /
k
sobtient en additionnant les
probabilits (gales entre elles) de toutes les complexions possibles. Toutes les
expriences lmentaires de Bernoulli qui constituent lexprience U tant iden-
tiques et indiscernables, le nombre de complexions quivalentes qui comptent k
ralisations de / est donc le nombre de combinaisons de k vnements parmi n,
cd C
k
n
. Finalement
P(/
k
) = C
k
n
p
k
(1 p)
(nk)
Remarque : Lensemble des /
k
, pour toutes les valeurs de k, doit constituer un
ensemble complet, cd
n

k=0
P(/
k
) =
n

k=0
C
k
n
p
k
(1 p)
(nk)
= 1
Ce qui stablit aisment partir de la formule du binme de Newton.
Marche au hasard : A chaque top dhorloge, on fait un pas de longueur l droite
(sens positif) avec une probabilit p, ou un pas de longueur l gauche avec une
probabilit (1 p). La probabilit que sur un ensemble de n pas, k pas soient
raliss vers la droite (et donc (n k) vers la gauche ) est donne par la loi
binmiale :
P
n
(k) = C
k
n
p
k
(1 p)
(nk)
12
Il est alors immdiat de calculer la probabilit quaprs n pas labscisse du mar-
cheur soit x, calcule en exprimant x en fonction de k :
x = kl (n k)l = (2k n)l
La probabilit que x = ml est donc gale la probabilit que k =
m+n
2
(si k est
entier) do
P(x = ml) = C
m+n
2
n
p
m+n
2
(1 p)
mn
2
4 Loi de Poisson
La loi de Poisson sobtient naturellement comme loi limite de la loi binomiale
lorsque n , p 0, tout en maintenant le produit np = cste = . Nous ta-
blirons cette convergence en loi aprs avoir introduit les fonctions caractristiques
dans un paragraphe ultrieur.
Interprtation
Imaginons une exprience alatoire consistant compter un nombre dvnements
k se produisant pendant un intervalle de temps T. Supposons par ailleurs que le
nombre moyen des vnements observs augmente linairement avec T. Imagi-
nons maintenant que T soit dcoup en n intervalle t, de sorte que T = nt.
Lorsque t 0, la probabilit p dobserver un vnement sur cet intervalle tend
naturellement vers 0, et on peut considrer que les seules probabilits pertinentes
prendre en compte sont donc les probabilits dobserver 1 ou 0 vnement. Sur
lensemble des n intervalles adjacents et indpendants entre eux la probabilit
dobserver au total k vnements na pas volu, et vaut np = cste = . De
plus, lobservation de 0 ou 1 vnement sur un intervalle donn est une exprience
de Bernoulli de paramtre p, rpte n fois de manire semblable : la probabi-
lit dobserver k vnements pendant T est donc une loi binomiale de paramtres
(n, p) pour laquelle n , p 0 et np = . Cette loi est donne par
P(k) =
e

k
k!
Proprits
P(0) = e

, P(1) = e

Normalisation :

k=0
P(k) = e

k=0

k
k!
= e

= 1
13
5 Loi multinomiale
On rpte nouveau n expriences alatoires lmentaires identiques et ind-
pendantes entre elles. Les rsultat dune exprience peut tre la ralisation de
/
1
, /
2
, . . . ou /
M
, avec des probabilits respectives gales p
1
, p
2
, . . . , ou p
M
.
On a

M
i=1
p
i
= 1.
La loi multinomiale exprime la probabilit que pour lexprience totale (de n ex-
priences lmentaires), on observe k
1
realisation de /
1
, k
2
realisation de /
2
, . . .,
k
M
realisation de /
M
, avec

M
i=1
k
i
= n.
La probabilit dune complexion est p
k
1
1
p
k
2
2
. . . p
k
M
M
.
Le nombre de complexions pour le M-uplet (k
1
, k
2
, . . . , k
M
) est
n!
k
1
!k
2
!...k
M
!
Finalement,
P
n
(k
1
, k
2
, . . . ; k
M
) =
n!p
k
1
1
p
k
2
2
. . . p
k
M
M
k
1
!k
2
! . . . k
M
!
14