Vous êtes sur la page 1sur 30

Ecole Mohamdia dIngnieurs

Cours de Probabilits

Joumala ELALAOUI

Avant propos
Ce cours a pour objectif de donner les notions de base de probabilits.
Les statistiques, antrieures au calcul de probabilits traitaient principalement
des ensembles dobjets en prsentant les donnes sous forme de tableaux et de
graphiques.
Avec lapparition du calcul des probabilits, il a t vite ralis que la statistique
pouvait tre utilise pour prendre des dcisions raisonnables et faire de bonnes
prvisions.
Le cours est partag en deux parties :
-La premire partie introduit la notion dexprience alatoire et dvnements
(compatibilit et indpendance) ainsi que les formules de Bayes.
-La deuxime partie dfinit dabord les variables alatoires discrtes et les lois
de probabilit puis les variables alatoires continues et les densits de
probabilit et enfin les vecteurs alatoires pour aboutir au thorme central
limite qui est la base de la thorie de lchantillonnage.
Quelques tables de lois usuelles sont donnes en annexe.

Calcul de probabilits
I-

Vocabulaire probabiliste :

1) Exprience alatoire :
Dfinition :
Une exprience est qualifie dalatoire si on ne peut prvoir lavance son
rsultat et si, rpte dans des conditions identiques, elle peut donner lieu
des rsultats diffrents.
Le rsultat de cette exprience est not , tant un lment de lensemble
de tous les rsultats possibles.
Exemple : Considrons lexprience alatoire qui consiste lancer deux ds.
On peut lui associer lensemble de tous les couples (x, y)
x et y pouvant appartenir lensemble { 1, 2, 3, 4, 5, 6 } ;
autrement dit est un ensemble 36 lments.
2) Evnement :
Dfinition :
On appelle vnement toute assertion ou proposition logique relative au rsultat
de lexprience alatoire.
On identifie un vnement une partie de pour laquelle cet vnement est
ralis.
Exemple : Soit A lvnement La somme des points obtenus est gale 8.
A = {(2, 6) ; (3, 5) ; (4,4) ; (5, 3) ; (6,2)}
Classe dvnements :
Lensemble des vnements constitue une classe C de parties de .
A tout vnement, on peut associer son contraire tel que si A est ralis
ne lest pas, est reprsent dans par la partie complmentaire de A .
On dfinit lvnement certain reprsent par tout entier et lvnement
logiquement impossible par lensemble vide .
Deux vnements peuvent avoir des ventualits en commun. Lensemble
des ventualits communes A et B constitue un vnement reprsent
par AB.
Si on runit les ventualits de A et B on obtient un vnement reprsent
par A U B.
On dit que lvnement A est ralis si et seulement si lune des
ventualits constituant A est ralise.
3

3) Algbre dvnements :
Dfinition :
Soit C une partie de P() vrifiant les proprits suivantes :
- Si A C alors C
- Pour tout ensemble fini ou dnombrable (Ai )i dlments de C , UAi C
i
-C
alors C est une tribu
Proprit :
Lensemble des vnements constitue une classe C de parties de .
Cette classe C est une tribu.
Dfinition :
On appelle espace probabilisable le couple (, C) o C est une tribu de parties
de .
Dfinition :
Deux vnements A et B sont dits incompatibles si la ralisation de lun exclut
celle de lautre ; autrement dit si A et B sont des parties de , AB = .
Dfinition :
Les vnements A1,, An forment un systme complet dvnements si les
parties A1 , , An de constituent une partition de .
Ai Aj si i j et U Ai =

II-

Espace probabilis :

1)Probabilit sur :
Dfinition :
On appelle probabilit sur (, C) une application P de C dans [0, 1] telle que :
P()=1
Pour tout ensemble fini ou dnombrable dvnements incompatibles
(Ai)1in on a : P( UAi ) = P(Ai )
1i n

1in

Dfinition :
On appelle espace probabilis le triplet (, C, P)
Proprits :
P() = 0
P() = 1- P(A)
P(AUB) = P(A) + P(B) P(AB)
4

P( UAi) P(Ai)
i

- si Ai , lim P(Ai) = 0
Remarque :
-Un vnement de probabilit nulle nest pas ncessairement impossible, il est
presque impossible.
- De mme, un vnement dont la probabilit vaut 1 nest pas ncessairement
certain ; il est presque certain.
2) Cas o est fini :
Supposons que = {1, 2, n}
n

a) P () = P ({i})
i=1

b) Si la probabilit P est quidistribue sur alors :


P ({i}) = 1/n
pour i = 1 n
Formule de Poincar :
Soit (, C, P) un espace probabilis.
Soient A1, A2,.., An des vnements de C ;
On a la formule de Poincar :
n

P(A1 A2 .. An ) = (-1)k-1 P(Ai1 Ai2 .Aik)


k=1
1i1<<ikn
.
Vision classique :
En gnral, est fini et des raisons de symtrie conduisent donner chaque
vnement lmentaire la mme probabilit. Ainsi, par exemple, le lancer dun
d parfaitement quilibr conduit un ensemble 6 lments quiprobables.
Le calcul des probabilits se ramne un calcul de dnombrement.
Soit A un vnement, P (A) = card(A)/card()
= nombre de cas favorables /nombre de cas possibles
Exemple :
Quelle est la probabilit dobtenir 2 dames lorsque lon tire au hasard 2 cartes
dans un jeu de 32 cartes ?
2

P (A) = nb cas fav/ nb cas poss = C4 /C32 = 4*3 /32*31 0,012


(Nous faisons lhypothse que les 2 Cartes sont tires simultanment)
5

Probabilits conditionnelles et indpendance :


1) Probabilits conditionnelles :
Soit B un vnement de probabilit non nulle.
On sintresse la ralisation dun vnement A sachant quun vnement B est
ralis. Si A et B sont incompatibles, A ne se ralisera pas. Mais si AB , il
est possible que A se ralise ; lunivers de toutes les ventualits nest plus
tout entier mais est restreint B. On sintresse la ralisation de A lintrieur
de B, cest dire AB par rapport B.
Dfinition :
Soit B un vnement de probabilit non nulle .On appelle probabilit
conditionnelle de A sachant B,
P(A/B) = P(AB)/P(B)
Vrifions que la probabilit conditionnelle est bien une probabilit.
Par dfinition, P(/B) =P(B)/P(B) = P(B)/P(B)=1
Soit un ensemble fini ou dnombrable dvnements incompatibles (Ai)i ,
P(UAi / B) = P((UAi) B)/P(B) = P(U(AiB))/P(B)
i

Or P est une probabilit donc P(U(AiB) P(AiB)


On en dduit que P(UAi / B) P(AiB) / P(B)
On peut donc munir ( , C) dune nouvelle probabilit P( / B) pour tout
vnement B de probabilit non nulle.
Proposition :
Soient A1, A2 , ..An des vnements. On suppose que P (A1A2 ..An-1) ,
alors P(A1A2An)=P(A1).P(A2 /A1).P(A3/A1A2) .P(An/A1A2..An-1)
2) Indpendance de deux vnements :
Dfinition :
A est indpendante de B si P(A/B) = P(A)
La connaissance de B ne change pas les chances de ralisation de A.
Proprit 1 :

Si A indpendant de B alors B est indpendant de A.


On dira que A et B sont indpendants.
Proprit 2 :
Les vnements A et B sont indpendants si et seulement si P(AB)=P(A).P(B)
Dmonstration : A et B indpendants si et seulement si P(A/B)=P(A)
Or P(A/B)= P(AB)/P(B)
P(A/B) = P(A) P(AB)/P(B) =P(A) P(AB)=P(A).P(B)
Remarque :
Dans lapplication, il est assez frquent que lon nait pas dmontrer
lindpendance de 2 vnements car celle si peut dcouler automatiquement de
lexprience alatoire.
Exemple : Tirage avec remise de n individus dans une population finie, les
vnements relatifs aux diffrents tirages sont indpendants par construction.
Thorme :
Si les deux vnements A et E sont indpendants alors les vnements et E le
sont aussi ainsi que A et et et .
Dmonstration : Montrons par exemple que et E sont indpendants :
On a E= (AE) U (E)
Or (AE) et (E) sont incompatibles donc P(E)= P (AE) +P (E)
De plus, A et B sont indpendants donc P (AE)= P (A).P(E)
Par consquent, P(E) = P(A).P(E)+ P(E)
Do P (E) = (1-P(E)).P(A) =P().P(A)
Dfinition :
On dit que n vnements A1 A2. An issus de la mme exprience alatoire
sont mutuellement indpendants lorsque pour toute partie I de
lensemble {1,2, ,n} on a : P(Ai) = P(Ai )
iI

iI

3) Formule de Bayes :
1re formule de Bayes : P(B/A)= P(A/B).P(B) /P(A)
Dmonstration : P(A B ) = P(A/B). P(B) et P(B/A)= P(A B )/P(A)
Thorme des probabilits totales :
Soit {Bi } 1 i n un systme complet dvnements et soit A un vnement.
n

P(A) =

P(A/Bi).P(Bi)
i=1

2me formule de Bayes :


7

P(Bi /A)= P(A/Bi).P(Bi)/P(A/Bk).P(Bk)


k=1

Exemple :
Dans une usine, 3 machines M1, M2 , M3 fabriquent des boulons de mme type.
M1 sort en moyenne 0,3% de boulons dfectueux,
M2 sort en moyenne 0,8% de boulons dfectueux,
M3 sort en moyenne 1% de boulons dfectueux.
On mlange 1000 boulons dans une caisse, 500 provenant de M1 et 350 de M2 .
On tire un boulon au hasard dans la caisse. Quelle est la probabilit quil ait t
fabriqu par M1 ?
Solution :
Considrons les vnements suivants :
Mi : Le boulon est fabriqu par la machine Mi
pour i=1 3
P(M1) = 1/2
, P(M2)= 0,35
et P(M3)= 0,15
P(D/M1)= 0,003
P(D/M2)= 0,008 et P(D/M 3) = 0,01
On cherche calculer P(M1/D)
{M1 , M2 , M3} est un systme complet dvnements donc daprs la 2me
formule de Bayes, P(M1/D)= P(D/M1) .P(M1) / P(D/Mi) .P(Mi)
1i3

A.N : P(M1/D)= 0,26

Variables alatoires
8

I-

Gnralits :

Le concept de variable alatoire formalise la notion de grandeur variant selon le


rsultat dune exprience alatoire.
Dfinition :
Si X est une application dun ensemble probabilis (,C,P) dans un ensemble E
On dit que X est une variable alatoire si E est probabilisable cest dire muni
dune tribu T et que limage rciproque de tout lment de T est un lment de
C. Une variable alatoire est une application mesurable de (, C, P) dans
( E ,T ) .

II-

Variable alatoire discrte :

Dfinition :
On dit quune variable alatoire est discrte si elle ne peut prendre que des
valeurs isoles.
X() est fini ou dnombrable
1)Loi de probabilit dune variable alatoire discrte :
Dfinition :
La loi de probabilit dune variable alatoire discrte X est la fonction Px dfinie
sur X() et valeurs dans [0, 1] par :
PX(x) = P(X=x)
PX : X() [0, 1]
x P(X = x)
Remarque :
(X=x) = { / X() = x} = X-1({x})
Dans le cas dune variable alatoire discrte X, elle sera parfaitement dtermine
par sa loi de probabilit.
Proprit :

P(X=x) = 1
xX()

Exemple : Considrons lapplication X qui compte la somme des points obtenus


lors du lancer de 2 ds
X() = { 2, 3, 4,.., 12}
P(X=2) = 1/36 ,
P(X=6)=5/36 ,

P(X=3)= 2/36 , P(X=4) =3/36 , P(X=5)=4/36 ,


P(X= 7)=6/36, P(X=8) = 5/36, P(X=9)=4/36 ,
9

P(X=10)= 3/36,
On a bien

P(X=11)=2/36 , P(X=12)=1/36

P(X=x) = 1
x

Dfinition :
On appelle mode ou valeur modale la valeur prise par la variable alatoire X qui
prsente la plus grande probabilit. Dans lexemple prcdent, x= 7 correspond
au mode.
2) Fonction de rpartition :
Dfinition :
La fonction de rpartition FX associe une variable alatoire X est la fonction
dfinie sur IR valeurs dans [0 , 1] par :
FX(x)= P (X x)
o (X x) ={ / X() x}
Exemple :
Reprenons lexemple de lexprience alatoire qui consiste lancer deux ds
quilibrs et S la variable alatoire qui compte la somme des points obtenus sur
les deux faces.
Dterminons la fonction de rpartition associe cette variable alatoire.
- Pour x< 2
FS(x) = 0
- Si 2 x<3
FS(x) = P(X= 2)= 1/36
- Si 3 x<4
FS(x) = 1/36 + P(X=3)= 3/36
- Si 4 x<5
FS(x) = 3/36 + P(X= 4)= 6/36
- Si 5 x<6
FS(x) = 6/36 + P(X= 5)= 10/36
- Si 6 x<7
FS(x) = 10/36+P(X= 6)= 15/36
- Si 7 x<8
FS(x) = 15/36+P(X= 7)= 21/36
- Si 8 x<9
FS(x) = 21/36+P(X= 8)= 26/36
- Si 9 x<10
FS(x) = 26/36+P(X= 9)= 30/36
- Si 10 x<11 FS(x) = 30/36+P(X= 10)= 33/36
- Si 11 x<12
FS(x) = 33/36+P(X= 11)= 35/36
- Si x 12
FS(x) = 1
FS est une fonction en escalier.

3)Esprance mathmatique :

10

Dfinition :
Lesprance mathmatique ou valeur moyenne dune variable alatoire X est
donne par :
E(X) = x .P(X=x)
x X()

Remarque :
Si X prend de faon quiprobable les valeurs x1 , x2 ,. , xn alors sa
moyenne est : E(X)= (x1+ x2+ ..xn) /n
Proprit1 :
Lesprance mathmatique est une forme linaire. En effet, si X et Y sont des
variables alatoires dfinies sur le mme univers et a et b deux rels,
E(aX+bY) = a E(X) + b E(Y)
Si a est une constante, E(a) = a
Proprit 2 :
Soit g : IR IR une fonction continue par morceaux,
E(g(X)) = g(x). P(X=x)
x X()

Dfinition :
On dit quune variable alatoire X est centre si E(X) = 0
4) Variance dune variable alatoire :
Lide est de mesurer la dispersion dune variable alatoire grce la notion
dcart type. Une variable alatoire X prsentera une distribution dautant plus
homogne que ses diffrentes valeurs seront regroupes autour de la moyenne.
Il faut donc que les valeurs prises par X et sa moyenne E(X) soient petits.
On a choisi de dfinir lcart type X comme la moyenne quadratique des carts
et la variance V(X) comme carr de X .
Dfinition :
On dfinit la variance dune variable alatoire X par :
V(X) = (x-E(X))2 .P(X=x) = E[(X-E(X))2]
x X()

V(X) tant le carr de lcart type X.


Remarque :
On a V(X) = E(X2) [E(X)]2
Dfinition :
Une variable alatoire X est dite rduite si V(X) = 1

11

Proprit :
Soit X une variable alatoire et a et b deux nombres rels, on a :
V(aX+b) = a2 V(X)
Dm: V(aX+b) = E[(aX+ b)2] - [E(aX+ b)]2
= E(a2X2+2abX+b2) - (aE(X) +b)2
= a2E(X2) +2abE(X) +E(b2) a2[E(X)]2- 2abE(X)-b2
Or E(b2) = b2, donc V(aX+b) =a2[E(X2)- [E(X)]2]2 = a2V(X)
Ingalit de Bienaym- Tchbycheff :
Pour a> 0, P(|X- E(X)|a. (X)) 1/a2
5) Fonction gnratrice :
Dfinition :
Etant donne une variable alatoire discrte X valeurs entires, on appelle
fonction gnratrice de X, lapplication gX : IR IR
u gX(u)=E(uX)
gX(u) = E(uX) = un P(X= n)
n X()

Proprits :
1) gX(1) = 1
2) E(X) = gX(1)
3) V(X) = gX(1) + gX(1) - (gX(1)2
6)Lois de probabilit dusage courant :
a) Loi discrte uniforme :
X() = {1,2,3,,n}
Pour tout k de X() , P(X=k) = 1/n
On a bien une loi de probabilit car
n

P(X=k) = 1
k=1

E(X) = k.P(X=k) = 1/n k = 1/n .n(n+1)/2 = (n+1)/2


k=1

k=1

E(X2) = k2. P(X=k) = 1/n .k2 = 1/n . n(n+1)(2n+1)/6 =(n+1)(2n+1)/6


k=1

V(X) = E(X2) [E(X)]2 = (n+1)(2n+1)/6 - (n+1)2/ 4 = (n2 1)/12

12

b) Loi de Bernouilli de paramtre p :


Cest la loi suivie par toute variable alatoire ne pouvant prendre que deux
valeurs. Ainsi, par exemple les variables alatoires associes aux rsultats
obtenus lors dun jeu de pile ou face, lors dune naissance (fille ou
garon), etc.
X() = {0,1} . En gnral, on associe 1 au succs et 0 lchec avec les
probabilits respectives p et 1-p.
E(X) = 1.p + 0.(1-p) = p
E(X2) = 1.p + 0.(1-p) = p
V(X) = p2 p = p(1-p)
Exemple : Dans un sac, on tire une boule au hasard. Ce sac contient 3
boules bleues et 2 boules rouges. Le rsultat favorable pour ce jeu tant la
boule rouge.
Nous avons une distribution 2 valeurs. (X=1) correspond au tirage de la
boule rouge par exemple. On a P(X=1) = 2/5 et P(X=0) = 3/5
c)Loi binomiale B(n ;p) :
Supposons que lon rpte n fois dans des conditions identiques une
exprience alatoire dont lissue se traduit soit par lapparition soit par la non
apparition dun vnement A de probabilit p ; le rsultat dune exprience tant
indpendant des rsultats prcdents. Soit X le nombre dapparitions de
lvnement A parmi ces n expriences. On dit que X suit la loi binomiale
B(n ;p) . X() = {0,1,2,.n}
A chaque exprience numrote i (i= 1, 2 ,..,n) on peut associer une variable
de Bernouilli Xi de paramtre p.
On a X= X1 + X2 +..Xn
; X est la somme de n variables de Bernouilli
indpendantes.
k
On a P(X=k) =

pk (1-p)n-k

pour k = 1, 2, ..,n .

On a aussi E(X) = n.p

et V(X) = np(1-p)

Exemple :
Six feux tricolores non synchroniss sont placs le long dune route. Chacun est
rgl de la mme faon : 45 secondes pour le vert, 5 secondes pour lorange et
30 secondes pour le rouge.
Quelle est la loi de probabilit de la variable alatoire X qui compte le nombre
de feux qui peuvent tre passs sans ncessiter darrt sachant que lon passe
lorange?

13

Rp : Chaque preuve se ramne une variable de Bernouilli en notant succs


pour lvnement passage au feu cest dire vert ou orange et chec pour
larrt feu rouge .
On est en prsence dune loi binomiale B(n ;p) avec n=6 et p= (45+5)/80 =5/8.
c) Loi hypergomtrique :
On se place dans le cas o lon doit tirer n objets dun seul coup dans un sac
contenant au dpart N objets de deux types par exemple S boules rouges et N-S
boules bleues et le succs est dtermin par une boule rouge.
Soit la variable alatoire X qui compte le nombre de succs.
Les valeurs possibles prises par X sont comprises entre max(0 ; n-N-S) et
min(n ; S).
On dit que X suit une loi hypergomtrique H (N, n, p)
On a P(X=k) = nb cas favorables/nb cas possibles avec :
k

Nb cas fav =

n-k

c. c
S

Nb cas possibles =

N-S

E(X) = np et V(X) = np(1-p)(N-n)/(N-1)


d) Loi de Poisson :
Cest la loi la plus courante pour une variable alatoire discrte dnombrable.
La loi de Poisson intervient propos dvnements rares dans un intervalle de
temps ou despace dtermins pour un grand nombre dobservations.
Ex : pannes de machines, erreurs dans un livre, ..
On sintresse compter le nombre de fois N quun vnement pouvant se
rpter survient dans un intervalle de temps donn. Par exemple, le nombre N
dtoiles nouvelles qui apparaissent dans une partie du ciel donne au cours de
lanne prochaine (cest ce type dvnement qui a pouss Poisson laborer la
loi qui porte son nom.)
On dispose de donnes historiques qui permettent de dire quen moyenne, il
apparat toiles par unit de temps ( rel strictement positif)
Postulat 1 :
Au cours dun intervalle de temps assez petit [t, t+t] il apparat au plus une
toile avec une probabilit t.
Postulat 2 :
Ce qui se passe aprs linstant t est indpendant de ce qui se passe avant.
Notons N(t) le nombre dtoiles apparues au temps t de lanne prochaine (t =0
tant le dbut de lanne).
14

On cherche la loi de la variable alatoire N = N(1)


Pour t<s, soit lvnement At,s : Il apparat une toile nouvelle dans lintervalle
de temps
[t, s [.
A partir du postulat 1, on a pour tout n entier naturel et t petit,
(N(t+t)=n) = [(N(t) = n) t,t+t ] U [ (N(t) =n-1) At,t+t]
Les 2 vnements entre crochets tant incompatibles,
P (N(t+t)=n) = P (N(t) = n) t,t+t) + P(N(t) =n-1) At,t+t)
Posons pn(t) = P(N(t) = n) ; en utilisant le postulat 2, il vient lquation :
pn(t+t) = pn(t) (1-t) +pn-1(t) t
En divisant par t puis faisant tendre t vers 0, on obtient la suite dquations
diffrentielles :
pn(t) + pn(t) = pn-1(t)
On rsout par rcurrence en partant de p-1(t) =0 (pour tout t) et p0(0) = 1 et
pn(0) = 0
(n entier naturel).
-t
On obtient : pn(t) = e (t)n /n !
Do la loi de N, P(N=n) = e- n/n !
La loi de poisson est donne par P(X=n) = e-. n/n ! pour k entier naturel
On a E(X) = V(X) =
Thorme :
Soit X une variable alatoire suivant une loi binomiale B(n ; p) avec n tendant
vers + et p vers 0 de manire ce que np tende vers une limite finie . Alors la
loi de X tend vers une loi de Poisson de paramtre .

III-

Variables alatoires continues :

1)Fonction de rpartition et densit de probabilit :


Dfinition1 :
Une variable alatoire est une application mesurable de (, C, P) dans IR muni
de sa tribu borlienne.
Remarque : Pour caractriser une variable alatoire relle continue pour laquelle
lensemble des valeurs est constitu dintervalles de IR, on peut utiliser sa
fonction de rpartition.

Dfinition2 :
On appelle fonction de rpartition dune variable alatoire X lapplication F
F : IR [0,1]
15

x P(X x)
o ( X x) = X-1(] - , x])
Dfinition3 :
La densit de probabilit f dune variable alatoire X est la drive de la
fonction de rpartition.
Pour tout x rel, f(x) = F(x)
Proprit1 :
F est une fonction croissante , de plus lim F(x) = 0 et lim F(x) = 1
x-

x+

On en dduit que la fonction densit est positive.


Proprit 2 :

P(a < X b) = F(b) F(a) =

f(t) dt
a

o (a < X b) = X-1(] a, b] )
Dm : - , b] = - , a] U |a, b]
P(X ]- , b] ) = P(X ]- , a] ) + P(X ] a, b])
F(b)
= F(a)
+ P (X ]a, b])
Remarques : - Si X est une variable alatoire continue, P(X= a) = 0
P(a < X b) est gale la mesure de laire dlimite par la courbe
reprsentative de f et les droites x= a et x=b.
P(x <X x+dx) = f(x) dx
+
-

f(t) dt

= 1

Thorme :
Pour quune fonction f continue soit une densit de probabilit il faut et il suffit
+

quelle soit positive et que

f(t) dt

= 1

2)Esprance mathmatique , variance et cart type :


Dfinition :
Soit X une variable alatoire continue et f sa densit de probabilit, on dfinit :
+

1)lesprance mathmatique par E(X) = x f(x) dx lorsque lintgrale existe


16

2) la variance par V(X) = E(X2) [E(X)]2 avec E(X2) = x2 f(x) dx


IR

3) lcart type par (X)2 = V(X)


Proprit 1 :
Soient X et Y deux variables alatoires et a, b deux rels,
E(aX+bY)=aE(X)+bE(Y)
V(aX+ b) = a2V(X)
Proprit 2 :
Soit g une fonction continue par morceaux,
E[g(X)] = g(x) f(x) dx
IR

3) Moments dordre k :
Dfinition :
On appelle moment dordre k dune variable alatoire mk = E(Xk)
E(Xk) = xk f(x) dx

lorsque lintgrale existe.

IR

On dfinit les moments centrs dordre k par k = E[(X-m)k] o m= E(X)


4) Distributions continues usuelles :
a) La loi uniforme sur [0, a] :
(a > 0)
Sa densit est donne par :
f(x) = 1/a sur [0, a]
= 0 ailleurs

f(x) dx = 1/a dx = 1
IR

F(x) = x/a sur [0, a]


= 0 sur - , a]
= 1 sur [a, + a
E(X) = x f(x)dx =
IR

x/a dx
0

= a/2

; E(X ) = x2 /a dx = a2/3 et V(X) = a2/12


2

b) Loi exponentielle de paramtre :


Sa densit est donne par : f(x) = e-x si x> 0
17

= 0
E(X) = 1/

et V(X) = 1/

c) Loi gamma de paramtre r :


Sa densit est donne par :
f(x) = e-xxr-1/(r) si x >0
= 0
sinon
On a E(X) = V(X) = r)

sinon

o (r) = e-x xr-1 dx


0

d) Loi de Laplace-Gauss ou loi normale N(m ; 2) :


Elle joue un rle fondamental en probabilits et statistique mathmatique ; elle
constitue un modle frquemment utilis dans divers domaines (ex : variation
du diamtre dune pice dans une fabrication industrielle, rpartition des erreurs
de mesure autour de la vraie valeur ..
La densit de la loi normale est donne par : f(x)=(22)-1/2. exp((x-m)2/22)
(pour x IR).

IR f(x) dx

= 1 ; de plus, E(X)=m et V(X) =2

Remarque : Si X suit la loi normale N(m ;2), on pose U= (X-m)/


(E(U)=0 et V(U) =1) afin de pouvoir utiliser la table de la loi normale centre
rduite N(0 ;1) . (Voir en annexes la table de la loi normale centre rduite.

O (u) = FU(u) = P(U u)


5) Loi dune fonction de variable alatoire :
On suppose que X est une variable alatoire continue de densit fX et de
fonction de rpartition FX.
Soit Y= (X) o est une fonction drivable.
Exemple: (x) = x2.
Dterminons la fonction de rpartition FY de Y.
Soit y IR, FY(y) = P(Y y) = P(X2 y)
18

- Si y < 0 FY(y) = 0
- Si y 0 FY(y) = P(-y X y) = FX(y) - FX(-y)
On en dduit la fonction densit fY de Y :
fY(y) = 0
si y < 0
= (FY)(y) = (fX(y) +fX(-y))/2y si y 0
6)Fonction caractristique :
Dfinition :
La fonction caractristique dune variable alatoire relle X est la transforme
de Fourier de sa densit de probabilit. Elle est note X.
X(t) = E(eitX) = IR eitx f(x) dx
Proprits :
1) X(t) = X(t)
2) X+a (t) = eita . X(t)
3) Drives lorigine et moments :
X(0) = 1
(X)(k)(0) = ik E(Xk)
Lorsque X est indfiniment drivable, on a le dveloppement en srie de X
comme suit :
+

(it)k E(Xk)/k !
k=0

Exemple :
Si U ~ N(0 ;1) U(t) = exp(-t2 /2)
En effet, si k est pair, E(Uk) = 0 et E(U2p) = (2p-1) E(U2p-2) (par une
intgration par parties)
On a ainsi E(U2p) = (2p-1) (2p-3) 1 = (2p) !/2p p !
En appliquant le dveloppement en srie de U(t) , on obtient :

(it)2p /2p p ! = (t2/2)p /p !


p0

= exp(-t2/2)

p0

IV- Couples de variables alatoires :


1) Cas discret
Dfinition :
Soient X et Y deux variables alatoires dfinies sur le mme espace .
X( ) ={ x1 , x2 ,xn } et Y( ) ={ y1 , y2 ,ym }
La loi du couple (X, Y) est lapplication P(X ,Y) : X( ) * Y() [0, 1]
avec P(X,Y) (xi , yj) = P(X = xi Y=yj) = pij avec 1 i n et 1 j m
19

De plus,

pij = 1

i=1 j=1

Dfinition :
Les lois de probabilit PX et PY dfinies par :
PX (xi) = P(X= xi ) = pij = pi .
1jm

PY (yj ) = P(Y= yj ) = pij = p. j


1in

sont appeles lois marginales.


n

De plus, pi . =
i= 1

p. j = pij = 1
j=1

i=1 j=1

Dfinition :
Les vnements (X= xi) et ( Y=yj) tant de probabilit non nulles, on dfinit les
lois conditionnelles :
a)P(X=xi /Y=yj )= pij / p. j
b)P(Y=yj /X=xi) = pij / pi .
Proprits :
1) Les variables alatoires X et Y sont indpendantes si et seulement si
pij = pi . p.j pour 1i n et 1j m.
2)E(XY) = E(X) . E(Y)
2) Cas continu :
Dfinitions :
-Soient X et Y deux variables alatoires continues valeurs dans IR2 , on
appelle fonction de rpartition du couple alatoire (X, Y) lapplication F(X,Y)
dfinie sur X() *Y() et valeurs dans [0, 1] par :
F(X,Y)(x,y) = P(Xx Yy)
-La densit du couple quand elle existe est la fonction f(X,Y) dfinie par :
f(X,Y)(x,y) = 2F(X,Y)/xy .
-Lois marginales :
Les densits marginales de X et de Y sont les fonctions dfinies sur IR par :
fX(x) = IR f(X,Y)(x,y) dy et fY(y) = IR f(X,Y)(x,y) dx .
20

-Lois conditionnelles :
La densit de Y connaissant celle de X est f(y/x) = f(X,Y)(x,y)/fX(x)
La densit de X connaissant celle de Y est f(x/y) = f(X,Y)(x,y)/fX(y)
Proprits :
-Les variables alatoires X et Y sont indpendantes si et seulement si :
F(X,Y)(x,y) = FX(x). FY(y) (pour les fonctions de rpartition)
-Les variables alatoires X et Y sont indpendantes si et seulement si :
f(X,Y)(x,y) = fX(x) . fY(y) (pour les densits)
-Si les variables alatoires X et Y sont indpendantes, alors on a :
E(XY) = E(X).E(Y)
et X+Y(t) = X(t).Y(t) (pour les fonctions caractristiques)
3)Covariance dun couple de variables alatoires :
Dfinition :
On appelle covariance du couple (X, Y) et on note XY ou COV(X,Y) avec
XY = E[(X-E(X)).(Y-E(Y))].
En utilisant la linarit de lesprance mathmatique, on a :
XY =E[XY-XE(Y)-YE(X) +E(X)E(Y)]
=E(XY)-E(X)E(Y)-E(X)E(Y)+E(X)E(Y)
XY =E(XY)-E(X)E(Y)
Remarque :
n m
Dans le cas discret, E(XY) = xiyj pij
i=1 j=1

Dfinition :
On appelle coefficient de corrlation des variables alatoires X et Y le rapport
XY = XY/XY
Remarque :
Le coefficient de corrlation traduit le degr de dpendance qui existe entre les
variables X et Y. Plus il est proche de 1 ou de -1 meilleure est cette dpendance
et plus elle est proche de 0 plus elle est mauvaise.
Proprits :
Soient X et Y deux variables alatoires dfinies sur le mme univers .
1) V(X+Y) = V(X) +2 XY + V(Y)
2) -1XY 1
Dm : 1) V(X+Y) = E( (X+Y)2) (E(X+Y))2 =E(X2 +Y2+ 2XY)-(E(X)+E(Y))2
= E(X2) + E(Y2)+2E(XY) (E(X))2 +(E(Y))2+ 2E(X)E(Y))
= E(X2)-(E(X))2 +2(E(XY)-E(X)E(Y)) +E(Y2)-E(Y2)
21

= V(X)+ 2 XY+ V(Y)


2 On a V(aX+Y) = a2V(X) +2a XY +V(Y) et ce pour tout rel a. On
obtient donc un trinme du second degr en a dont le discriminant doit
tre ngatif ou nul. Do le rsultat.
Proprits :
Si X et Y sont indpendantes alors :
1) XY= 0
2) V(X+Y) = V(X)+V(Y)
V-

Quelques lois importantes :

1)Loi du Khi- deux p degrs de libert :


Dfinition :
Soient X1, Xp p variables alatoires indpendantes suivant la loi normale
centre rduite. On appelle loi du Khi-deux p degrs de libert et on note 2 la
loi de la variable alatoire X = (Xi)2
1in

La densit de 2 p degrs de libert est : g(t) = [(p/2)]-1 2-p/2 e-t/2 tp/2-1


De plus, E(2) = p
et V(2) = 2p

Laire hachure correspond la valeur de la fonction de rpartition du khi-deux


p degrs de libert en Fp ce qui correspond P(X Fp)
Proprit :
La somme de deux variables alatoires indpendantes suivant respectivement la
loi du khi-deux p et q degrs de libert est une variable alatoire suivant aussi
la loi du khi-deux p+q degrs de libert .

2)Loi de Fisher-Sndcor :
Dfinition :

22

Soient X et Y 2 variables alatoires indpendantes suivant respectivement les


lois du khi-deux n et p degrs de libert. On appelle loi de Fisher n et p
degrs de libert la loi de la variable alatoire F(n ;p) = (X/n)/(Y/p)
3)Loi de Student :
Dfinition :
Soient U et X deux variables alatoires suivant respectivement la loi normale
centre rduite et la loi du khi-deux n degrs de libert. On appelle loi de
Student n degrs de libert la loi de la variable alatoire Tn dfinie par le
rapport de U par la racine carre de Y o Y= X/n

Courbe de la fonction densit dune variable alatoire suivant la loi de Student


Remarque : Laire hachure qui vaut 1- correspond P(-tTn t) .
Approximation :
Si n +, Tn converge en loi vers la loi normale centre rduite.
VI-

Convergence des suites de variables alatoires :

1)Convergence en probabilit :
Dfinition :
La suite (Xn)n converge en probabilit vers la constante a si pour tout ,
(arbitrairement petits), il existe n0 tel que pour n> n0 on a :
P( | Xn- a | > ) <
.
On dfinit la convergence en probabilit vers une variable alatoire X la
convergence vers 0 de la suite (Xn- X)n .
Remarque :

23

Lorsque E(Xn) converge vers a, il suffit de montrer que V(Xn) converge vers 0
pour tablir la convergence en probabilit de (Xn) vers a.
En effet, daprs lingalit de Bienaym-Tchebycheff,
P(Xn-E(Xn) >) <V(Xn)/2
2)Convergence presque sre :
Dfinition :
Les deux variables alatoires X et Y sont gales presque srement si :
P({ / X() Y() }) = 0
La suite (Xn)n converge presque srement vers X si :
P({ / lim Xn() X() }) = 0
n+

3)Convergence en moyenne dordre p :


Dfinition :
La suite (Xn)n converge en moyenne dordre p si E(|Xn-X|p) converge vers 0
(lorsque E(|Xn-X)p existe)
On parle de convergence quadratique si p=2
4)Convergence en loi :
Dfinition :
La suite (Xn)n converge en loi vers la variable alatoire X de fonction de
rpartition F si pour tout point de continuit de F , la suite (Fn)n des fonctions de
rpartition des variables alatoires Xn converge vers F.
5)Thorme central limite :
Soit X1 ,. ,Xn une suite de variables alatoires indpendantes et de mme loi
desprance m et de variance 2 , alors :

converge en loi vers la loi normale centre rduite.


Application : Thorme de Moivre-Laplace :
Soit Yn une variable alatoire suivant la loi binomiale B (n, p) alors :
(Yn np)/npq converge en loi vers la loi normale centre rduite.

6) Loi des grands nombres :

24

En statistiques, la loi des grands nombres indique que lorsque l'on fait un tirage
alatoire dans une srie de grande taille, plus on augmente la taille de
l'chantillon, plus les caractristiques statistiques de l'chantillon se rapprochent
des caractristiques statistiques de la population. La taille de l'chantillon
prendre pour approcher les caractristiques de la population initiale ne dpend
que faiblement, voire pas du tout, de la taille de la srie initiale.
C'est sur cette loi que reposent la plupart des sondages. Ils interrogent un
nombre suffisamment important de personnes pour connatre l'opinion
(probable) de la population entire. De mme, sans la formalisation de cette loi,
l'assurance n'aurait jamais pu se dvelopper avec un tel essor. En effet, cette loi
permet aux assureurs de dterminer les probabilits que les sinistres dont ils sont
garants se raliseront ou non.
La loi des grands nombres sert aussi en statistique infrentielle, pour dterminer
une loi de probabilit partir d'une srie d'expriences.
On distingue deux noncs, appels respectivement loi faible des grands
nombres et loi forte des grands nombres.
a) Loi faible des grands nombres
Si l'on considre n variables alatoires indpendantes dfinies sur un mme
espace probabilis, ayant mme variance finie et mme esprance note E(X), la
loi faible des grands nombres stipule que, pour tout rel strictement positif, la
probabilit que la moyenne empirique s'loigne de l'esprance de plus de , tend
vers 0 pour les grandes valeurs de n, c'est--dire :

Autrement dit, la moyenne empirique converge en probabilit vers E(X). Ce


rsultat est trs important en statistique puisqu'il assure que la moyenne
empirique est un estimateur convergent de l'esprance.
La loi faible des grands nombres se dmontre en utilisant l'ingalit de
Tchebychev.

b) Loi forte des grands nombres :

25

Considrons n variables alatoires indpendantes qui suivent la mme loi de


probabilit.
La loi forte des grands nombres prcise que la moyenne
empirique Yn converge vers E(X) presque srement c'est--dire :

Fonction de rpartition de la loi normale


centre rduite.
Probabilit de trouver une valeur infrieure
u.
(-u) = 1 - (u)
u

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0

0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586

0.1

0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535

0.2

0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409

0.3

0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173

26

0.4

0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793

0.5

0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240

0.6

0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490

0.7

0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524

0.8

0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327

0.9

0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891

1.0

0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214

1.1

0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298

1.2

0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147

1.3

0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774

1.4

0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189

1.5

0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408

1.6

0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449

1.7

0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327

1.8

0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062

1.9

0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670

2.0

0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169

2.1

0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574

2.2

0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899

2.3

0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158

2.4

0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361

2.5

0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520

2.6

0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643

2.7

0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736

2.8

0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807

2.9

0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861

3.0

0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900

3.1

0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929

3.2

0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950

3.3

0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965

3.4

0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976

27

28

Valeurs f de la variable de Fisher -Sndcor F(1 , 2) dtre dpasses avec


une probabilit de 0,1

29

Valeurs f de la variable F(1 , 2) dtre dpasses avec une probabilit de


0,05

30