Vous êtes sur la page 1sur 23

Chapitre 1

Probabilit es
1.1
1.1.1

D enombrement : motivation
Calculer une probabilit e par d enombrement
Groupe 3 3 25 28 Groupe 4 10 19 29 TOTAL 13 44 57

Exemple 1 Je tire au hasard 2 etudiants parmi les 57 pr esents dans la salle. Il y a Filles Gar cons TOTAL

Quelle est la probabilit e que jaie tir e 1 etudiant(e) de chaque genre et 1 etudiant(e) de chaque groupe. Au total, il y a 57 56 = 3192 arrangements de 2 etudiant(e)s parmi 57. On consid` ere que tous ces arrangements sont equiprobables. Les arrangements favorables sont de la forme (F 3, G4), (F 4, G3), (G3, F 4) et (G4, F 3). Donc lensemble E des arrangements favorables est la r eunion de 4 sous-ensembles disjoints A, B , C et D. cardA = cardB cardC cardD = = = card{lles du groupe 3} card{gar cons du groupe 4} = 3 19 = 357, card{lles du groupe 4} card{gar cons du groupe 3} = 10 25 = 250, card{gar cons du groupe 3} card{lles du groupe 4} = 25 10 = 250, card{gar cons du groupe 4} card{lles du groupe 3} = 19 3 = 357.

Do` u cardE = 357 + 250 + 250 + 357 = 1214. La probabilit e de tirer 1 etudiant(e) de chaque genre et 1 etudiant(e) de chaque groupe vaut P (E ) = Remarque 2 Autre m ethode. On aurait pu ecrire E = H I o` u H = {la lle tir ee est du groupe 3} et I ={la lle tir ee est du groupe 4}. Il y a deux ordres possibles (lle en premier, gar con en premier). On compte les arrangements qui commencent avec la lle en premier (il y en a 357 dans H , 250 dans I ) donc le nombre total est cardH = 2 357, cardI = 2 250 Exemple 3 G en eralisation. Probabilit e pour quen tirant 3 etudiants au hasard, on tire exactement 1 lle et exactement 1 etudiant(e) du groupe 3. 1 1214 nombre de cas favorables = = 0.38. nombre de cas possibles 3192

CHAPITRE 1. PROBABILITES

Le nombre darrangements de 3 etudiant(e)s parmi 57 est 575655 = 175560. Soit E ={tirages avec exactement 1 lle et exactement 1 etudiant(e) du groupe 3}. Soit H le sous-ensemble de E form e des tirages dans lesquels la lle est du groupe 3. Former un el ement de H , cest choisir dabord la lle dans le groupe 3, puis choisir un gar con dans le groupe 4, puis choisir un autre gar con (distinct du premier) dans le groupe 4, puis choisir lordre dans lequel ils vont sortir (il y en a autant que de permutations de 3 personnes, soit 6). Par cons equent, P (H ) = 3 19 18 6 = 6156. Soit I le sous-ensemble de E form e des tirages dans lesquels la lle est du groupe 4. Former un el ement de I , cest choisir dabord la lle dans le groupe 4, puis choisir un gar con dans le groupe 3, puis choisir un gar con dans le groupe 4, puis choisir lordre dans lequel ils vont sortir (il y en a autant que de permutations de 3 personnes, soit 6). Par cons equent, P (I ) = 10 25 19 6 = 28500. Comme H et I sont disjoints et E = H I , cardE = cardH + cardI = 6156 + 28500 = 34656. Do` u P (E ) = Remarque 4 Autre m ethode. Au lieu des compter des arrangements, on compte des paires ou des triplets non ordonn es (on parle plus g en eralement de combinaisons ), puisque lordre dans lequel les individus sont tir es na pas dimportance. 55 Posons O ={combinaisons de 3 individus parmi 57}, i.e. cardO = 5756 = 29260. Len6 semble qui nous int eresse est E ={combinaisons de 3 individus parmi 57 comportant exactement 1 lle et 1 groupe 3}. Alors H ={combinaisons de 3 individus dont 1 lle du groupe 3 et 2 gar cons du groupe 4} a 3 19 18 = 1026 el ements. De m eme, I ={combinaisons de 3 individus dont 1 lle du groupe 4 et 1 gar con de chaque groupe} a 10 25 19 = 4750 el ements. Il vient cardE = cardH + cardI = 1026 + 4750 = 5776, P (E ) = nombre de cas favorables 5776 = = 0.197. nombre de cas possibles 29260 nombre de cas favorables 34656 = = 0.197. nombre de cas possibles 175560

1.2
1.2.1

Techniques de d enombrement
Diagrammes arborescents ou arbres

Exemple 5 On consid` ere une urne qui contient deux boules rouges, deux noires et une verte. On tire deux boules sans remise. Il sagit dune exp erience a ` deux etapes o` u les di erentes possibilit es qui peuvent survenir sont repr esent ees par un arbre horizontal. On obtient trois branches principales et trois branches secondaires pour chaque etape sauf pour le cas o` u une verte a et e tir ee en premier. Le nombre de branches terminales de cet arbre donne le nombre d el ements de lunivers.
R N V R N V R N V

N V

1.2. TECHNIQUES DE DENOMBREMENT

Lorsquon rencontre beaucoup d etapes dans une exp erience et de nombreuses possibilit es ` a chaque etape, larbre associ e` a lexp erience devient trop complexe pour etre analys e. Ces probl` emes se simplient ` a laide de formules alg ebriques, comme on va le voir. La d emonstration de ces formules repose sur le fait que dans le cas dune exp erience ` a deux etapes, par exemple, un arbre qui aurait r branches principales et s branches secondaires commen cant ` a partir des r branches principales aura rs branches terminales.

1.2.2

Arrangements et permutations

Envisageons un ensemble de n objets di erents. Choisissons maintenant r de ces n objets et ordonnons les. D enition 6 Une disposition ordonn ee de r objets distincts pris parmi n est appel ee arrangement de r objets pris parmi n (on a obligatoirement r n). Combien y en a-t-il ? Pour compter le nombre total darrangements de r objets pris parmi n, il sut de consid erer les r positions comme x ees et de compter le nombre de fa cons dont on peut choisir les objets pour les placer dans ces r positions. Cest une exp erience ` ar etapes o` u lon applique la technique du paragraphe pr ec edent. Pour la premi` ere position, on a n choix possibles. Pour la deuxi` eme position, on a n 1 choix possibles... Pour la r-i` eme position, on a n r + 1 choix possibles. Si on d esigne r par Ar le nombre total darrangements cherch e s, larbre aura A branches terminales. On conclut n n Proposition 7 Ar n = n(n 1)(n 2) (n r + 1) = n! . (n r)!

Rappel 8 n! (lire factorielle n) est le produit de tous les entiers jusqu` a n, n! = n(n 1)(n 2) 3.2.1. Par convention, 0! = 1. Exemple 9 Les arrangements de deux lettres prises parmi 4 lettres {a, b, c, d} sont au nombre de 4! A2 4 = 2! = 12. Ce sont : (a, b), (a, c), (a, d), (b, a), (b, c), (b, d), (c, a), (c, b), (c, d), (d, a), (d, b), (d, c). Cas particulier : r = n Il sagit dordonner n objets entre eux, cest-` a-dire deectuer une permutation de ces n objets. D enition 10 Une permutation de n el ements est une disposition ordonn ee de ces n el ements. Proposition 11 Les permutations de n el ements sont au nombre de An n = n!.

1.2.3

Combinaisons

D enition 12 Un choix de r objets distincts pris parmi n sans tenir compte de leur ordre est appel e combinaison de r objets pris parmi n. Dans lexemple pr ec edent correspondant ` a lensemble des quatre lettres {a, b, c, d}, la combinaison {a, b} est la m eme que la combinaison {b, a} alors que larrangement (a, b) est di erent de larrangement (b, a). r Combien y en a-t-il ? Le nombre total de combinaisons de r objets pris parmi n est not e Cn ou r r . Pour trouver lexpression de , comparons le nombre darrangements et de combinaisons n n possibles de r objets pris parmi n. Dans un arrangement on choisit r objets, puis on tient compte de leur ordre. Dans une combinaison seul le choix des r objets compte. Comme le nombre de fa cons dordonner les r objets choisis est r!, on conclut qu` a chaque combinaison de r objets pris parmi n, on peut associer r! arrangements et donc quil y a r! fois plus darrangements que de combinaisons.

4 On conclut Proposition 13 r n =

CHAPITRE 1. PROBABILITES

n(n 1)(n 2) (n r + 1) n! Ar n = = . r! r! r!(n r)! 2 4 =

Exemple 14 Le nombre de combinaisons de deux lettres prises parmi quatre {a, b, c, d} est
4! 2!2!

= 6. Ce sont : {a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d}.

1.2.4

Permutations lorsque certains el ements sont semblables

Dans les paragraphes pr ec edents, on a suppos e que les n objets etaient tous di erents. Il arrive parfois que les n objets en contiennent un certain nombre qui sont indiscernables. Supposons quil ny ait que k sortes dobjets distincts sur les n objets. Il y a n1 objets de la 1-` ere sorte, n2 objets de la 2-` eme sorte.... nk objets de la k -` eme sorte. On a bien s ur n1 + n2 + + nk = n. Pour d eterminer le nombre total de permutations distinctes, comparons ce nombre cherch eP avec le nombre obtenu si on supposait les objets di erenci es. Pla cons nous dans le cas de lexemple suivant : On cherche le nombre danagrammes du mot P ROBABILIT E . Choisissons un de ces anagrammes : le plus simple est P ROBABILIT E . Si on di erencie les lettres B , cette disposition peut provenir des deux permutations P ROB1 AB2 ILIT E ou P ROB2 AB1 ILIT E , soit 2! possibilit es. Si on di erencie les lettres I , cette disposition peut provenir des deux permutations P ROBABI1 LI2 T E ou P ROBABI2 LI1 T E , soit encore 2! possibilit es A un anagramme correspond donc 2! 2! = 4 permutations, ce qui signie quil y a 4 fois plus de permutations que danagrammes. Le mot P ROBABILIT E comprend 11 lettres. Il y a 11! 11! permutations possibles. On a donc 2!2! = 9979200 anagrammes possibles. Cas g en eral. La di erenciation des n1 premiers objets donnera n1 ! fois plus d el ements que ce quon cherche, la di erenciation des n2 premiers objets donnera n2 ! fois plus d el ements que ce quon cherche, et nalement on trouve que n! est n1 !n2 ! nk ! fois plus grand que le nombre cherch e P . On conclut Proposition 15 Le nombre danagrammes dun mot de n lettres, comportant seulement k < n lettres distinctes, en nombres n1 , . . . , nk est P= n! . n1 !n2 ! nk !

1.2.5

Cas ou les el ements ne sont pas obligatoirement distincts

Combien y a-t-il de mani` eres de choisir r el ements parmi n de fa con ordonn ee en nimposant pas quils soient tous distincts les uns des autres ? En 1` ere position, il y a n choix possibles. En 2` eme position, il y a encore n choix possibles... En r` eme position, il y a toujours n choix possibles. Conclusion : Il y a donc nr choix pour les r el ements (r peut etre sup erieur ` a n dans ce cas).

: MOTIVATION 1.3. PROBABILITES

1.2.6

R ecapitulation
Conditions pn les p el ements ne sont pas n ecessairement tous distincts mais sont ordonn es les p el ements sont tous distincts et ordonn es les n el ements sont tous distincts et ordonn es les p el ements sont tous distincts et non ordonn es Le nombre de tirages possibles est le nombre de : p-listes d el ements de E, soit : np arrangements de p el ements de E , soit : Ap n permutations des n el ements de E , soit : n! combinaisons de p el ements de E, soit p n Un exemple usuel tirages successifs . avec remise de p objets parmi n tirages successifs sans remise de p objets parmi n. anagrammes dun . mot form e de lettres toutes distinctes tirages simultan es de p objets parmi n.

p<n p=n p<n

1.3
1.3.1

Probabilit es : motivation
Solution de lexemple 1 par probabilit es conditionnelles

On note lensemble des arrangements de 2 etudiants parmi 57, muni de la probabilit e uniforme. La probabilit e de l ev` enement A, cest la probabilit e de tirer en premier une lle du groupe 3, soit 3/57, multipli ee par la probabilit e, sachant quon a dej` a tir e une lle du groupe 3, de tirer un gar con du groupe 4, soit P (A) = P (F 3) P (G4|F 3) = 3 P (G4|F 3). 57

Or une fois quon a tir e une lle du groupe 3, il reste ` a tirer un etudiant dans un paquet de 56 qui 19 319 357 compte 19 gar cons du groupe 4, donc P (G4|F 3) = 56 . Il vient P (A) = 57 56 = 3192 . Idem pour B , C et D. Donc P (E ) = 357 250 250 357 1214 + + + = = 0.38. 3192 3192 3192 3192 3192

En fait, on a not e F 3 l ev` enement {le premier tirage est une lle du groupe 3} et G4 l ev` enement {le second tirage est un gar con du groupe 4}. Alors A = F 3 G4, et on a utilis e le principe P (F 3 G4) = P (F 3) P (G4|F 3). Exemple 16 Quelle est la probabilit e que tous les etudiants dans la salle aient des dates danniversaires distinctes ? On fait lhypoth` ese que les dates danniversaires des 57 etudiants sont ind ependantes et que pour chaque etudiant, toutes les dates de 1 ` a 365 sont equiprobables. Soit ={listes de 57 dates danniversaire}. Alors card = 36557 = 10146 . Soit E ={listes de 57 dates danniversaires toutes distinctes}={arrangements de 57 dates parmi 365}. Do` u P (E ) = A57 365 = 0.00988. 36557

On peut aussi raisonner par probabilit es conditionnelles. Soit An l ev` enement {les n premi` eres dates sont distinctes} et Bn l ev` enement {la n-` eme est distincte des n 1 dates pr ec edentes}. Alors

6 An = Bn An1 , et P (Bn |An1 ) = P (An ) = = = = On conclut car E = A57 = 0.00988.


365n+1 , 365

CHAPITRE 1. PROBABILITES do` u

P (Bn An1 ) P (An1 ) P (Bn |An1 ) 365 n + 1 P (An1 ) 365 365 n + 2 365 n + 1 365 1 . 365 365 365

1.4
1.4.1

Probabilit e sur un ensemble ni


Ev` enement al eatoire

Historiquement, la notion de probabilit e sest d egag ee ` a partir dexemples simples emprunt es aux jeux de hasard (le mot hasard vient de larabe az-zahr : le d e). Nous allons introduire cette notion en lassociant ` a un exemple : le jeu de d e. DEFINITIONS Une exp erience al eatoire est une exp erience dont on ne peut pr evoir le r esultat. On peut alors lui associer alors un univers appel e aussi ensemble fondamental de lexp erience qui est lensemble de tous les r esultats possibles de lexp erience al eatoire. On le note . Un ev enement al eatoire est un sous-ensemble de . On dit que l ev enement A est r ealis e si le r esultat de lexp erience appartient ` a A. Si un ev enement ne contient quun seul el ement, on dit que cest un ev enement el ementaire. EXEMPLE Lexp erience est le jet dun d e cubique ordinaire. Le r esultat de lexp erience est le nombre indiqu e sur la face sup erieure du d e. = {1, 2, 3, 4, 5, 6}.

L ev enement obtenir un nombre pair est le sous-ensemble A = {2, 4, 5} de . Si la face sup erieure du d e indique 5, A nest pas r ealis e. Si elle indique 4, A est r ealis e. B = {1} est un des 5 . ev enements el ementaires de

1.4.2

De la fr equence ` a la probabilit e de r ealisation dun ev` enement al eatoire

La fr equence th eorique dun ev enement est la limite de la fr equence de r ealisation de cet ev enement lorsque le nombre de r ep etitions dune m eme exp erience tend vers linni (cest ce quexprime une des lois de la th eorie des probabilit es appel ee la loi faible des grands nombres). Cela signie que si lon veut conna tre la fr equence th eorique dapparition du nombre 6 dans notre jet de d e, il sut de le lancer un grand nombre de fois, 10000 par exemple. La fr equence th eorique cherch ee, que lon appellera probabilit e de r ealisation de l ev enement el ementaire {6}, sera tr` es voisine de la fr equence exp erimentale dapparition du nombre 6 au cours de nos 10000 lancers. Elle sera encore plus voisine de la fr equence exp erimentale obtenue lors de 100000 lancers. Le grand nombre de r ep etitions de lexp erience al eatoire eace la notion de chance. La notion de fr equence th eorique ou de probabilit e va permettre dindiquer si, lors dune exp erience al eatoire, un ev enement donn e est plus ou moins susceptible d etre r ealis e. Les probabilit es peuvent etre class ees suivant trois crit` eres : Une probabilit e ` a priori est une probabilit e d etermin ee ` a lavance, sans eectuer aucune exp erience.

SUR UN ENSEMBLE FINI 1.4. PROBABILITE

Exemple. On peut ` a priori accorder une probabilit e de 0.5 ` a ev enement qui consiste ` a obtenir le c ot e face dune pi` ece de monnaie non truqu ee. La probabilit e empirique dun ev enement est d etermin ee ` a laide de lobservation et de lexp erimentation. Cest la valeur limite de la fr equence de r ealisation de ev enement lorsque lexp erience est r ealis ee un tr` es grand nombre de fois. Exemple. Si lorsquon a lanc e la pi` ece de monnaie 10000 fois on constate que la fr equence du c ot e face se stabilise autour de 0.65, il faut envisager de r eviser notre probabilit e` a priori et conclure que la pi` ece est truqu ee. Ce type de probabilit e joue un r ole important pour les pr evisions darticles en stock chez un d etaillant, pour le calcul des primes des compagnies dassurances, etc... La probabilit e subjective est le dernier type de probabilit e. Elle intervient lorsquil est impossible d etablir une probabilit e` a priori ou une probabilit e empirique. Exemple. Le directeur dune entreprise peut en se ant ` a son exp erience armer quil y a une probabilit e de 0.6 que ses employ es d eclenchent une gr` eve. Nous nous int eresserons principalement aux deux premiers types de probabilit e. Vu quune probabilit e peut etre consid er ee comme une fr equence id eale, on lui conna t davance certaines propri et es. Une probabilit e est une quantit e sans dimension. Elle est toujours comprise entre 0 et 1. Lunivers a la probabilit e maximum d etre r ealis e, car cest l ev enement certain. Sa probabilit e de r ealisation est donc egale ` a 1. Si A et B sont incompatibles (ensembles disjoints), la fr equence de r ealisation de l ev enement A ou B est la somme de la fr equence de r ealisation de A et de la fr equence de r ealisation de B.

1.4.3

Propri et es des probabilit es dun ev` enement al eatoire

D enition 17 Si lunivers est constitu e de n ev enements el ementaires {ei }, une mesure de probabilit e sur consiste a ` se donner n nombres pi [0, 1], les probabilit es des ev enements el ementaires, tels que
n

pi = 1 .
i=1

Si l ev enement A est la r eunion disjointe de k ev enements el ementaires {ei }, avec 0 < k < n, la probabilit e de A vaut, par d enition,
k k k

p(A) = p( Par suite, 0 p(A) 1.

{ ei } ) =
i=1

p(ei ) =
i=1

pi .

i=1

La signication concr` ete de la probabilit e dun ev enement A est la suivante. Dans une exp erience al eatoire, plus p(A) est proche de 1, plus A a de chances d etre r ealis e ; plus p(A) est proche de 0, moins il a de chances d etre r ealis e. Exemple 18 Probabilit e uniforme ou equiprobabilit e : tous les Pi valent 1/n. La probabilit e dun k cardA sous-ensemble a `k el ements vaut alors p(A) = = . n card On exprime aussi cette propri et e par la formule p(A) = Nombre de cas favorables . Nombre de cas possibles

Les propri et es suivantes d ecoulent de la d enition.

CHAPITRE 1. PROBABILITES

Propri et e 19 Si A et B sont incompatibles, i.e., si leur intersection A B est vide, alors p(A B ) = p(A) + p(B ).

Propri et e 20 Si B est un sous-ensemble de A, B A p(B ) p(A). En eet, B = A (B \ A). Or A et B \ A sont incompatibles (B \ A est lensemble des el ements de B qui ne sont pas el ements de A). Donc p(B ) = p(A) + p(B \ A). Comme p(B \ A) est positive, on obtient le r esultat annonc e.

Propri et e 21 On appelle l ev` enement impossible, puisquil nest jamais r ealis e. Sa probabilit e vaut p() = 0. l Propri et e 22 On note A ev` enement contraire de A. Cest le compl ementaire de A dans . Sa probabilit e vaut ) = 1 p(A). p(A

Propri et e 23 (Th eor` eme des probabilit es totales). Si A et B sont deux sous-ensembles de , p(A B ) = p(A) + p(B ) p(A B ). Preuve. p(A) = p(A \ B ) + p(A B ) car A \ B et A B sont incompatibles. De m eme p(B ) = p(B \ A) + p(A B ) car B \ A et A B sont incompatibles. De plus, p(A B ) = p(A \ B ) + p(B \ A) + p(A B ), car A \ B , B \ A et A B sont incompatibles. En additionnant, il vient p(A B ) = p(A) + p(B ) p(A B ).

CONJOINTE 1.5. PROBABILITE

Propri et e 24 (G en eralisation du th eor` eme des probabilit es totales ou r` egle de laddition). Si A1 , . . . , Ak forment une partition de , i.e. ils sont deux a ` deux disjoints (i = j Ai Aj = ),
k

et =
j =1

Aj , alors
k

p(Aj ) = 1.
j =1

Dans cette situation, on dit parfois que les Aj forment un syst` eme complet d ev` enements.

3 2 4

1.5

Probabilit e conjointe

La probabilit e que deux ev enements A et B se r ealisent est appel ee probabilit e conjointe de A et B , not ee p(A B ) et s enon cant probabilit e de A et B . Le calcul de cette probabilit e seectue de mani` ere di erente selon que A et B sont d ependants ou ind ependants, cest-` a-dire selon que la r ealisation de lun inuence ou non celle de lautre.

1.5.1

Ev enements ind ependants

Exemple 25 Je lance un d e rouge et un d e vert et je cherche la probabilit e dobtenir un total de 2. Je dois donc obtenir 1 avec chacun des deux d es. La probabilit e dobtenir 1 avec le d e rouge est 1/6 et demeurera 1/6 quelque soit le r esultat du d e vert. Les deux ev enements obtenir 1 avec le d e rouge et obtenir 1 avec le d e vert sont ind ependants. Propri et e 26 Si deux ev enements sont ind ependants, la probabilit e quils se r ealisent tous les deux est egale au produit de leurs probabilit es respectives. On peut donc ecrire : p(A B ) = p(A) p(B ). Dans notre exemple : p(total = 2) = p(d e vert = 1) p(d e rouge = 1) = 1/36. Remarque 27 Les tirages avec remise constituent une bonne illustration d ev enements ind ependants.

1.5.2

Ev enements d ependants - probabilit e conditionnelle

Si deux ev enements sont d ependants plut ot quind ependants, comment calculer la probabilit e que les deux se r ealisent, puisque la probabilit e de r ealisation de lun d epend de la r ealisation de lautre ? Il nous faut conna tre pour cela le degr e de d ependance des deux ev enements qui est indiqu e par la notion de probabilit e conditionnelle. D enition 28 Soient A et B deux ev enements, A etant suppos e de probabilit e non nulle. On appelle probabilit e conditionnelle de B par rapport a ` A, la probabilit e de r ealisation de l ev enement B sachant que A est r ealis e. On la note p(B |A) = p(A B ) . p(A)

10 p(B |A) se lit p de B si A ou p de B sachant A.

CHAPITRE 1. PROBABILITES

Remarque 29 Lapplication : pB : A pB (A) = p(A|B ), [0, 1], est une probabilit e sur et v erie toutes les propri et es dune probabilit e. Th eor` eme 1 (Th eor` eme des probabilit es compos ees ou r` egle de la multiplication). p(A B ) = p(B |A)p(A) = p(A|B )p(B ). En voici une g en eralisation. Soit A1 , . . . , Ak un syst` eme complet d ev` enements. Alors
k k

p(B ) =
j =1

p(B Aj ) =
j =1

p(Aj )p(B |Aj ).

Th eor` eme 2 (Formule de Bayes). Soit A1 , . . . , Ak un syst` eme complet d ev` enements. Soit E un ev` enement de probabilit e non nulle. Alors p(Aj |E ) = p(Aj E ) = p(E ) p(Aj )p(E |Aj )
k i=1

p(Ai )p(E |Ai )

Remarque 30 Les tirages sans remise constituent une bonne illustration d ev enements d ependants. Exercice 31 Une urne contient 5 boules noires et 3 boules blanches. Quelle est la probabilit e dextraire 2 boules blanches en 2 tirages ? Solution de lexercice 31. Tirage sans remise. Appelons B1 , l ev enement : obtenir une boule blanche au premier tirage. Appelons B2 , l ev enement : obtenir une boule blanche au deuxi` eme tirage. La probabilit e cherch ee p(B1 B2 ) est egale ` a p(B1 ) p(B2 |B1 ). Or p(B1 ) vaut 3/8 et p(B2 |B1 ) est egale ` a 2/7 puisque lorsquune boule blanche est sortie au premier tirage, il ne reste plus que 2 3 3 7 = 28 . 7 boules au total, dont 2 seulement sont blanches. On conclut que p(B1 B2 ) = 8

1.6

Comment aborder un exercice de probabilit es ?

Dans de nombreux probl` emes, la recherche des solutions peut etre facilit ee par la d emarche suivante. 1. D eterminer la liste des ev enements el ementaires ou d ecrire le contenu de lunivers . 2. Rechercher la mesure de probabilit e associ ee ` a cet univers. Soit la probabilit e est uniforme et dans ce cas, la probabilit e dun ev enement A est donn ee A . par p(A) = card card Soit on d etermine la probabilit e de chaque ev enement el ementaire en noubliant pas que la somme de toutes les probabilit es de ces ev enements el ementaires est egale ` a 1. 3. Identier correctement le ou les ev enements dont on cherche ` a evaluer la probabilit e. 4. Utiliser la formule appropri ee permettant de calculer la probabilit e demand ee. On pourra se poser la question suivante : Doit-on calculer la probabilit e? Dun ev enement el ementaire ? Dun ev enement contraire ? enements compatibles ou incompatibles (probabilit Ev es totales) ? enements d Ev ependants ou ind ependants (probabilit es compos ees) ? Exercice 32 points ? 1. On jette deux d es non pip es. Quelle est la probabilit e dobtenir un total de 7

2. Cette fois-ci les d es sont pip es : les num eros pairs sont deux fois plus probables que les num eros impairs. Quelle est la probabilit e dobtenir un total di erent de 8 ?

? 1.6. COMMENT ABORDER UN EXERCICE DE PROBABILITES Solution de lexercice 32. D es pip es.

11

1. Lunivers est lensemble de tous les r esultats possibles lorsquon jette deux d es. Imaginons que les deux d es sont reconnaissables et les r esultats sont donc tous les couples (a, b) o` ua et b sont des nombres compris entre 1 et 6. Il contient donc 36 el ements. On peut ecrire = {1, 2, 3, 4, 5, 6} {1, 2, 3, 4, 5, 6} et card() = 36. Tous les r esultats possibles sont equiprobables. La mesure de probabilit e est donc uniforme sur . L ev enement dont on cherche la probabilit e est (somme = 7). Il est compos e des ev enements el ementaires (1, 6), (6, 1), (2, 5) , (5, 2), (3, 4), (4, 3). Ils sont au nombre de 6. On peut ecrire : card(somme = 7) = 6. 6 1 A Finalement, etant donn e que p(A) = card card , on obtient p(somme = 7) = 36 = 6 . 2. Lunivers est toujours le m eme. On cherche ` a d eterminer la mesure de probabilit e sur dans le cas o` u les d es sont truqu es : elle nest plus uniforme. Il faut r epondre ` a la question : lorsquon lance un seul d e, quelle est la probabilit e de chaque num ero ? Tous les num eros pairs ont la m eme probabilit e que lon note pp ; tous les num eros impairs i ont la m eme probabilit e que lon note p . L enonc e nous permet d ecrire que pp = 2pi . Dautre part, etant donn e que les num eros 1,2,3,4,5,6 constituent lensemble des r esultats dun jet de d e, la somme des probabilit es de ces 6 r esultats vaut 1. Do` u 3pp + 3pi = 1, 2 p soit encore 9pi = 1. Do` u pi = 1 9 et p = 9 . L ev enement dont on cherche la probabilit e est (somme = 8). Chercher directement la probabilit e de cet ev enement nous obligerait ` a consid erer beaucoup de cas. Il sera donc plus rapide de d eterminer dabord la probabilit e de l ev enement contraire (somme = 8). Ce dernier est constitu e des ev enements el ementaires (2, 6), (6, 2), (3, 5), (5, 3), (4, 4). Les r esultats des deux d es sont ind ependants. Nous pouvons donc armer que p({(2, 6)}) = p({2}) p({6}) = 2 2 4 = . 9 9 81
1 81

4 , alors que p({(5, 3)}) = p({(3, 5)}) = De m eme, p({(6, 2)}) = p({(4, 4)}) = 81 14 Finalement p(somme = 8) = 81 et p(somme = 8) = 67 81 .

12

CHAPITRE 1. PROBABILITES

Chapitre 2

Variables al eatoires
2.1 D enition

Exemple 33 On jette deux fois une pi` ece de monnaie non truqu ee, et on sint eresse au nombre de fois que le c ot e face a et e obtenu. Pour calculer les probabilit es des divers r esultats, on introduira une variable X qui d esignera le nombre de face obtenu. X peut prendre les valeurs 0,1,2. Exemple 34 On lance une echette vers une cible circulaire de rayon egal a ` 50 cm et on sint eresse a ` la distance entre la echette et le centre de la cible. On introduira ici une variable X , distance entre limpact et le centre de la cible, qui peut prendre nimporte quelle valeur entre 0 et 50. Dans ces deux cas, X prend des valeurs r eelles qui d ependent du r esultat de lexp erience al eatoire. Les valeurs prises par X sont donc al eatoires. X est appel ee variable al eatoire. D enition 35 Soit un univers associ e a ` une exp erience al eatoire, sur lequel on a d eni une mesure de probabilit e. Une variable al eatoire X est une application de lensemble des ev enements el ementaires de lunivers vers R (v eriant quelques conditions math ematiques non explicit ees ici). Une variable al eatoire est une variable (en fait une fonction !) qui associe des valeurs num eriques a des ` ev enements al eatoires. Par convention, une variable al eatoire sera repr esent ee par une lettre majuscule X alors que les valeurs particuli` eres quelle peut prendre seront d esign ees par des lettres minuscules x1 , x2 , . . . , xi , . . . , xn . Les deux variables al eatoires d enies dans les exemples 33 et 34 sont de natures di erentes. La premi` ere est discr` ete, la seconde continue.

2.2

Variables al eatoires discr` etes

D enition 36 Une variable al eatoire discr` ete est une variable al eatoire qui ne prend que des valeurs enti` eres, en nombre ni ou d enombrable. Pour appr ecier pleinement une variable al eatoire, il est important de conna tre quelles valeurs reviennent le plus fr equemment et quelles sont celles qui apparaissent plus rarement. Plus pr ecis ement, on cherche les probabilit es associ ees aux di erentes valeurs de la variable D enition 37 Associer a ` chacune des valeurs possibles de la variable al eatoire la probabilit e qui lui correspond, cest d enir la loi de probabilit e ou la distribution de probabilit e de la variable al eatoire. 13

14

CHAPITRE 2. VARIABLES ALEATOIRES

Pour calculer la probabilit e que la variable X soit egale a ` x, valeur possible pour X , on cherche tous les ev enements el ementaires ei pour lesquels X (ei ) = x, et on a
k

p(X = x) =
i=1

p({ei }),

si X = x sur les ev enements el ementaires e1 , e2 , . . . , ek . La fonction de densit e discr` ete f est la fonction de R dans [0, 1], qui ` a tout nombre r eel xi associe f (xi ) = p(X = xi ). On a bien s ur i f (xi ) = 1. Exemple 38 Cas de lexemple 33. La variable X = nombre de c ot es face peut prendre les valeurs 0,1,2. f (0) = f (1) = f (2) = f (x) = p(X = 0) = p((pile, pile)) = 1 ; 4 1 ; 2 1 ; 4

p(X = 1) = p((pile, face)) + p((face, pile)) = p(X = 2) = p((face, face)) = 0 si x / {0, 1, 2}.

On pr esente sa distribution de probabilit e dans un tableau. x f (x) = p(X = x) 0 1/4 1 1/2 2 1/4 total 1

2.2.1

Repr esentation graphique de la distribution de probabilit e

Elle seectue ` a laide dun diagramme en b atons o` u lon porte en abscisses les valeurs prises par la variable al eatoire et en ordonn ees les valeurs des probabilit es correspondantes. Dans lexemple du jet de pi` eces :

1/2 1/4 0 1 2 x

2.2.2

Fonction de r epartition

En statistique descriptive, on a introduit la notion de fr equences cumul ees croissantes. Son equivalent dans la th eorie des probabilit es est la fonction de r epartition. D enition 39 La fonction de r epartition dune variable al eatoire X indique pour chaque valeur r eelle x la probabilit e que X prenne une valeur au plus egale a ` x. Cest la somme des probabilit es des valeurs de X jusqu` a x. On la note F .

x R,

F (x) = p(X x) =
x i x

p(X = xi ).

La fonction de r epartition est toujours croissante, comprise entre 0 et 1 et se r ev elera un instrument tr` es utile dans les travaux th eoriques.

2.3. VARIABLES ALEATOIRES CONTINUES

15

2.3

Variables al eatoires continues

D enition 40 Une variable al eatoire est dite continue si elle peut prendre toutes les valeurs dun intervalle ni ou inni.

2.3.1

Fonction de densit e de probabilit e

Dans le cours de statistique descriptive, nous avons appris ` a repr esenter la distribution dune variable statistique continue (ou ` a caract` ere continu) a ` laide dun histogramme de fr equences, qui est une s erie de rectangles. Laire de chaque rectangle est proportionnelle ` a la fr equence de la classe qui sert de base au rectangle. Si lon augmentait ind eniment le nombre dobservations en r eduisant graduellement lintervalle de classe jusqu` a ce quil soit tr` es petit, les rectangles correspondant aux r esultats vont se multiplier tout en devenant plus etroits et ` a la limite vont tendre ` a se fondre en une surface unique limit ee dune part par laxe des abscisses et dautre part par une courbe continue.

On abandonne alors la notion de valeur individuelle et lon dit que la distribution de probabilit e est continue. La courbe des fr equences relatives id ealis ee est alors la courbe repr esentative dune fonction de densit e de probabilit e f. Pour une variable statistique continue, laire des rectangles etait un t emoin d` ele de la fr equence de chaque classe. Il en va en de m eme pour une variable al eatoire continue mais il faudra raisonner a pr ` esent sur des classes inniment petites damplitude dx. L el ement innit esimal daire f (x) dx repr esente la probabilit e que X appartienne ` a un intervalle damplitude dx, p(x < X x + dx) = f (x) dx. f a donc les propri et es suivantes : a) La courbe dune fonction de densit e de probabilit e est toujours situ ee au dessus de laxe des abscisses donc f est une fonction toujours positive. b) La probabilit e que la variable al eatoire X soit comprise entre les limites a et b cest-` a-dire p(a X b), est egale ` a laire entre laxe des abscisses, la courbe repr esentative de la fonction de densit e de probabilit e et les droites d equations x = a et x = b,
b

p(a < X b) =
a

f (x) dx

p(a<X<b)

0000000 1111111 1111111 0000000 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000000 1111111111 0000000 1111111 0000000000 1111111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111 0000000 1111111

c) Laire totale comprise entre la courbe et laxe des abscisses est egale ` a1: f (x) dx = 1.
R

d) Alors quune probabilit e est sans dimension, une densit e de probabilit e a pour dimension celle de linverse de X : [X 1 ]. e) Il r esulte de a et c quune densit e de probabilit e est une fonction int egrable au sens de Lebesgue sur R.

16

CHAPITRE 2. VARIABLES ALEATOIRES

Remarque 41 Le cas o` u on a une courbe continue est un cas th eorique qui supposerait : un nombre inni de mesures de la variable statistique une sensibilit e tr` es grande de lappareil de mesure. Nous supposerons toutefois que nous sommes dans ce cas lorsque nous serons en pr esence dun grand nombre de mesures.

2.3.2

Fonction de r epartition

De m eme que pour les variables al eatoires discr` etes, on peut d enir la fonction de r epartition F de la variable continue X qui permet de conna tre la probabilit e que X soit inf erieure ` a une valeur donn ee :
x

F (x) = p(X x) =

f (t) dt.

Propri et e 42 2. x R, 3.
x

1. F est continue et croissante sur R. F (x) = f (x).


x+

lim F (x) = 0,

lim F (x) = 0.

4. p(a X b) = F (b) F (a). Exercice 43 Soit f la fonction d enie sur R par f (x) = kex si x 0, f (x) = 0 sinon. 1. D eterminer k pour que f soit la fonction de densit e de probabilit e dune variable al eatoire X. 2. D eterminer la fonction de r epartition de la variable X . 3. Calculer p(1 < X < 2). Solution de lexercice 43. Densit e de probabilit e. 1. f doit etre une fonction positive, donc il nous faut imp erativement trouver pour k une valeur positive. Une fonction de densit e de probabilit e doit v erier R f (x) dx = 1, donc + x ke dx = 1. Il en r esulte que k = 1. 0 2. Par d enition la fonction de r epartition de X est la fonction F d enie par
x

F (x)

=
0

et dt = 1 ex si x > 0, 0 sinon.

= 3.

p(1 < X < 2) =


1

ex dx = e1 e2 0.23.

2.4

Couples de variables al eatoires

Il existe beaucoup de situations o` u lint er et se porte sur la r ealisation conjointe d ev enements associ es ` a deux (ou plusieurs) variables al eatoires. Nous allons envisager deux cas : celui o` u les variables sont discr` etes et celui o` u elles sont continues.

2.4. COUPLES DE VARIABLES ALEATOIRES

17

2.4.1

Couples de variables al eatoires discr` etes

Loi de probabilit e conjointe Consid erons deux variables al eatoires discr` etes X et Y . Il nous faut pour mod eliser le probl` eme une fonction qui nous donne la probabilit e que (X = xi ) en m eme temps que (Y = yj ). Cest la loi de probabilit e conjointe. D enition 44 Soient X et Y deux variables al eatoires discr` etes dont lensemble des valeurs possibles sont respectivement {x1 , x2 , . . . , xn } et {y1 , y2 , . . . , ym }. Associer a ` chacune des valeurs possibles (xi , yj ) du couple (X, Y ), la probabilit e f (xi , yj ), cest d enir la loi de probabilit e conjointe ou fonction de densit e conjointe des variables al eatoires X et Y , f (xi , yj ) = p((X = xi ) et (Y = yj )). Le couple (X, Y ) sappelle variable al eatoire ` a deux dimensions et peut prendre m n valeurs. Proposition 45
n m

1. Pour tout i = 1, 2, . . . , n et j = 1, 2, . . . , m, 0 f (xi , yj ) 1.

2.
i=1 j =1

f (xi , yj ) = 1.

On peut repr esenter graphiquement f sous forme dun diagramme en b atons en trois dimensions. Exemple 46 Soit X le nombre de piques obtenus lors du tirage dune carte dans un jeu ordinaire de 52 cartes et Y le nombre de piques obtenus dans un deuxi` eme tirage, la premi` ere carte n etant pas remise. X et Y ne prennent que les valeurs 0 (pas de pique) ou 1 (un pique). D etermination de la loi du couple (X, Y ). 13 39 39 38 = 0.56, f (1, 0) = = 0.19, 52 51 52 51 39 13 39 12 f (0, 1) = = 0.19, f (1, 1) = = 0.06. 52 51 52 51 On v erie que la somme de ces valeurs est egale ` a 1. On repr esente f sous forme dun diagramme en b atons en trois dimensions. f (0, 0) =
f(x,y) f(0,0)=0.56

0 0 x 1

1 y

Loi de probabilit e marginale Lorsquon conna t la loi conjointe des variables al eatoires X et Y , on peut aussi sint eresser ` a la loi de probabilit e de X seule et de Y seule. Ce sont les lois de probabilit e marginales. D enition 47 Soit (X, Y ) une variable al eatoire a ` deux dimensions admettant comme loi de probabilit e conjointe f (x, y ). Alors, les lois de probabilit e marginales de X et Y sont d enies respectivement par
m

fX (xi ) = fY (yj ) =

p(X = xi ) =
j =1 n

f (xi , yj ) pour i = 1, 2, . . . , n, f (xi , yj ) pour j = 1, 2, . . . , m.


i=1

p(Y = yi ) =

18

CHAPITRE 2. VARIABLES ALEATOIRES

Si la loi de probabilit e conjointe du couple (X, Y ) est pr esent ee dans un tableau ` a double entr ee, nous obtiendrons la loi de probabilit e marginale fX de X en sommant les f (xi , yj ), suivant lindice j (par colonnes) et celle de Y , fY , en sommant les f (xi , yj ) suivant lindice i (par lignes). Exemple 48 Lois marginales de lexemple 46. X = x1 = 0 X = x2 = 1 fY (yj ) Y = y1 = 0 0.56 0.19 0.75 Y = y2 = 1 0.19 0.06 0.25 fX (xi ) 0.75 0.25 1.00

Remarque 49 Le couple (X, Y ) et les deux variables X et Y constituent trois variables al eatoires distinctes. La premi` ere est a ` deux dimensions, les deux autres a ` une dimension. Loi de probabilit e conditionnelle Nous avons vu dans le paragraphe pr ec edent comment d eterminer la probabilit e de r ealisation de deux ev enements lorsquils sont d ependants lun de lautre. Pour cela, nous avons introduit la notion de probabilit e conditionnelle en posant p(B |A) = p(B A) . p(A)

La notion equivalente dans le cas dun couple de variables al eatoires est celle de loi de probabilit e conditionnelle permettant de mesurer la probabilit e que X soit egale ` a une valeur donn ee lorsquon conna t d ej` a la valeur que prend Y . D enition 50 Soit la variable al eatoire (X, Y ) a ` deux dimensions admettant comme loi conjointe f (x, y ) et comme lois marginales fX (x) et fY (y ). Si lon suppose que la probabilit e que X prenne la valeur xi nest pas nulle, alors la probabilit e conditionnelle de (Y = yj ) sachant que (X = xi ) sest r ealis e est d enie par f (yj |xi ) = f (xi , yj ) . fX (xi )

Les probabilit es f (yj |xi ) associ ees aux di erentes valeurs possibles yj de Y constituent la loi de probabilit e conditionnelle de Y . De m eme, si lon suppose que la probabilit e que Y prenne la valeur yj nest pas nulle, alors la probabilit e conditionnelle de (X = xi ) sachant que (Y = yj ) sest r ealis e est d enie par f (xi |yj ) = f (xi , yj ) . fY (yj )

Les probabilit es f (xi |yj ) associ ees aux di erentes valeurs possibles xi de X constituent la loi de probabilit e conditionnelle de X . Cas de variables al eatoires ind ependantes Lorsque deux variables al eatoires X et Y sont ind ependantes, la loi conditionnelle de X , pour toute valeur de Y , est identique ` a la loi marginale de X et lorsque la loi conditionnelle de Y , pour toute valeur de X , est identique ` a la loi marginale de Y . Autrement dit, Proposition 51 Soit (X, Y ) une variable al eatoire a ` deux dimensions admettant comme loi de probabilit e conjointe la fonction f (x, y ) et comme lois de probabilit e marginales fX (x) et fY (y ). Les variables al eatoires X et Y sont ind ependantes si et seulement si les probabilit es conjointes sont egales au produit des probabilit es marginales, f (xi , yj ) = fX (xi ) fY (yj ) pour toutes les valeurs (xi , yj ).

2.4. COUPLES DE VARIABLES ALEATOIRES

19

Pour conclure que deux variables ne sont pas ind ependantes, il sut de trouver une valeur du couple (X, Y ) pour laquelle la relation pr ec edente nest pas satisfaite. Exemple 52 Dans lexemple du tirage de cartes, nous savons, par exemple que p((X = 0) et (Y = 1)) = f (0, 1) = 0.19, alors que p(X = 0) p(Y = 1) = fX (0) fY (1) = 0.75 0.25 = 0.188. Conclusion : les variables X et Y sont d ependantes, ce qui para t coh erent etant donn e que le tirage etait eectu e sans remise.

2.4.2

Couple de variables al eatoires continues

Dans le cas de deux variables continues X et Y , le couple (X, Y ) est dit continu. Fonction de densit e de probabilit e conjointe La distribution de probabilit e conjointe de X et de Y est d ecrite par une fonction de densit e de probabilit e conjointe f (x, y ) d enie pour chaque valeur (x, y ) du couple (X, Y ). La fonction f d etermine une surface au-dessus de lensemble des valeurs (x, y ). On a p((X, Y ) D) = volume sous la surface repr esentative de f et au-dessus du domaine D du plan (xOy ). Dans le cas o` u D est un rectangle [c, d] [u, v ], p((c < X d) et (u < Y v )) =
[c,d][u,v ]

f (x, y ) dx dy.

Propri et e 53 2.
R2

1. Pour tout couple (x, y ) R2 , f (x, y ) 0.

f (x, y ) dx dy = 1.

3. Il en r esulte quune densit e de probabilit e conjointe est une fonction int egrable au sens de Lebesgue sur R2 . Densit e de probabilit e marginale De m eme que pour les couples de variables al eatoires discr` etes, on d enit les fonctions densit es de probabilit e marginales et conditionnelles. Pour les d enir dans le cas continu, il sut de remplacer les sommes du cas discret par des int egrales. D enition 54 Soit (X, Y ) une variable al eatoire continue a ` deux dimensions admettant comme densit e de probabilit e conjointe la fonction f (x, y ). Alors, les densit es de probabilit e marginales de X et Y sont d enies respectivement par fX (x) =
R

f (x, y ) dy pour x R, f (x, y ) dx pour y R.


R

fY (y ) = Variables ind ependantes

Proposition 55 Deux variables continues X et Y sont ind ependantes si et seulement si la fonction de densit e de probabilit e conjointe est egale au produit des fonctions de densit e marginales. Autrement dit, pour tout couple (x, y ) R2 , f (x, y ) = fX (x)fY (y ).

20 Dans ce cas, le th eor` eme de Fubini-Tonelli donne p((c < X d) et (u < Y v )) =

CHAPITRE 2. VARIABLES ALEATOIRES

f (x, y ) dx dy
[c,d][u,v ] d v

=
c

fX (x) dx
u

fY (y ) dy .

2.5

Param` etres descriptifs dune distribution

En statistique descriptive, nous avons caract eris e les distributions statistiques des valeurs observ ees par certains nombres repr esentatifs qui r esumaient de fa con commode et assez compl` ete la distribution. Pour appr ecier la tendance centrale dune s erie dobservations, nous avons employ e, entre autres, la moyenne arithm etique et pour caract eriser la dispersion de la s erie autour de la moyenne, nous avons introduit la variance ou l ecart quadratique moyen.

2.5.1

Esp erance math ematique dune distribution de probabilit e

Si lon simagine que le nombre dobservations cro t ind eniment (on passe dun echantillon de taille n ` a la population toute enti` ere), les fr equences observ ees vont tendre vers les probabilit es th eoriques et on admet que la moyenne calcul ee sur l echantillon de taille n va tendre vers une valeur limite qui sera la moyenne de lensemble des valeurs de la population enti` ere. On lappelle esp erance math ematique de la variable al eatoire X , car cest la valeur moyenne que lon sattend a avoir dans un ` echantillon de grande taille. D enition 56 1. Cas dune variable discr` ete Soit X une variable al eatoire discr` ete qui prend un nombre ni de valeurs x1 , x2 , . . . , xn et dont la loi de probabilit e est f : f (xi ) = p(X = xi ). L esp erance math ematique de X , not ee E (X ), est d enie par
n

E (X ) =
i=1

xi f (xi ).

Si la variable al eatoire X prend un nombre d enombrable de valeurs x1 , x2 , . . . , xn , . . ., son esp erance math ematique est alors d enie par E (X ) = i=1 xi f (xi ), a ` condition que la s erie converge absolument. 2. Cas dune variable continue. Si la variable al eatoire X est continue et a pour fonction de densit e de probabilit e f , son esp erance math ematique est E (X ) =
R

xf (x) dx,

pourvu que la fonction x xf (x) soit int egrable sur R.

2.5.2

Variance dune distribution de probabilit es

En eectuant le m eme raisonnement que pr ec edemment pour passer dun echantillon de taille n` a la population totale, on suppose que la variance calcul ee sur l echantillon tend vers une limite lorsque le nombre dobservations tend vers linni. Cette limite est appel ee variance de la variable al eatoire X . D enition 57 On appelle variance de la variable al eatoire X la valeur moyenne des carr es des ecarts a ` la moyenne, V ar(X ) = E (X E (X ))2 .

` 2.5. PARAMETRES DESCRIPTIFS DUNE DISTRIBUTION Le calcul de la variance se simplie en utilisant lexpression : V ar(X ) = E (X 2 ) E (X )2 . On appelle ecart-type de la variable al eatoire X la racine carr ee de sa variance. (X ) = Dans le cas dune variable al eatoire continue, Dans le cas dune variable al eatoire discr` ete nie,
n n

21

V ar(X ).

V ar(X ) =
i=1

(xi E (X ))2 f (xi ) =


i=1

x2 i f (xi )

E (X )2 .

Dans le cas dune variable al eatoire continue, V ar(X ) =


R

(x E (X ))2 f (x) dx =
R

x2 f (x) dx E (X )2 .

2.5.3

Fonction caract eristique dune distribution de probabilit e

D enition 58 On appelle fonction caract eristique de la variable al eatoire X la fonction X d enie sur R par X (u) = E (e2iuX ). Dans le cas dune variable al eatoire discr` ete nie,
n

X (u) =
i=1

f (xi )e2iuxi .

Dans le cas dune variable al eatoire continue, X (u) =


R

e2iux f (x) dx.

Dans le cas continu, on constate que X = F f est la transform ee de Fourier de la densit e de probabilit e. Elle existe donc toujours puisque la densit e de probabilit e est int egrable au sens de Lebesgue. Proposition 59 Soit X une variable al eatoire qui poss` ede une esp erance et une variance. Alors E (X ) = V ar(X ) 1 d X (u)|u=0 , 2i du d2 d 1 X (u)|u=0 ( X (u)|u=0 )2 . = 2 4 du2 du

Preuve. Dans le cas discret, d X (u) = du d2 X (u) = du2


n

2ixi f (xi )e2iuxi = 2iE (Xe2iuX ),


i=1 n 2iuxi = 4 2 E (X 2 e2iuX ), 4 2 x2 i f (xi )e i=1

22 do` u
X (0) (X (0))2

CHAPITRE 2. VARIABLES ALEATOIRES

= 4 2 E (X 2 ) + 4 2 E (X )2 = 4 2 (E (X 2 ) E (X )2 ) = 4 2 V ar(X ).

Dans le cas continu, le calcul est le m eme, au moyen de la formule pour la d eriv ee de la transform ee de Fourier. Remarque 60 Une loi de probabilit e r egit le comportement dune variable al eatoire. Cette notion abstraite est associ ee a ` la population, cest-` a-dire a ` lensemble de tous les r esultats possibles dun ph enom` ene particulier. Cest pour cette raison que lesp erance et la variance de la loi de probabilit e, qui nont aucun caract` ere al eatoire, sont appel es param` etres de la distribution de probabilit e.

2.5.4

Propri et es de lesp erance math ematique et de la variance

R esumons les principales propri et es de ces deux param` etres dans un tableau. Changement dorigine E (X + c) = E (X ) + c V ar(X + c) = V ar(X ) (X + c) = (X ) X +c (u) = e2icu X (u) Changement d echelle E (aX ) = aE (X ) V ar(aX ) = a2 V ar(X ) (aX ) = |a| (X ) aX (u) = X (au) Transformation ane E (aX + c) = aE (X ) + c V ar(aX + c) = a2 V ar(X ) (aX + c) = |a| (X ) aX +c (u) = e2icu X (au)

D enition 61 Une variable al eatoire X est dite centr ee si son esp erance math ematique est nulle. Une variable al eatoire X est dite r eduite si son ecart-type est egal a ` 1. Une variable al eatoire centr ee r eduite est dite standardis ee. A nimporte quelle variable al eatoire X, on peut associer la variable standardis ee Z= X E (X ) . (X )

En divisant la variable centr ee par son ecart-type, une valeur situ ee ` a un ecart-type de la moyenne sera ramen ee ` a 1, une autre situ ee ` a deux ecarts-types sera ramen ee ` a 2 : l echelle de r ef erence, ou unit e de mesure, dune variable centr ee-r eduite est l ecart-type. Les valeurs des variables centr ees-r eduites sont compl` etement ind ependantes des unit es de d epart. Une mesure exprim ee en m` etres ou en centim` etres donne exactement la m eme variable centr ee-r eduite. On peut ainsi faire des comparaisons entre variables de natures di erentes. Si un enfant est ` a +3 ecarts-types de la moyenne pour sa taille et +1 ecart-type pour son poids, on sait quil est plus remarquable par sa taille que par son poids. Lexamen des variables centr ees-r eduites est tr` es pratique pour d eceler les valeurs anormalement grandes ou anormalement petites. Le passage dune variable al eatoire X ` a une variable standardis ee est requis pour lutilisation de certaines tables de probabilit e. Cest le cas pour lutilisation de la table de la loi normale que nous traiterons dans le prochain chapitre. Combinaisons de plusieurs variables al eatoires 1. Somme et di erence. Dans tous les cas, E (X + Y ) E (X Y ) = E (X ) + E (Y ), = E (X ) E (Y ).

` 2.5. PARAMETRES DESCRIPTIFS DUNE DISTRIBUTION Dans le cas de variables ind ependantes : V ar(X + Y ) = V ar(X Y ) = V ar(X ) + V ar(Y ), V ar(X ) + V ar(Y ).

23

2. Produit. Dans le cas de variables ind ependantes, E (XY ) = E (X )E (Y ). 3. Cons equence. Dans le cas de variables ind ependantes, X +Y = X Y . Ceci montre que, dans le cas de variables continues ind ependantes, la densit e de probabilit e de X + Y est le produit de convolution des densit es de probabilit e de X et de Y . Covariance de deux variables al eatoires Lorsque deux variables al eatoires ne sont pas ind ependantes, il existe une caract eristique qui permet de d eterminer lintensit e de leur d ependance. Cest la covariance. D enition 62 La covariance de deux variables al eatoires X et Y est d enie par Cov (X, Y ) = E [(X E (X )(Y E (Y )] = E (XY ) E (X )E (Y ). Proposition 63 1. Si deux variables al eatoires sont ind ependantes, leur covariance est nulle.

2. Attention : La r eciproque nest pas vraie. Deux variables de covariance nulle ne sont pas obligatoirement ind ependantes. 3. Si deux variables al eatoires sont d ependantes, E (XY ) = V ar(X + Y ) = E (X )E (Y ) + Cov (X, Y ), V ar(X ) + V ar(Y ) + 2Cov (X, Y )