Cours

Probabilits.
Variables alatoires.
indpendance de variables alatoires
Lois discrtes
Mesures et analyses statistiques des donnes.

Hicham Wadi
Master GSI - Risques Industriels et Maintenance.
19 octobre 2014
Lois continues
Probabilits.
Lois discrtes
Table des matires.

1
Probabilits.
Quest-ce quune probabilit ?
Probabilits conditionnelles.
Dnombrements
Quest-ce quune variable alatoire ?
Loi de probabilit dune variable alatoire.
Esprance et variance.
Notion dindpendance
Applications
Rgression linaire et mthode des moindres carrs
Loi faible des grands nombres.
Lois usuelles pour les variables alatoires discrtes.

Loi binomiale
Loi gomtrique
Loi binomiale ngative
Loi de Poisson
Lois usuelles pour les variables alatoires continues.
Loi uniforme.
Loi exponentielle.
Loi normale
Lois continues
Probabilits.
Lois discrtes
Lois continues
Expriences alatoires - vnements

Une exprience alatoire, par exemple le jet dun d, se caractrise par les
deux faits suivants :
1 Nous ne pouvons pas prdire avec certitude le rsultat.
2 Mais il est possible de dterminer lensemble de toutes les issues
possibles.
Notion dvnement
Lensemble des issues possibles sappelle l ensemble fondamental de
lexprience (alatoire) et est gnralement not . Tout sous ensemble de
sappelle un vnement
Quelques exemples : On jette un d = {1; 2; 3; 4; 5; 6}. Lensemble {2, 4, 6}
est lvnement La face du d est paire.
Exemple
Considrons lexprience qui consiste lancer successivement deux ds.
Quel est lensemble fondamental ?
Spcifier les ensembles qui caractrisent les vnements suivants :
A : La somme des points est gale six.
B : La somme des points est paire.
C : La somme des points est strictement infrieure six
Probabilits.
Lois discrtes
Lois continues
Le vocabulaire des vnements
sappelle lvnement impossible et lvnement certain.

Un vnement qui se rduit un lment sappelle un vnement
simple. {6} pour le lanc de d par exemple.
, cest dire si
On dit que B est lvnement contraire de A si B = A
A B = et si A B = .
Deux vnements A et B sont dits incompatibles si A B = . Rsultat
pair/impair pour le lanc de d par exemple.
On dit quun vnement A implique un vnement B si A B .
On dit que les vnements A1 , A2 , , An sont mutuellement exclusifs
sils sont incompatibles deux deux.
On dit que A1 , A2 , , An forment un systme complet dvnements
n
S
sils sont mutuellement exclusifs et si
Ak =
k =1
Probabilits.
Lois discrtes
Le concept de probabilit
Postulat de la thorie des probabilits
Supposons quon ralise un grand nombre N de fois une mme exprience
alatoire, si na est le nombre de fois quun vnement A se ralise, on
postule :
n
lim a = p(A )
N N
Le nombre p(A ) correspond la probabilit que lvnement A se ralise.
Axiomes de la thorie des probabilits
Pour tout vnement A , 0 P (A ) 1.
P () = 0 et P () = 1 (vnement impossible, vnement certain).
A et B tant deux vnements, P (A B ) = P (A ) + P (B ) P (A B )
Exercice
Montrer les galits suivantes et les illustrer par des exemples concrets :
) = 1 P (A ).
a) P (A
b) P (A B C ) =
P (A ) + P (B ) + P (C ) P (A B ) P (A C ) P (B C ) + P (A B C ).
c) Si A1 , A2 , , An forment un systme complet dvnements, alors pour
tout vnement A , P (A ) = P (A A1 ) + P (A A2 ) + + P (A An ).
Lois continues
Probabilits.
Lois discrtes
Lois continues
Probabilits conditionnelles I
Intuitivement, lorsque deux vnements A et B sont indpendants, on peut

crire P (A B ) = P (A ) P (B ). Lexercice suivant illustre cela :
Exercice
a) Considrons le cas du lanc de deux ds. Supposons que A soit un
vnement relatif au premier d et B un vnement relatif au second.
Pourquoi a-t-on ncessairement P (A B ) = P (A ) P (B ).
b) Montrer laide dun contre exemple quen gnral P (A B ) , P (A ) P (B )
.
Probabilits.
Lois discrtes
Lois continues
Probabilits conditionnelles II
Correction
a) Notons 1 et 2 les ensembles fondamentaux correspondant
respectivement aux jets du premier et du second d. Lensemble
fondamental associ au lanc des deux ds peut scrire = 1 2
(produit cartsien).
Dire que A est un vnement relatif au jet du premier d signifie que A est de
la forme A1 2 avec A1 1 ; de mme, B = 1 B2 avec B2 2 . On
peut par consquent crire A B = A1 B2 et donc
card (A B ) = card (A1 ) card (B2 ), do :
P (A B ) =
card (A1 ) card (B2 )

card (A1 ) card (B2 )
=
= P (A )P (B )
card (1 ) card (2 )
card (1 ) card (2 )
b) On peut dfinir : A est lvnement La somme des faces est paire et B :

La somme des faces est impaire. On a A B = do P (A B ) = 0,
pourtant P (A ) , 0 et P (B ) , 0.
Probabilits.
Lois discrtes
Probabilits conditionnelles III
Dfinition
A tant un vnement, lapplication PA qui tout vnement B associe le
P (A B )
nombre
sappelle la probabilit conditionnelle sachant A .
P (A )
On peut ainsi toujours crire P (A B ) = P (A ) PA (B ).
Thorme
Lapplication PA est une probabilit (elle en vrifie les axiomes).
Lois continues
Probabilits.
Lois discrtes
Lois continues
Probabilits conditionnelles - Exemples I
Exemple 1 : Cibles
Deux joueurs J1 et J2 tirent sur une cible. Nous supposons que J1 atteint la
cible 9 fois sur 10 et J2 6 fois sur 10. J2 joue 2 fois sur 3.
a) Quelle est la probabilit que la cible soit atteinte ?
b) Lun des joueurs atteint la cible. Quelle est la probabilit que ce soit J2 ?
Exemple 2 : Dpistage
Une maladie affecte une personne sur mille. On dispose dun test qui
dtecte cette maladie chez 99% des patients malades et qui donne un
rsultat faussement positif chez 0.2% des personnes saines testes. Une
personne est contrle positive. Quelle est la probabilit pour quelle soit
rellement malade ?
Probabilits.
Lois discrtes
Lois continues
Probabilits conditionnelles - Exemples II
Correction : cibles
a) Notons C lvnement "la cible est atteinte".
C1 (resp. C2 ) les vnements "la cible est atteinte par le joueur J1 " (resp.
J2 ).
Notons enfin J1 (resp. J2 ) les vnements "La joueur 1 tire" (resp. "le
joueur 2 tire").
S
On peut crire C = C1 C2 : la cible est atteinte soit par J1 soit par J2 .
9 = 3 et :
Or P (C1 ) = P (J1 )PJ1 (C ) = 13 10
10
2
6
4 .
P (C2 ) = P (J2 )PJ2 (C ) = 3 10 = 10
4 + 3 = 7 .
Ainsi P (C ) = P (C1 ) + P (C2 ) = 10
10
10
b) On remarque que P (C J2 ) = P (J2 )PJ2 (C ) = P (C )PC (J2 ). Donc
PC (J2 ) =
2 6
P (J2 )PJ2 (C )
= 3 10 = 74 .
P (C )
7
10
Probabilits.
Lois discrtes
Lois continues
Probabilits conditionnelles - Exemples III
Correction : test
Dsignons par M et T respectivement les vnements "la personne est
1 ,
malade" et "le rsultat du test est positif". Daprs lnonc : P (M ) = 1000
PM (T ) = 0.99 et PM
(T
)
=
0.002.
Nous
voulons
calculer
P
(M
).
T
Nous savons que P (M T ) = P (M )PM (T ) = P (T )PT (M ). Ainsi,
P (M )PM (T )
PT (M ) =
.
P (T )
)=
Il ny a plus qu calculer P (T ) : P (T ) = P (T M ) + P (T M
)P (T ) = 1 99 + 999 2 ' 0.003
P (M )PM (T ) + P (M
M
1000 100
1000 1000
Finalement, PT (M ) ' 0.33
Probabilits.
Lois discrtes
Arrangements et Combinaisons
Trs souvent, pour calculer des probabilits nous avons besoin de faire appel
aux mthodes de dnombrements.
Thorme des arrangements
Parmi n objets distincts {O1 , , On )} il existe
n!
AnP = n (n 1) (n p + 1) =
manires de construire une liste
(n p)!
ordonne (Oi 1 , , Oip ).
p
On dit quil y a An arrangements de p lments parmi n. Un arrangement de

n lments parmi n sappelle une permutation.
Exercice : Dans une course opposant 8 athltes, quel est le nombre de
podiums possibles ?
Thorme des combinaisons
p
n!
p
Un ensemble n lments admet Cn = Apn! =
sous ensembles p
p!(n p)!
lments (0 p n).
Exercice : On souhaite lire un comit de 6 membres parmi 15 hommes et

12 femmes. Madame A refuse de siger avec monsieur B.
a) Combien de comits peuvent tre constitus dans ces conditions ?
b) Dnombrer ceux de ces comits dont madame A fait partie.
Lois continues
Probabilits.
Lois discrtes
Lois continues
Dnombrements : exemples et proprits

Proprits des combinaisons
Etablir les proprits suivantes (inutile de se lancer dans des calculs) :
p
np
Cn = Cn
p
p
p1
Cn = Cn1 + Cn1 (formule de Pascal)
Exercice
On choisit 5 cartes dans un jeu de 32. Combien y-a-t-il de rsultats
comprenant :
a)
b)
c)
d)
Exactement deux valets ?

Aucun as ?
Au moins 3 dames ?
2 trfles et 3 carreaux ?
e) Deux cartes dune couleur et trois

de lautre ?
f) Au moins un roi ?
g) 3 piques et 2 rois ?
Probabilits.
Lois discrtes

Correction
4!
43
=
= 6 cas. Il reste choisir
a) On choisit 2 valets parmi 4 : C42 =
2!2!
2
28!
28
27
26
3 =
3 cartes parmi 28 : C28
=
= 3276 possibilits. Au
3!25!
6
total : 6 3276 = 19656 mains.
Lois continues
Probabilits.
Lois discrtes

Correction
4!
43
=
2!2!
2
28!
28
27
26
3 =
=
3!25!
6
total : 6 3276 = 19656 mains.
b) On carte les as, il reste 28 cartes parmi lesquelles il faut en choisir 5,
cela fait
5 = 28! = 28 27 26 25 24 = 28 27 26 5 2 = 196560 mains.
C28
5!23!
5!
Lois continues
Probabilits.
Lois discrtes

Correction
4!
43
=
2!2!
2
28!
28
27
26
3 =
=
3!25!
6
total : 6 3276 = 19656 mains.
cela fait
5 = 28! = 28 27 26 25 24 = 28 27 26 5 2 = 196560 mains.
C28
5!23!
5!
1 = 28 cas. 3 dames :
c) Soit trois dames, soit quatre. 4 dames : C28
3
2
C4 C28 = 4 14 27 = 1512. Au total 1512 + 28 = 1540 mains.
Lois continues
Probabilits.
Lois discrtes

Correction
4!
43
=
2!2!
2
28!
28
27
26
3 =
=
3!25!
6
total : 6 3276 = 19656 mains.
cela fait
5 = 28! = 28 27 26 25 24 = 28 27 26 5 2 = 196560 mains.
C28
5!23!
5!
1 = 28 cas. 3 dames :
3
2
C4 C28 = 4 14 27 = 1512. Au total 1512 + 28 = 1540 mains.
d) On choisit deux trfles : C82 puis trois carreaux : C83 . Au total
87 876
= 28 56 = 1568 mains.
2
6
Lois continues
Probabilits.
Lois discrtes

Correction
4!
43
=
2!2!
2
28!
28
27
26
3 =
=
3!25!
6
total : 6 3276 = 19656 mains.
cela fait
5 = 28! = 28 27 26 25 24 = 28 27 26 5 2 = 196560 mains.
C28
5!23!
5!
1 = 28 cas. 3 dames :
3
2
C4 C28 = 4 14 27 = 1512. Au total 1512 + 28 = 1540 mains.
87 876
= 28 56 = 1568 mains.
2
6
e) Il y a 16 cartes rouges et 16 noirs. Do
2 C 3 = 8 15 16 5 7 = 67200 mains.
C16
16
Lois continues
Probabilits.
Lois discrtes

Correction
4!
43
=
2!2!
2
28!
28
27
26
3 =
=
3!25!
6
total : 6 3276 = 19656 mains.
cela fait
5 = 28! = 28 27 26 25 24 = 28 27 26 5 2 = 196560 mains.
C28
5!23!
5!
1 = 28 cas. 3 dames :
3
2
C4 C28 = 4 14 27 = 1512. Au total 1512 + 28 = 1540 mains.
87 876
= 28 56 = 1568 mains.
2
6
2 C 3 = 8 15 16 5 7 = 67200 mains.
C16
16
5 = 98280 mains sans rois et C 5 = 201376 mains possibles. Il y
f) Il y a C28
32
a donc 201376 98280 = 103096 mains avec au moins un roi.
Lois continues
Probabilits.
Lois discrtes

Correction
4!
43
=
2!2!
2
28!
28
27
26
3 =
=
3!25!
6
total : 6 3276 = 19656 mains.
cela fait
5 = 28! = 28 27 26 25 24 = 28 27 26 5 2 = 196560 mains.
C28
5!23!
5!
1 = 28 cas. 3 dames :
3
2
C4 C28 = 4 14 27 = 1512. Au total 1512 + 28 = 1540 mains.
87 876
= 28 56 = 1568 mains.
2
6
2 C 3 = 8 15 16 5 7 = 67200 mains.
C16
16
5 = 98280 mains sans rois et C 5 = 201376 mains possibles. Il y
f) Il y a C28
32
a donc 201376 98280 = 103096 mains avec au moins un roi.
g) Avec le roi de pique (et une carte ni roi ni pique) :
C31 C72 21 = 63 21 = 1323 cas. Sans roi de pique : C32 C73 = 105. Au
total 1428 mains.
Lois continues
Probabilits.
Lois discrtes
Rappel du plan
1
Probabilits.
Dnombrements
Notion dindpendance
Applications

Loi binomiale
Loi gomtrique
Loi de Poisson
Loi uniforme.
Loi exponentielle.
Loi normale
Lois continues
Probabilits.
Lois discrtes
Lois continues
Variables alatoires : dfinition, exemples I

Aprs avoir ralis une exprience, on ne sintresse bien souvent qu une
certaine fonction dfinie sur lensemble des issues possibles et non pas
aux lments de lensemble . Par exemple, un joueur de loto ne sintresse
pas aux dtails des tirages possibles mais seulement la probabilit quil a
davoir m bons numros (m entre 0 et 6).
Dfinition
Une variable alatoire X est une fonction de lensemble fondamental
valeurs dans R. X : 7 R.
Un exemple : deux ds
On lance deux ds, on additionne les points des deux faces. On note X la
variable alatoire reprsentant le rsultat.
a) Quel est lensemble des possibilits ?
b) Prciser la dfinition de la fonction X .
c) Pour chacune des valeurs possibles x de X , quelle est la probabilit
dobtenir x ?
Probabilits.
Lois discrtes
Lois continues
Variables alatoires : dfinition, exemples II

Correction
a) Lensemble est compos de 36 lments : = {(1, 1), (1, 2), , (6, 6)}.
b) X est la fonction qui tout couple (d1 , d2 ) associe le nombre d1 + d2
c) Les probabilits des vnements {X = xi } sont rsumes dans le tableau
suivant :
On appelle support dune variable alatoire X lensemble des valeurs

possibles de X , cest dire X (). Par exemple dans le cas prcdent,
X () = {2, 3, , 12}.
Notation
Si X est une variable alatoire et x un rel, on note {X = x} lvnement
X 1 ({x}) (un sous ensemble de ).
Probabilits.
Lois discrtes
Lois continues
Loi de probabilit dune variable alatoire

Dfinition
La loi de probabilit PX qui toute valeur x du support de X associe la
probabilit P (X = x) sappelle la loi de probabilit de la variable X .
Par exemple dans le cas des deux ds, la loi de probabilit PX associe la
variable alatoire X (somme des deux ds) est dfinie par le tableau suivant :
Probabilits.
Lois discrtes
Esprance et variance I
Trs souvent le support dune variable alatoire se rpartit de part et dautre dune
valeur moyenne. Pour estimer la position centrale et la largeur de ce support, on
utilise souvent les notions de moyenne (ou esprance) et de variance :
Dfinitions
lesprance mathmatique (ou moyenne) dune variable alatoire X
est dfinie par :
n
X
E (X ) =
xk P (X = xk )
k =1
la variance de la variable alatoire X est dfinie par :

n
h
i X
Var(X ) = E (X E (X ))2 =
[xk E (X )]2 P (X = xk )
k =1
p
lcart type est la racine carre de la variance : (X ) = Var(X ).
Lois continues
Probabilits.
Lois discrtes
Esprance et variance II
Remarque
Pour les dmonstrations, on sautorisera crire dans tous les cas :
E (X ) = X ()P ().
Exercice
On lance deux ds, X reprsente la somme des deux faces. Calculer la
moyenne, la variance et lcart type de X .
Soient et deux rels, X et Y deux variables alatoires dfinies sur un
mme espace fondamental :
Proprits
E (aX + b ) = aE (X ) + b
E (X + Y ) = E (X ) + E (Y ).
Var(X ) = E (X 2 ) E (X )2
Var(X + ) = 2 Var(X )
Lois continues
Probabilits.
Lois discrtes
Lois continues
Esprance et variance III
Correction
Montrons par exemple que Var(X ) =E (X 2 ) E (X )2 :

Var(X ) = [X () E (X )]2 P () = X 2 () + E (X )2 2X ()E (X ) P () =
E (X 2 ) 2E (X )2 + E (X )2 = E (X 2 ) E (X )2 .
Exercices
une urne contient 5 boules rouges et 3 boules vertes. On choisit au
hasard et sans remise les boules une une jusqu obtention dune
boule rouge. Soit X le nombre de tirages ncessaires. dterminer la loi
de probabilit de X ainsi que son esprance et son cart type.
Mme question pour la situation suivante : on lance simultanment
deux ds quilibrs et on note X le maximum des deux chiffres obtenus.
Probabilits.
Lois discrtes
Lois continues
Esprance et variance IV
Correction
On peut crire :
5
P (X = 1) =
8
35
P (X = 2) = P (X , 1)P{X ,1} (X = 2) =
87
325
P (X = 3) = P (X , 1)P{X ,1} (X , 2)P{X ,1 et X ,2} (X = 3) =
876
321
P (X = 4) = =
.
876
3
5
325
321
+3
+4
= 1.5
Ainsi E (X ) = 58 + 2
87
876
876
5
3
5
3
2
De mme, E (X ) = 8 + 4 8 7 + 9 8 72 56 + 16 38 27 16 ' 2.78.
p
Var(X ) = E (X 2 ) E (X )2 = 2.78 1.52 = 0.53 et (X ) = Var(X ) ' 0.73
X peut varier de 1 6. Le tableau suivant rsume la loi de la variable X :
k
Nb de cas
P (X = k )
1
1
2
3
3
5
4
7
5
9
6
11
1
36
3
36
5
36
7
36
9
36
11
36
Lesprance, la variance et lcart type se calculent comme pour

lexemple prcdent.
Probabilits.
Lois discrtes
Rappel du plan
1
Probabilits.
Dnombrements
Notion dindpendance
Applications

Loi binomiale
Loi gomtrique
Loi de Poisson
Loi uniforme.
Loi exponentielle.
Loi normale
Lois continues
Probabilits.
Lois discrtes
Lois continues
Indpendance de deux variables
Dfinition
On dit de deux variables alatoires X et Y dfinies sur un mme ensemble
fondamental quelles sont indpendantes si pour tout couple
(x, y) X () Y (), la loi conjointe (x, y) 7 P (X = x, Y = y) vrifie :
P (X = x, Y = y) = P ({X = x} {Y = y}) = P (X = x)P (Y = y).
Exercice : un exemple
On dispose de deux boules et de trois botes A , B et C . Il y a une chance sur
trois pour quune boule donne soit place dans une bote donne. X est
dfinie comme Le nombre de boules dans A ; Y comme le nombre de
botes vides. Exprimer, sous la forme dun tableau, la probabilit conjointe
des variables X et Y . vrifier quelles ne sont pas indpendantes.
Probabilits.
Lois discrtes
Lois continues
Correction
Correction
En dnombrant les diffrentes situations possibles, on peut tablir :
(X , Y )
Nb de cas
P (X , Y )
(2, 2)
1
(1, 1)
2
(0, 1)
1
(0, 2)
2
1
6
2
6
1
6
2
6
De mme pour les variables alatoires X et Y :

X
P (X )
4
9
4
9
1
9
Y
P (Y )
6
9
3
9
On ne peut pas crire dans tous les cas P (X = x, Y = y) = P (X = x)P (Y = y),

les variables alatoires X et Y ne sont donc pas indpendantes.
Probabilits.
Lois discrtes
Proprits
Le thorme suivant joue un rle central :
Thorme
Si X et Y sont deux variables ndpendantes, alors E (XY ) = E (X )E (Y ) et
Var(X + Y ) = Var(X ) + Var(Y )
Lois continues
Probabilits.
Lois discrtes
Lois continues
Proprits
Le thorme suivant joue un rle central :
Thorme
Si X et Y sont deux variables ndpendantes, alors E (XY ) = E (X )E (Y ) et
Var(X + Y ) = Var(X ) + Var(Y )
Preuve
a) Montrons que E (XY ) = E (X )E (Y ) :
E (XY ) = xyP (X = x, Y = y)
=
xyP (X = x)P (Y = y) =
x,y
x,y

par indpendance
xP (X = x) yP (Y = y) = E (X )E (Y ).
x
b) Montrons que Var(X + Y ) = Var(X ) + Var(Y

):

Var(X + Y ) = E (X + Y )2 E 2 (X + Y ) = E X 2 + Y 2 + 2XY E 2 (X )
E 2 (Y ) 2E (X )E (Y )
par indpendance
Var(X ) + Var(Y )
Remarque
De manire gnrale : Var(X + Y ) = Var(X ) + Var(Y ) + 2 (E (XY ) E (X )E (Y ))
Le nombre Cov(X , Y ) = E (XY ) E (X )E (Y ) sappelle la covariance des
variables alatoires X et Y .
Probabilits.
Lois discrtes
Lois continues
Moindre carrs et rgression linaire I

Les notions de variance et de covariance apparaissent joliment lorsquon
recherche la droite qui reprsente le mieux un nuage de s points (xi , yi )
(obtenus par exemple exprimentalement).
Moindre carrs
On dit que la droite dquation y = ax + b est celle qui reprsente le mieux le
nuage (xi , yi ) si les coefficients a et b sont ceux qui minimisent la somme
des carrs :
(yi axi b )2
1i n
Thorme
En posant E (x) = n1 xi et E (y) = n1 yi , les coefficients a et b de la droite
i
i
des moindres carrs sont gaux :
cov(x, y)
1
a=
et b = E (y) aE (x) avec cov(x, y) = (xi E (x))(yi E (y))
var(x)
n i
1
et Var(x) = (xi E (x))2 .
n i
Probabilits.
Lois discrtes
Lois continues
Moindre carrs et rgression linaire II
Dmonstration
Posons f (a, b ) = (yi axi b )2 . Nous recherchons un couple (a, b ) tel que
i
f
f
=
= 0 ceci conduit rsoudre le systme
b
a
2(x y axi2 bxi ) = 0
aE (x 2 ) = E (xy) bE (x)
i i i
2(y ax b ) = 0
E (y) = aE (x) + b
i
i
i
aVar(x) = cov(x, y)
aE (x 2 ) = E (xy) (E (y) aE (x)) E (x)
E (y) = aE (x) + b
E (y) = aE (x) + b
2 f
2 f
(a, b ) > 0 et
(a, b ) > 0 ce qui tablit que
a 2
b 2
la solution trouve correspond bien un minimum.
On vrifie aisment que les
Probabilits.
Lois discrtes
Mesure de la qualit dune rgression linaire I
Dfinition
On appelle cofficient de corrlation linaire le nombre
Cov(x, y)
(x, y) = p
Var(x)Var(y)
Thorme
Un coefficient de corrlation linaire est toujours compris entre 1 et 1
Lois continues
Probabilits.
Lois discrtes
Lois continues
Mesure de la qualit dune rgression linaire II
Preuve
Ce rsultat est trs similaire au rsultat sur les vecteurs :
|
v 1 ~v2 | ||
v 1 || ||
v 2 || ...
Soit un rel, remarquons que
0 Var(x + y) = Cov(x + y, x + y) = 2 Var(y) + 2Cov(x, y) + Var(x) =
Ceci est un polynme du second degr (en ) de signe constant, son
discriminant est donc ngatif. Cest dire 4Cov 2 (x, y) 4Var(x)Var(y) 0.
Finalement
Cov 2 (x, y)
0
1
Var(x)Var(y)
Thorme
La droite des moindres carrs sera de qualit dautant meilleure que le
coefficient de corrlation linaire sera proche de 1 ou de 1
Probabilits.
Lois discrtes
Lois continues
Mesure de la qualit dune rgression linaire III
Preuve
En effet, la qualit de la droite sera dautant meilleure que la somme des
carrs des erreurs commises sera petite. Cest dire dautant plus que la
"
#2
Cov(x, y)
1
quantit Q = yi E (y)
(xi E (x)) est petite. On vrifie
n i
var(x)
2
Cov (x, y)
. Q est donc petit si et seulement si
aisment que Q = var(y)
Var(y)
2
Cov (x, y)
1
est petit, cest dire si le coefficient de corrlation linaire
Var(x)Var(y)
est proche de 1 ou de 1.
On remarque notamment que pour || = 1, les points (xi , yi ) sont
parfaitement aligns. Lorsque = 0, cela entrane Cov(x, y) = 0 et la droite
des mondres carrs est horizontale (elle a pour quation y = E (y)), il ny a
pas de dpendance entre les points xi et les points yi .
Probabilits.
Lois discrtes
Lois continues
Ingalits de Markov et de Bienayme-Tchebycheff I
Au dbut de ce cours, nous avions postul que si on ralise N expriences

alatoires et si na est le nombre doccurrences dun vnement A alors plus
n
N est grand et plus la frquence Na se rapproche de la probabilit P (A ).
La loi faible des grands nombres permet de dmontrer ce rsultat, qui du
coup nest plus un postulat. La dmonstration repose sur lingalit de
Bienayme-Tchebycheff qui repose elle-mme sur lingalit de Markov :
Les deux ingalits.
Ingalit de Markov
E (X )
.
Ingalit de Bienayme-Tchebycheff Si X est une v.a alors pour tout

Var(X )
> 0, P (|X E (X )| )
2
Si X une v.a support dans R+ alors pour tout > 0, P (X )
Probabilits.
Lois discrtes
Lois continues
Ingalits de Markov et de Bienayme-Tchebycheff II
Preuve
a) Si X est valeurs positives, on peut crire
E (X ) = xP (X = x) + xP (X = x). Les valeurs de x tant positives, on
x<
peut crire : E (X ) > P (X = x) soit E (X ) > P (X ).

x
Do lingalit de Markov.
b) Puisque > 0, crire |X E (X )| quivaut crire (X E (X ))2 2 , de
lingalit de Markov on obtient directement que :
Var(X )
.
P (|X E (X )| ) = P ((X E (X ))2 )
2
Ce qui montre lingalit de Bienayme-Tchebycheff.
Probabilits.
Lois discrtes
Lois continues
Loi faible des grands nombres

Thorme
Soient X1 , X2 , Xn des variables alatoires indpendantes et de mme loi.
Notons E (X ) leur esprance commune. On a :

X + + Xn
lim P 1
E (X ) = 0
n
n
Probabilits.
Lois discrtes
Lois continues
Loi faible des grands nombres

Thorme
Soient X1 , X2 , Xn des variables alatoires indpendantes et de mme loi.
Notons E (X ) leur esprance commune. On a :

X + + Xn
lim P 1
E (X ) = 0
n
n
Dmonstration
X + + Xn
Posons Y = 1
, daprs lingalit de Bienayme-Tchebycheff, on
n
Var(Y )
peut crire P (|Y E (Y )| )
. Mais les variables Xi tant
2
Var(X1 )
indpendantes et de mme loi, Var(Y ) = nVar Xn1 =
n
Remarque
Nous verrons la fin de ce cours une version plus forte de ce thorme qui
affirme que la variable Y suit une distribution Gaussienne.
Probabilits.
Lois discrtes
Rappel du plan
1
Probabilits.
Dnombrements
Notion dindpendance
Applications

Loi binomiale
Loi gomtrique
Loi de Poisson
Loi uniforme.
Loi exponentielle.
Loi normale
Lois continues
Probabilits.
Lois discrtes
Epreuves de Bernoulli
Une preuve de Bernoulli est une exprience alatoire avec deux issues
possibles succs avec une probabilit p et chec avec une probabilit
q = (1 p). Une squence de Bernoulli dordre n est la rptition de n
preuves de Bernoulli indpendantes et identiques.
Exemple
On lance trois fois de suite
une pice truque pour
laquelle la probabilit
dobtenir pile est p = 23 . On
gagne 5 pour chaque
sortie de Pile. Ceci
constitue une squence de
trois preuves de Bernoulli
identiques et
indpendantes. On peut
tracer larbre des
possibilits correspondant :
Lois continues
Probabilits.
Lois discrtes
Lois continues
Variable de Bernoulli
Dfinition
On dit
quune variable alatoire X suit une loi de Bernoulli de paramtre p si
1 avec une probabilit p
X =
0 avec une probabilit q = (1 p)

Proprit
Si X est une variable alatoire de Bernoulli de paramtre p alors E (X ) = p et
V (X ) = pq.
Probabilits.
Lois discrtes
Lois continues
Loi binomiale
Dfinition / Thorme : loi binmiale
Dans le cas dun schma de Bernoulli dordre n et de paramtre p, la variable
X qui chaque exprience associe le nombre k de succs obt la loi
P (X = k ) = Cnk p k (1 p)nk
Cette loi est note B (n, p).
Usuellement, on reprsente la loi binomiale avec un diagramme en btons :
en abscisse, le nombre de succs et en ordonn la probabilit
correspondante.
Probabilits.
Lois discrtes
Lois continues
Loi binomiale : un exemple I

Loi binomiale : explication
Lensemble fondamental associ une squence de Bernoulli dordre n
est constitu des squences de la forme = (e1 , , en ) Chaque vnement
ei tant un succs ou un chec.
Il y a Cnk manires dobtenir k succs, chacune ayant une probabilit gale
p k (1 p)nk de se raliser.
La loi binomiale est souvent utilise pour modliser un sondage avec remise, voici
un exemple :
Exemple
Une entreprise produit des batteries de tlphone. Au cours de la production
peuvent apparatre des dfauts indpendants que lon appellera dfaut A et
B . La probabilit du dfaut A vaut 0.02 celle de B vaut 0.01.
On prlve au hasard un chantillon de 100 batteries. La production est
suffisamment importante pour que ce prlvement soit assimil un tirage
avec remise. Soit X la variable alatoire qui tout chantillon de taille 100
associe le nombre de batteries dfectueuses. Quelle est la loi de probabilit
que suit la variable alatoire X ?
Probabilits.
Lois discrtes
Lois continues
Loi binomiale : un exemple II
Correction
La probabilit pour quune batterie ait un dfaut est
p = P (A B ) = P (A ) + P (B ) P (A B ). Mais, par hypothse, A et B sont
indpendants donc
p = P (A ) + P (B ) P (A )P (B ) = 0.02 + 0.01 0.01 0.02 = 0.0298.
La variable alatoire X reprsente le nombre de batteries ayant un dfaut
parmi 100 au hasard. Puisque le prlvement des 100 batteries peut tre
assimil 100 tirages avec remise, la situation est bien dcrite par une
squence de Bernoulli dordre n et de paramtre p :
La probabilit pour quil y ait k batteries en panne exactement est
Cnk p k (1 p)nk .
Probabilits.
Lois discrtes
Loi binomiale : moyenne et variance
Thorme
Si X est une variable alatoire de loi binomiale B (n, p), alors E (X ) = np et
V (X ) = np(1 p) = npq
Lois continues
Probabilits.
Lois discrtes
Lois continues
Loi binomiale : moyenne et variance
Thorme
Si X est une variable alatoire de loi binomiale B (n, p), alors E (X ) = np et
V (X ) = np(1 p) = npq
Preuve
Si X suit une loi binmiale B (n, p) alors on peut crire X = X1 + Xn ,
chacune des variables alatoires Xi tant une variable de Bernoulli de
paramtre p.
!
P 2
P
Ainsi E (X ) = E (X1 ) + E (Xn ) = np et E (X 2 ) = E
Xi + 2 Xi Xj
i
i <j
On remarque que pour tout i , E (Xi2 ) = p et pour tout couple i < j ,

E (Xi Xj ) = p 2 . Do E (X 2 ) = np + n(n 1)p 2 et
Var(X ) = E (X 2 ) E (X )2 = np + n(n 1)p 2 n 2 p 2 = npq
Exercice : Reprendre lexercice sur les tlphones portables et dterminer le
nombre moyen dappareils dfectueux ainsi que lcart type.
Probabilits.
Lois discrtes
Lois continues
Loi gomtrique : dfinition I
On considre une preuve de Bernoulli dont la probabilit de succs est p et

celle dchec q = 1 p. On renouvelle cette preuve de manire
indpendante jusquau premier succs. On appelle X la variable alatoire
donnant le rang du premier succs.
Dfinition
On dit quune variable alatoire suit une loi gomtrique lorsque pour tout
k > 0, P (X = k ) = p(1 p)k 1 .
moyenne et variance
Si X suit une loi gomtrique alors E (X ) =
1
q
et V (X ) =
p
p2
Probabilits.
Lois discrtes
Lois continues
Loi gomtrique : dfinition II
Preuve
Remarquons que
1
= q k . Par drivation par rapport q, on dduit
1 q k 0
1
1
=
= k q k 1 . Or E (X ) = kpq k 1 = p kq k 1 donc
k 1
k 1
p2
(1 q)2 k 1
p
1
E (X ) =
= .
p
p2
Le principe est le mme pour le calcul de la variance :
2
Par drivation on obtient
= k (k 1)q k 2 , ainsi :
p 3 k 2
2q
1
E (X (X 1)) = E (X 2 ) E (X ) = pq k (k 1)q k 2 =
. Puisque E (X ) = ,
p
k 2
p2
2q 1
on en dduit que E (X 2 ) =
+ , ce qui entrane
p2 p
2q 1
1
q
V (X ) = E (X 2 ) E 2 (X ) =
+
=
p2 p p2
p2
que
Probabilits.
Lois discrtes
Lois continues
Loi binomiale ngative : dfinition
La loi binomiale ngative gnralise la loi gomtrique : On considre une

preuve de Bernoulli dont la probabilit de succs est p et celle dchec
q = 1 p. On renouvelle cette preuve de manire indpendante jusquau
succs dindice s. On appelle X la variable alatoire donnant le rang du
succs dindice s. Quelle est la loi de X ?
Solution
Si X = n, cela signifie quil y a eu s 1 succs lors des n 1 preuves
s1 p s1 (1 p)ns ) ET un succs lors de la
(vnement de probabilit Cn1
nime preuve (vnement de probabilit p). Finalement :
s1 p s (1 p)ns
P (X = n) = Cn1
Remarque
Contrairement la loi binomiale, ici ce nest pas s qui varie mais n
Probabilits.
Lois discrtes
Lois continues
Loi binomiale ngative : moyenne et variance
Thorme
Si X suit une loi binomiale ngative de paramtre (s, p) alors E (X ) =
V (X ) = s
(1 p)
p2
s
et
p
Probabilits.
Lois discrtes
Lois continues
Loi binomiale ngative : moyenne et variance
Thorme
Si X suit une loi binomiale ngative de paramtre (s, p) alors E (X ) =
V (X ) = s
s
et
p
(1 p)
p2
Preuve
Cela est immdiat condition de remarquer que si X suit une loi binomiale
ngative de paramtres (s, p) alors on peut crire X = G1 + + Gs , les
variables alatoires (et indpendantes) Gi obissant toutes une loi
gomtrique de paramtre p. On a alors :
sq
s
.
E (X ) = sE (G1 ) = et V (X ) = sV (G1 ) =
p
p2
Probabilits.
Lois discrtes
Lois continues
Loi de Poisson : dfinition et proprits

Dfinition
On dit quune variable alatoire X valeurs dans N suit une loi de poisson
de paramtre , si pour tout k N :
P (X = k ) = e
k
k!
2
k
On montre en analyse que pour tout R, e = 1 + +
+ +
+
2!
k!
cela permet de calculer lesprance et la variance dune loi de Poisson.
Moyenne et variance
Si X suit une loi de Poisson de paramtre alors E (X ) = V (X ) = .
Probabilits.
Lois discrtes
Lois continues

Dfinition
P (X = k ) = e
k
k!
2
k
+ +
+
2!
k!
Moyenne et variance
Preuve
E (X ) = e
X k k
k 0
e e = .
k!
= e
X k k
k 1
k!
= e
X
k 1
X k
k
= e
=
(k 1)!
k!
k 0
Probabilits.
Lois discrtes

Dfinition
P (X = k ) = e
k
k!
k
2
+ +
+
2!
k!
Moyenne et variance
Preuve
X k k
X (k 1 + 1)k
= e
=
(k 1)!
(k 1)!
k 1
k 1
k 1
X k
X k

e
+
= e 2 e + e = 2 + .
(k 2)!
(k 1)!
E (X 2 ) = e
k 2
X k 2 k
k!
= e
k 1
Do V (X ) = E (X 2 ) E (X ) = 2 + 2 = .
Lois continues
Probabilits.
Lois discrtes
Lois continues
Quelle est la signification la loi de Poisson ? I

La loi de Poisson est en fait un cas limite de la loi binomiale. Voici comment :
Considrons un vnement alatoire dont il apparat que :
Hypothse
On suppose lexistence dune dure (petite) t telle que sur tout intervalle
de longueur t, est observ au plus une fois avec une probabilit t.
En posant T = nt et si X est le nombre doccurrences de lvnement sur
T
une dure T , alors X suit une loi binomiale B (n, p) avec p =
. Par
n
consquent :
P (X = k ) = Cnk p k (1 p)(nk ) =

(T )k n(n 1) (n k + 1)
(T ) n
(T ) k
1
n
n
k!
nk
La loi de Poisson sobtient pour T = 1 et rsulte de ce que lorsque n tend

n(n 1) (n k + 1)
(T ) k
vers linfini alors
1, de mme 1 n
1 et
k
n

n
(T )
1 n
e T .
Probabilits.
Lois discrtes
Lois continues
Quelle est la signification la loi de Poisson ? II

Remarque
Le mme raisonnement sapplique quil sagisse dintervalles temporels ou
spatiaux.
Rsumons-nous
Sous les hypothses suivantes :
La probabilit dune occurrence est la mme dans deux intervalles de
mme longueur.
Loccurrence ou la non-occurrence dun vnement dans un intervalle
est indpendante de loccurrence ou la non-occurrence de cet
vnement dans un autre intervalle.
La probabilit dobserver k occurences dans un intervalle de longueur T est :
P (X = k ) = e T
(T )k
k!
Nous avons aussi appris :

Une loi binomiale tend vers une loi de Poisson lorsque n et que np .
Probabilits.
Lois discrtes
Lois continues
Un exemple dapplication
Exercice : exemple dapplication

Durant la priode des inscriptions par tlphone luniversit, les appels se
succdent au rythme moyen dun toutes les deux minutes.
a) Quel est le nombre moyen dappels en une heure ?
b) Quelle est la probabilit de trois appels en cinq minutes ?
c) Quelle est la probabilit daucun appel dans un intervalle de cinq
minutes ?
Probabilits.
Lois discrtes
Lois continues

minutes ?
Correction
a) En supposant le rythme des appels constant et puisquil y a 30 intervalles
de 2 minutes en une heure, cela fait 30 appels en moyenne par heure.
Probabilits.
Lois discrtes
Lois continues

minutes ?
Correction
b) Le nombre moyen dappels en cinq minutes est gal 2.5, donc la
2.53
probabilit de trois appels en cinq minutes est e 2.5
' 0.21
3!
Probabilits.
Lois discrtes
Lois continues

minutes ?
Correction
b) Le nombre moyen dappels en cinq minutes est gal 2.5, donc la
2.53
probabilit de trois appels en cinq minutes est e 2.5
' 0.21
3!
c) La probabilit daucun appel en cinq minutes est e 2.5 ' 0.08.
Probabilits.
Lois discrtes
Rappel du plan
1
Probabilits.
Dnombrements
Notion dindpendance
Applications

Loi binomiale
Loi gomtrique
Loi de Poisson
Loi uniforme.
Loi exponentielle.
Loi normale
Lois continues
Probabilits.
Lois discrtes
Lois continues
Densit, moyenne et variance
Rappel
Dans le cas des variables alatoires continues, les probabilits sont dfinies
via une densit de probabilit . La fonction est dfinie par la relation :
Zb
(x) dx
P (a X b ) =
a
Moyenne et variance
Les notions de moyenne et de variance sont dfinies de manire analogue et
concervent
R les mmes proprits.
E (X ) = x(x) dx, D tant le support de X .
DR
V (X ) = D (x E (X ))2 (x) dx = E (X 2 ) E (X )2
Probabilits.
Lois discrtes
Lois continues
Loi uniforme
Dfinition
On parle de loi uniforme dans le cas o la densit de probabilit est
constante, cest dire a la forme suivante :
b a si x [a, b ]
(x) =
0 sinon
Remarque Dans les langage de programmation, la loi uniforme est souvent
reprsente par la fonction rand (). Nous verrons cela en TP.
Exercice : Pouvez-vous dcrire une exprience alatoire bien dcrite par une
loi uniforme ?
Exercice
Montrer que pour la loi uniforme sur un sgment [a, b ] :
b +a
(b a)2
E (X ) =
et V (X ) =
.
2
12
Probabilits.
Lois discrtes
Loi exponentielle
Dfinition
On parle de loi exponentielle (aussi appele loi de dure de vie sans
vieillissement) dans le cas o la densit de probabilit est de la forme :
e x si x 0
(x) =
0 sinon.
Exercice
1 et V (X ) = 1
Montrer que pour la loi exponentielle, E (X ) =
2
Lois continues
Probabilits.
Lois discrtes
Lois continues
Lien entre la loi exponentielle et la loi de Poisson

La loi exponentielle est troitement lie la loi de Poisson. Ceci est illustr
par lexercice suivant :
Exercice : Loi exponentielle et loi de Poisson
Supposons que les pannes successives dun appareil suivent une loi de
Poisson de moyenne par unit de temps. Considrons la variable alatoire
X qui reprsente la dure entre deux pannes.
a) Quelle est la probabilit pour quil ny ait aucune panne dans un laps de
temps x ?
b) En dduire que P (X x) = 1 e x
c) En dduire que la densit de probabilit associe la loi de la variable X
est (x) = e x
Probabilits.
Lois discrtes
Lois continues

La loi exponentielle est troitement lie la loi de Poisson. Ceci est illustr
par lexercice suivant :
temps x ?
est (x) = e x
Correction
a) Cest une consquence directe de la loi de Poisson : e x .
Probabilits.
Lois discrtes
Lois continues

temps x ?
est (x) = e x
Correction
b) Daprs la question prcdente, la probabilit de lvnement X > x est
e x , par complmentarit P (X x) = 1 e x .
Probabilits.
Lois discrtes
Lois continues

temps x ?
est (x) = e x
Correction
b) Daprs la question prcdente, la probabilit de lvnement X > x est
e x , par complmentarit P (X x) = 1 e x .
Rx
c) Ainsi, pour tout x 0, P (X x) = 1 e x = (u)du. En drivant par
0
rapport x, on dduit que : (x) = e x
Probabilits.
Lois discrtes
Lois continues
Pourquoi sans viellissement ?
Exercice
Une variable alatoire continue est dite sans mmoire (ou sans
vieillissement) lorsque pour tous rels t 0 et h 0, la probabilit
conditionnelle PX t (X t + h ) pour que X t + h sachant que X > t est
gale la probabilit P (X h ).
Montrer quune variable alatoire X qui suit une loi exponentielle est sans
mmoire.
Probabilits.
Lois discrtes
Lois continues
Pourquoi sans viellissement ?
Exercice
Une variable alatoire continue est dite sans mmoire (ou sans
vieillissement) lorsque pour tous rels t 0 et h 0, la probabilit
conditionnelle PX t (X t + h ) pour que X t + h sachant que X > t est
gale la probabilit P (X h ).
Montrer quune variable alatoire X qui suit une loi exponentielle est sans
mmoire.
Correction
P (A B )
. Ainsi :
P (A )
P ((X t + h ) (X t))
P (X t + h )
e (t +h )
PX t (X t + h ) =
=
=
=
P (X t)
P (X t)
e t
e h = P (X h ).
On rappelle que PA (B ) =
Probabilits.
Lois discrtes
Lois continues
Loi normale
Dfinition
On dit dune variable alatoire continue X quelle suit la loi normale
N (m, 2 ) dans le cas o la densit de probabilit est de la forme (on parle
de Gaussienne) :
1
(x) = e
2
(x m)2
2 2 , avec x R, m R et > 0 un rel
Nous
admettrons que pour
la loi N (m, 2 ) :
E (X ) = m et
Var(X ) = 2 .
Probabilits.
Lois discrtes
Lois continues
Loi normale : proprits
Dispersion
Si une variable alatoire suit une loi normale d moyenne m et de variance
2 , alors :
38% de la population est dans lintervalle [m 0.5 , m + 0.5 ].
68% de la population est dans lintervalle [m , m + ].
95% de la population est dans lintervalle [m 2 , m + 2 ].
La proprit remarquable de la loi normale est la suivante :
Thorme : (admis)
Soient X1 et X2 deux variables alatoires indpendantes obissant
respectivement aux lois normales N (m1 , 1 ) et N (m2 , 2 ) alors X1 + X2 suit
aussi une loi normale, la loi N (m1 + m2 , 12 + 22 ).
Probabilits.
Lois discrtes
Lois continues
Thorme limite centrale

Limportance de la loi normale est due au thorme suivant que nous
admettrons :
Thorme limite centrale (admis)
Soient X1 , X2 , Xn n variables alatoires indpendantes et de mme loi, de
X + Xn nm
moyenne m et de variance 2 . On pose : Zn = 1
.
n
Lorsque n , la variable alatoire Zn tend suivre la loi normale centre
rduite N (0, 1). Plus prcisment, sur tout segment [a, b ], le nombre
x2
Zb
dx
1
P (a Zn b ) converge vers
e 2
.
2 a
Remarques :
Dans le cas o les Xi suivent des lois normales, la dmonstration de ce
thorme est immdiate.
Le thorme central limite est lun des rsultats les plus importants de
la thorie des probabilits. Il donne une valuation de lerreur que lon
commet en estimant une esprance mathmatique par une moyenne
statistique.

Langue

Cours

Transféré par

Informations du document

Description :

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

Cours

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Probabilits.

indpendance de variables alatoires

Mesures et analyses statistiques des donnes.

indpendance de variables alatoires

Table des matires.

Lois usuelles pour les variables alatoires discrtes.

indpendance de variables alatoires

Expriences alatoires - vnements

indpendance de variables alatoires

Le vocabulaire des vnements

sappelle lvnement impossible et lvnement certain.

indpendance de variables alatoires

indpendance de variables alatoires

Intuitivement, lorsque deux vnements A et B sont indpendants, on peut

indpendance de variables alatoires

card (A1 ) card (B2 )

b) On peut dfinir : A est lvnement La somme des faces est paire et B :

indpendance de variables alatoires

Probabilits conditionnelles III

indpendance de variables alatoires

Probabilits conditionnelles - Exemples I

indpendance de variables alatoires

Probabilits conditionnelles - Exemples II

indpendance de variables alatoires

Probabilits conditionnelles - Exemples III

indpendance de variables alatoires

On dit quil y a An arrangements de p lments parmi n. Un arrangement de

Exercice : On souhaite lire un comit de 6 membres parmi 15 hommes et

indpendance de variables alatoires

Dnombrements : exemples et proprits

Exactement deux valets ?

e) Deux cartes dune couleur et trois

indpendance de variables alatoires

Dnombrements : exemples et proprits

indpendance de variables alatoires

Dnombrements : exemples et proprits

indpendance de variables alatoires

Dnombrements : exemples et proprits

indpendance de variables alatoires

Dnombrements : exemples et proprits

indpendance de variables alatoires

Dnombrements : exemples et proprits

indpendance de variables alatoires

Dnombrements : exemples et proprits

indpendance de variables alatoires

Dnombrements : exemples et proprits

indpendance de variables alatoires

Lois usuelles pour les variables alatoires discrtes.

indpendance de variables alatoires

Variables alatoires : dfinition, exemples I

indpendance de variables alatoires

Variables alatoires : dfinition, exemples II

On appelle support dune variable alatoire X lensemble des valeurs

indpendance de variables alatoires

Loi de probabilit dune variable alatoire

indpendance de variables alatoires

la variance de la variable alatoire X est dfinie par :

indpendance de variables alatoires

indpendance de variables alatoires

Esprance et variance III

b) Montrons que Var(X + Y ) = Var(X ) + Var(Y