Vous êtes sur la page 1sur 363

Ftç

a:

_ -- t-r,r.r,]l

1l

école notionole supérieure du pétrole et des moteurs

Ph. TASSI et S. LEGAIT

théorie

des

probabilités

en vue des applications statistiques

6 o)

{) o

o =

L

o

c o.

o

f

o

.c

E (D

o

.o

,dffifl

,:*-

,,

i

,tri'[e;Ë

t"

-l

.',:

ffi?

.$ffiffi

/

tj.i.'

rll:-9.:l:11 .\

,#fr.&TfrIr

.ri'*1H1i*'r

o

a

*;::;""ii**tq:;:.:'ft.4*[ii,'rffi,F*urisjit{'1rrr:#]r':*

a

f

o-

TUTIONS TECHNIP

i-

I l

5l-9.21-:3il

352

TAS

1l

il

it fi

il

a

,

ll'i:

,t**jt-"\{

u ':,

:'r- Q''|r

-l

I

i

3

I

I

I

I

I

I

I

I

I

I

I

519. ?1-:3il TAS

AR?

r' .- "l f

-

I

'') '-' i 't

, .r

{,1' ù

INSTITUT FRANÇAIS DU PETROLE

École Nationale Supérieure

du Pétrole et des Moteurs

Centre d'études supérieures

d'économie et gestion

Théorie

des probabilités

en vue des applications statistiques

Éotnorus rEcHNtp

27, rue Giroux

Philippe Tassi

Directeur scientifique de Médiamétrie

Professeur à I'ENSPM et à I'ENSAE

Sylvia Legait

Attaché de t'INSEE

@ lgg0. Editions Technip, Paris

et Institut Frmtçais du Pétrole, Rueil-Malmaison

tsBN 2-7108-0582-O

rssN 0758-147X

Toute reproduction, même paftielle de cet ouvrage, par quclque procédé que ce soil

est rigouretnement interdite par les lois en vigueur

AVANT-PROPOS

déjà longue histoire des

méthodes scientifiques montre que

victoire du chercheur, du praticien, de

scientifique

la principale

|ingénieur, esi t;upprànt,.s"ge du doute. Le

prùs fréquemmenio""

uttirrations comme

pour que

re

: *queile est ra probabirité

probabilités jouent, et joueront un rôle

part en raison de ra nature aréa_

éclairé remprace de prus en

"le

résultat est

".

> par des interrogations

Le calcul et la théàrie des

résultat soit

fondamental dans ra démarche

scientifique, d'une

toire de la plupart des problèmes réels,

aux méthodes

et complexes à analyser.

d""utr" part grâce à la nécessité de recourir

statistiques de traitement de donnée-s sans cesse plus nombreuses

Le déterminisme étant souvent

une

réduction hâtive de la réalité, il n'est

"onË"pt,

maintenant, d'ingénieur chimiste. physicien,

sûr des

sociales et

probabilité et de la

particules : les électrons ne

plus,

fiabiriste, astronome, sans parrer bien

et prus généràtement des sciences

ài r"" modères de ra

spéeialistes de ra gestion, d" i'é"onornie

humaines, qui n'aient à manipurer res

statistique. Mentionnons, à titre

0,""".pie, ra physique des

noyau comme

décrivent pas des trajectoires autour du

le font les planètes autour du

soleil. Les particules obéissent en effet aux lois de la

de

trajectoire doit être abandonnée. De manière

la probabilité de pré_

possiÉre de connaître est

mécanique quantique, et la notion générale, la seure chose qu'ir est

sence d'une particule en un point donné et à un instant donné.

.L',ouvrage

propose une introduction

aux principales notions des probabilités

en anaryse et en

proba'bilirt""-I qui ira encore en

adaptés - montre qu'une mau-

des techniques est à r,origine

nous apparaît donc important

dont le praticien sera

,

risés avec un certain

amené à se servir. ll est rédigé pour des lecteurs déjà familia-

argèbre. En effet,

bagage mathématique

l'usage de plus en plus

grandissant de par re

repându des méthodes

déveroppement de rogiciers

propriétés

fondamentares

résultats. ll

vaise connaissance des

d'interprétations parfois aberrantes des

d'insister sur les bases, afin de faciliter la

tion fait en

compréhension des méthodes. La rédac-

outre appel à de nombreux exemples d'applications et exercices résolus

ou à résoudre.

Le chapitre 1 présente les

.

concepts

probabilistes usuels selon I'axiomatique.

égarement res résurtats sur re

maintenant

classique, de Kormogorov. il'contient

conditionnement

er [indépendanCe. et le célèbre théJrème dû à Thomas Bayes, dit

de nprobabilité des causes>

chapitre 2 pronge re de la mesure et présenre res

carcur des probabirités dans ra

principaux

théorie. prus générare,

étéments de rintàgr"tion générarisée au

sens de Lebesgue, dont ra pubrication, au début du 2o'"siècre, a permis une

PH. TASSi - S. LEGAIT

AVANT PROPOS

approche unifiée des probabilités. Nous avons adopté cette démarche car elle apparaît pédagogiquement intéressante, de par l'unification du langage qu'elle

permet et la portée des propriétés qu'elle engendre.

Dans le troisième chapitre sont regroupés les principaux résultats sur les varia-

bles aléatoires réelles ou multidimerrsionnelles. La piupart d'entre eux sont des cas

particuliers de ceux obtenus au chapitre 2.

Le chapitre 4 est important pour le praticien: il fournit les définitions et pro- priétés de dix-huit lois de probabilité parmi les plus rencontrées dans les applica-

tions. ll donne également les principes des papiersfonctionnels adaptés à la déter-

mination d'une loi de probabilité au vu des données, ainsi que des éléments sur la

génération d'échantillons aléatoires souvent utilisés en simulation.

Le chapitre 5 est consacré à la géométrie des variables aléatoires. Après avoir

donné une représentation géométrique de certains des outils de la statistique des- criptive, il contient les bases sur lesquelles sont fondés le modèle linéaire et la

régression.

Au chapitre 6 est présenté l'un des outils les plus simples à utiliser lorsque l'on veut connaître la loi d'une somme de variables ou étudier les comportements

asymptotiques : il s'agit de la fonction caractéristique.

de variables aléatoires. De nombreu-

Le chapitre 7 porte sur les convergences

ses applications statistiques sont fondées

sant ainsi des approximations justifiées d'un comportement inconnr:. Ainsi, l'un des indices les plus utilisés en statistique est le nornbre des observations: lorsqu'il

est impossible d'obtenir des résultats exacts, la taille, parfois éievée, de n autorise l'usage de résultats approximés.

Un certain nombre de compléments et d"approfondissements font l'objet du chapitre 8. ll est souvent important, en pratique, de pouvoir mesurer la odistance, existant entre deux lois de probabilités. ou entre des observations et un modèle

théorique donné. Ouelques indicateurs de proximité sont présentés dans ce chapitre.

L'observation de données aléatoires fait parfois apparaître un ordre naturel :

ainsi un phénomène qui va en s'amplifiant donnera naissance à des données ran-

gées en ordre croissant. En outre, depuis quelques années, on voit se développer'

des méthodes statistiques utilisant des observations ordonnées, méthôdes dont les

propriétés de stabilité sont du plus haut intérêt. Le clrapitre 9 est donc consacré

aux résultats probabilistes particuliers à ce type de modèle ordonné.

Enfin, les chapitres 10 et 11 portent sur les processus, c'est-à-ciire une géné-

sur des propriétés (aux limites,, autori-

ralisation des variables aléatoires. Leur domaine d'utilisation le plus fréquent est celui des séries temporelles, dont l'observation varie non seulement en fonction de

l'individu observé mais aussi selon l'instant d'observation. Le chapitre 1O fournit

des résultats probabilistes sur les proeessus, et le chapitre 1 1 présente des exem- ples de processus, en particulier les processus autorégressifs et moyenne mobile très répandus en automatique et en prévision.

Les auteurs

PH. TASSI S. LEGAIT

TABLE EES MATIERES

AVANT PROPOS

TABLE DES MATIERES

Chapitre 1 : LES eONCEPTS pROBAB|L|STES 1 Espace probabitisable

1 .1 Ëxpérience aléatoire 1.2 Evénement

2

3

4

Propriétés des tribus

Ouelques tribus particulières

3.1 Exemples "

3.2 Tribu engendrée

3.3 Tribu borélienne

Probabilité sur un espace probabilisable

4.1 Définirion d'une

probabiliré

4.2 Propriétés d'une probabilité

5

6

Fonction de répartition

Probabilité

conditionnelle, indépendance d,événernents

conditionnelle .

6.1 Probabilité

6.2 lndépendance

6.3 Théorème de Bayes

Exercices

Chapitre 2

: PROBAB|L|TE, MESURE, tNTEGRAT|ON

1 La théorie de la

mesure : histoire et apport aux probabilités

2 Notion de mesure

2.1 Déf initions

2.2 Propriétér . ::::'

2.3 Meiure.iriin,

'

sii ".:: :.:. :::::::.'

3 Mesurabilité

3.1 Application mesurable

3.2 Mesure-image

3.3 Tribu-produit .

4lntégration

4. 1 lntégration des fonctions

4.2 lntégration des fonctions mesurablei positives

mesurables étagées positives

PH TASSI . S. TEGAIT

3

5

11

12

12

12

13

16

16

16

17

18

18

21

22

23

23

24

27

29

33

33

35

35

37

39

40

4A

43

44

46

46

48

TABLE DFS MATIERES

4.3 Fonctions intégrables

4.4 Propriétés de l'intégrale

4.5 Généralisation

4.6 Exemples

5 Négligeabilité .

5.'l Définitions

5.2 Propriétés

6 Mesure définie Par une densité

7 lntégration par rapport à une mesure-image

8 lntégration par rapport à une mesure-produit 8.1 Mesure-produit

8.2 lntégration

Exercices

Chapitre 3 : LES VARIABLES ALEATOIRES

1 Caractéristiques des variables aléatoires réelles (unidimensionnelles)

1.1 Fonction de répartition

.

1.2 Densité de probabilité

1.3 Moments

1.4 Fractiles

1.5 Changement de variables

.

.

.

'

'

.

.

2 Vecteurs aléatoires

2.1 Fonction de répartition

2.2 Densité de probabilité

2.3 Moments

2.4 Changement de variables

2.5 Lois marginales

2.6 lndépendance

2.7 Lois conditionnelles

' .

Exercices

Chapitre 4 : LES LOIS DE PROBABILITE USUELLES

1 Les lois discrètes

" .

1.1 La loi de Dirac

1.2 Loi indicatrice

1.3 Loi de Poisson

1 .4 Loi binomiale

1.5 Loi multinomiale

1,6 Loi hypergéométrique

(ou loi de Bernoulli)

.'

1.7 Loi binomiale négative

2 Les lois continues elassiques

2.1 Loi uniforme

2.2 Loi gamma

2.3 Loi de Weibull

50

51

52

53

54

54

55

59

61

64

64

65

67

71

72

72

73

75

77

78

80

80

80

82

85

86

87

91

103

107

107

107

108

109

110

110

113

115

116

116

117

119

PH TASSI S. LEGAII

TABLE D.ES MATIERES

2.4 Loi bêta

2.5 Loi de Gumbel

2.6 Loi normale unidimensionnelle

2.7 Loi normale multidimensionnelle

2.8 Loi log-normale

2.9 Loi du khi-deux

2.10 Loi de Student

2.11 Loi de Fisher-Snedecor

3 Les papiers fonctionnels

:.: 3 1 _,,,,v,r/ç Principe

des papiers

uçù

pcrpters

fonctionnels

toncltonnels

3.2 txemples de construction de papier fonctionnel

3.3 Cas de variables discrètes

4 Divers

4.1 Création de lois

4.2 Les coefficients de symétrie

de probabilité

, ra

et d.ailaiissement

tamiirËïfànentierre

11 Y:"

4.4

srrucrure générâre

Génération d'éôhantillons aléatoires

Exercices

Chapitre 5 :

GEOMETRTE DES VARTABLES ALEATOTRES

1 Espaces de variables

1.1

Les

espaces

9,

aléatoires

-

-

'

1.2 Lesespaces7jett'.

1 .3 Les espaces

et I z

'

'

'

"

Un peu de géométrie

2 1

2.2

Statistiqu"

J"""riptlu"'d",;l,;q;;'

L,

:

:

:

:

:

:

:.

:

:

:

:

Géométrie dans.L,

3 I ltry"'jmarion.daÀ's

2.4

lnterprétation

des

tois?u tni_oeux Liïe Stuoent

:

:

:

:

:.

Chapitre 6 : UN OUTTL: LA FONCTTON CARACTERTSTTOUE

1 Définition et

propriétés d,une fonction caractéristique

1.1 Définition

1 .2 Propriétés

1 3

Un "^".ft"

j" i"i'jËii"i;;;, ;;i;'

2 Fonctions

caractéristiques des lois de probabilité usuelles

2.1 Loi de Dirac

2.2 Loi de Bernoulli

2.3 Loi binomiale

2.4 Loi de Poisson

2.5 Loi uniforme continue

2.6 Loi gamma

2.7 Loi normale

2.8 Loi du khi-deux

2.9 Loi de Cauchy

PH TASSI . S. LFGAIT

:.

:

:

121

124

124

131

135

136

138

140

142

143

143

147

148

148

150

152

154

158

165

165

165

rob

 

169

171

:.

:

:

:

:

171

174

175

180

185

185

185

187

190

191

191

191

191

191

192

192

192

192

192

TABLE DFS MATIERES

2.10 Loi de Laplace multidimensionnelle

2.11 Loinormale

2.l2Loimultinomiale.'.

192

193

193

3 Applications de la fonction caractéristique

 

194

194

aléatoires

195

196

199

199

202

206

207

247

209

209

212

213

3.1 Loi d'une somme de vecteurs aléatoires

3.2 Caractérisation de l'indépendance de

3.3 Obtention des moments non centrés

deux vecteurs

"""":

4 Seconde fonction caractéristique 4.1 Définitionsetpropriétés

'.

4.2 Applications aux

Gram-Charlier

développements d'Edgeworth et de

Exercices

Chapitre 7 : I-ES GoNVERGENcES DE VARIABLES ALEAToIRES '! Convergence Presque sûre .

2

3

Gonvergeneeenprobabilité

2.1 Cas des variables aléatoires

2.2 Cas des vecteurs aléatoires

Convergence en loi

réelles

'

3.1 Définition de la convergence en loi

3.2 Caractérisation de la convergence en

.""!

'roi".:::::.::::::.::::::: î12

4

5

6

7

Relations entre les diverses formes de convergence

4.1 lmplicationsdiverses

4.2 Théorèmes de combinaison . '

'.

Les lois des grands nombres

Comportements asymptotiquement gausslens

Application aux lois de probabilité classiques

7.1 Loi de Poisson

7.2 Loi binomiale

7.3 Loi gamma

7.4 Loi du khi-deux

7.5 Précision de l'approximation gaussienne donnée par le théorème

central limite

Exercices

chapitre 8 : COMPLEMENTS ET APPROFONDISSEMENITS SUR LES LOIS DE PROBABILITE

tr Les distances

,1

La distance de Paul LévY

2 La distance en variation .3 La distance de Hellinger

.4 La distance de LiPschitz

218

218

221

223

227

231

231

232

234

235

236

238

241

241

241

242

243

244

PH TASSI , S. LEGA]T

TABLE DES MATIFBFS

1.5 La distance de prohorov

1.6 Comparaison de distances

1.7 Autres indicateu rs ci'écart

1.8 Retour sur les convergences

Application à la fonction de répartition empirique

2.1

Propriétés à distance finie

2.2 Propriétés

2.3 Vitesse de

asymptotiques

convérgence : loi du

logarithme itéré

2.4 lndicateurs de proiimité avec Fn . "

.

3 Ordres sur les variables aléatolres

Chapitre 9 : OBSERVATTONS

OFDONNEES

1 Loi de l'échantillon ordonné

1.1 Définition de la

1.2 Loi de la statistique d,ordre

staristique d,ordre

2 Lois particulières

?1L"'

2.2

de

l'échantillon srdonné

de X1r1

eas partiiulier des valeurs

couple (X1py

'.':

extrêmes

':' X1l/

2.3 Loijointe d,un

2.4

Catcutdesmomenrs

:.:::.:.:.:::.:::

3 Comportement asyrnptotique

3.1 Convergence d'un

3.2 Convergences des

3.3 Les lois des extrêmes

fractile empirique

valeurs exirêmes

3.4 Eléments

sur la démonstration des convergences en loi 6e Xlny

4 La loi de l'étendue

4.1 'Résultar général

4.2 L'étendue W

Chapitre't 0 : NOTTONS

ELEMENTATRES SUR LES PROCESSUS

1 Définition d'un processus aléatoire

1.1 Définition d'un processus

1.2 Processus équivalent

2 Processus stationnaires

2.1 Stationnarité stricte

2.2 Stationnarité faible

2.3 Remarques diverses sur la stationnarité

3 Corrélation et corrélogramme

3.1 Le coeff icient d'autocorrélation

3.2 Exemples de corrélogrammes

PH.TASSI .S LEGAIT

244

245

246

249

251

252

252

253

254

258

261

26a,

261

262

263

263

266

267

268

273

273

275

276

280

284

284

286

289

289

289

290

291

291

292

293

296

296

298

TABLE DES MATIEBES

4 Fonction d'autocorrélation partielle

4.1 Définition générale

4.2 Le théorème de Frisch et Waugh '

4.3 termination de

Système de

(h)

4.4 Un exemple

5 Les opérateurs B et F

'

Chapitre

1 Le

11 : EXEMPLES DE PROCESSUS ' ' '

processus de Poisson

1.1 Les processus

1.2 Le

à accroissements indépendants

processus de Poisson

2 Les processus de vie et de mort

3 Le mouvement brownien

4 Les processus autorégressifs

4.1 Définition

4.2 Etude du modèle AR(P) .

5 Les processus moyenne mobile

5.1 Définition

5.2 5.3 le lien'entre AR et MA

Remarque sur

ProPriétés d'un MA(q)

BIBLIOGRAPHIE .

TABLES NUMERIOUES INDEX

'

:

'

'

'

'

302

302

302

303

304

304

3O7

3O7

3O7

308

310

311

311

311

312

319

319

319

320

323

327

355

PI'J. TASSI - S. LEGAIT

Chapitre 1

Les concepts probabilistes

Dans de nombreux domaines

relevant ou non de I'expérimentation scientifi-

;

appel au

vocabulàir.e probabiliste. engen-

o,usàge. on parlera ainsi

en rugoy opposera res

que' le langage

courant fait de plus en plus

rant d'ailleurs de d'événement (plus

nombreux barbarismes ou'impropriétés

que probabreu

un match de sérection

upossiblesn contre les

uprobabres) ; une situation à venir sera décrite comme <pos_

sible. sinon probable, I etc.

De telles expressions, mQme

impropres, montrent que

prennent le pas sur le déterminisme.'Raison

bases solides la théorie

rincertain, r,aréatoire,

supplémeniaire pour fonder sur des

et le calcul des probabilités. développer son enseignement

et vulgariser ses résultats

si le

concept des probabirités remonte aux

nombre compris entre o et r

Egyptiens et aux Grecs, ra probabi-

#Àuià

"pp"Ëitr"

au 17. siècre.

et la notion de

""irt"niià"pLrance,

développài'le

tes tois des

conoitionnement,

"i."t".

A"fàrann, Laplace, Ouétef"t,

f ité en tant que

Fermat et Pascal

connaissent implicitement l'axiome o'aâ'oitivite

Dès ta iin oe ce siècre

probabilité conditionnelle.

grands nombres de Bernoulli. la formule de Bayes, ra théorie

que et en astronomie. ce^s applications aux science.

Le 18" siècle voit se

asymptotique,.et

|usage des probabirités en physi_

ôt àrr sciences socia-

[:f;":"rr.uivent au 19" siècte, sous t,imputsion de

De nombreuses

approches du concept de

r'interprétation

probabirité ont été proposées : on

tIàprace, von Mises) fondée

Koopman),

peut citer, par exempre,

fréqueniiste

sur la norion d'expériences

la théorie logique (carnap),

répétées, ta pronaoitite;;t;;;ri;;(Keynes,

la'formaiisaiion suolective ioe rinetïi, savage), t,appro-

che purement mathématique (Kolmogorov).

Le lecteur

intéressé par l'étude comparative de

reporter à r'ouvrage de T. Fine-

abstraite deé axiomes oe

probabilités pourra se

avons choisi la présentation

ces diverses fondations des

p*

il;iË#;Ëï;;

ror,.nogolJu,

"ouu"nt

apperée

i;int"rprétation fré-

en mémoire cette der-

(point de vue de ra

cette approche définit une

théorie de ra mesure>, comme nous re verrons

structure purement

cependant pas sans liaison

point. On gardera néanmoins

"u""

au chapitre 2.

mathématique, peu interprétable a

priori

quentiste, mais ne la requiert

pratique. Elle n'est

.en

nière, pour la facilité de compréhension.

PH TASSI - S. LEGAIT

LES CONC EPTS PFOBABILISTES

1 ESPACE PROBABILISABLE

1.1 Expérience aléatoire

En guise d'introduction, nous allons considérer I'expérience physique qui

entre les bornes d'un

1O ohms et dans lequel circule un courant d'intensité

consiste à .esuret la différence de potentiel U s'exerçant

circuit de résistance R:

| : 2 ampères. Si le montage de l'expérience

d.d.p. U :

est parfait, le voltmètre indiquera une

égales par ailleurs, les mêmes conditions

Rl :

20 volts. Tôutes choses

d'eipérience conduiront toujours

au même résultat de 2O volts. Ce type d'expérience

sera qualifiée de déterministe, le résultat étant parfaitement déterminé par la

connaissance des paramètres qui la régissent (résistance. intensité).

par opposition, une expérience sera dite aléatoire si son résultat ne peut être

prévu a priori.

On note par Q I'ensemble de tous les résultats possibles pour une expérience

donnée ; Q esi le référentiel, ou l'espace fondamental de l'expérience. Un élément a,l de O est dit résultat élémentaire.

Exemples

a) Considérons l'expérience consistant

à noter le résultat du lancer d'un

{1 , 2,3, 4, 5' 6 }'

régulier ; le résultat du lancer prend ses

valeurs dans Q :

b) Soit l'expérience consistant

à tirer au hasard un individu dans une popu-

1

à N ;

O

(

:

n (

{1, "'

N} S!

N)composé

lation de taille N, représentée

l'expérience consisté à

d'individus

par un identifiant s, d :

sélectionner u+n échantillon de taille n (1

tous différents, l'ensemble des résultats possibles Q est l'ensemble des

Cff échanti llons potentiels.

1.2 Evénement

ll n'y a aucune raison de ne s'intéresser qu'aux réSultats (ou événements)

du lancer d'un dé' si O est

possibles, un événement tel

{2,

4,6}.

élémentaires : on

l;ensemble

peut concevoir sanS difficulté un oévénement complexe> compre-

nant plusieurs résultats élémentaires, dont on peut dire, une fois l'expérience effec-

tuée, s'il a été réalisé ou non. Ainsi, dans l'épreuve

5. 6] des résultats numériques

t1,2,3,4,

d'un

que *le résultat

lancer est pair, est un événement aléatoire complexe, com-

De même. si un individu d'identifiant

N) est donné, on peut considérer l'événement complexe E défini comme

josé des résultats élémentaires

I lf < t

(

tous les échantillons de taille n

contenant l'individu L Cet événement E est donc la

réunion O"s Ci-] échantillons vérifiant cette propriété.

A un événement E (complexe),

peuvent donc être associés tous les événe-

ments

rience, l'événement E le sera également.

élémentaires qui le définissent'; si l'un d'entre eux est réalisé iors de l'expé-

12

PH. TASSI S. LEGAIT

LES C ONC EPTS PROBABITISTES

Notons ,41'ensemble de

tous les événements aléatoires

susceptibres d'intéresser

- -

-

idée a priori sur res événements

pourra prendre .& :

g (A), ensemble des parties Oe O.

; en |,absence de toute

i,""perir*nt;Ë;,;;

-

Historiquement, des conditions

d'algèbre,

de manipulation des événements ont

à doter -4 d'une structure de Q, contenant Q, et stabre

nion) ; sont vérifiées les conditions suivantes :

conduit

c'est-à-dire que .4"rt-un" crasse de parties,

et comprémentation (et donc par réu_

pa'. intersection

oQtr-'.r4

o A€

,tC., B€.4+ A)B€.&

Â

c A .4 + Ae u4

désigne le complémentaire de A dans e).

Cependant' dans

une structure d'algèbre, la stabilité

pas assurée ; àinsi, si (A"t ;

par réunion ou inter-

"st

C An*r,de rimite

section dénombrabtes n'est

une suite crois_

sante d'événements de

o: Y An: lim / An,il n'y a aucune raison pour que A soit un événement, ou

à rfi,

,4, c'est-à-dire une suite te'ile que An

n

I

e e;

de même pour la limite d'une suite décroissante. cette non-stabilité <aux

ou a-argèbre.

limites" a conduir natureilemenr à munir ,4 a'""e sii"cilàê,riu",

Définition 1

Une tribu (ou

parties de e vérifiant ;

o-argèbre) sur |espace fondamentar e est une crasse .dl de

o Q€,"r/

o,-4 est stable par complémentation, i.e. :A

.,(/

eststable par réunion dénombrable : Ane

Ç .4+Ae .&

.il,yn€ lN + n !,* Ona,

Le couple &, ,',/7 est apperé espace

probabirisabre (on dit aussr espace mesu-

rable) ; un élément de -4 est un événement.

Remarque : la théorie des probabirités a son

vocabulaire propre ; ainsi deux évé_

nements A et B sont dits incompatibles si A O B: e,

2 PROPRIETES DES TRIBUS

cette partie est

composée

de rappers mathématiques sur res

tribus, et peut

être omise par le lecteur bien au fait des

propriétés de ces structures. Certaines

démonstrations font l'objet d'exercices simples.

Propriété I

Une tribu est stable par intersection dénombrable.

PH. TASSI - S. LEGAIT

LES CONCEPTS PROBABILISTES

En effet, (An)ne ru étant une suite d'éléments de ''&' on a:

Or e.&

n.n

Propriété 2

Q€.&.

ô An= (uA").

nn

d'après b et c. et (U4) .& d'après b ; le résultat est établi.

Propriété 3

A,B ,'4, avecACB: B-AÇ"'('

Cela découle de B - A :

B Ct Â.

Propriété 4 Soit (An)n61*,An ,&,Vn lN, une suite d'événements de '4: on définit

timinf À"-:

AnetlimsupAn:1n9* An;alorsliminf Anet

I

"!*

lim sup An sont des

événem ents de "4'

L.événement lim inf An est réalisé si tous les événements An sont réalisés

sauf un nombre fini. De même, lim sup An est réalisé si une infinité d'événements

An est réalisée.

Théorème 1 soit ,-& une algèbre de parties

si- L& est rn" .i"r." stable par

choix).

de Q ;

-4 est une tribu sur O si et seulement

limite monotone (croissante ou décroissante' au

Démonstration

o

CN:,.4estunetribu.

Soit (An)n une suite

croissante d'événements de ''&' et notons par A la

lim/An;onsaitqueA : Y On, or U An e "{puisque .&estunetribu;

.4, est donc stable par limite croissante'

o CS : .& est

une algèbre stable par limite croissante'

.& étant une algèbîe, on sait que O ''4'et que '4'

mentation.

é"iiâoti'Àn) une suite d'événements ;

est stable par complé

a-t-on nE,* On e '4 ?

PH TASSI . S. LEGAIT

LES CONC EPTS PROBABILISTES

to::l. Bn :

réunion finie :

.

.

9^ A. i Bn ,,4 puisque ,_& est une algèbre donc stable par

m(n

_

Y

on : lim '/ Bn

,

''

Par construction, (B j est une suite croissante d'éréments

,,&.

de ,-4. puisque .&

est stable, par passage à la limite croissante, u An e

.Oest une tribu.

Théorème 2

:::A.4,e

r. I C lN, une