Vous êtes sur la page 1sur 18

Théories des probabilités, de l’estimation et des

tests
Doualeh Abdillahi Ali1
1
Faculté de droit et d’économie gestion, Université de Djibouti
1
Doctorant Mathématiques troisième année, Université
Clermont-Auvergne , Laboratoire de Mathématiques - UMR 6620

18 octobre 2019

Introduction général
Ce cours est composé de deux parties qui sont la théorie des probabilités
et la théorie statistique de l’estimation et des tests.

La théorie des probabilités est une science mathématique qui a pour ob-
jet l’étude des phénomènes aléatoires et des lois qui les régissent. Pour cela,
on introduit les concepts d’expérience aléatoire, de variable aléatoire et de
loi probabilité (ou probabilité).

La théorie statistique de l’estimation paramétrique a pour objectif d’es-


timer certaines caractéristiques (espérance, variance ou proportion) de la loi
de probabilité d’une variable aléatoire sur la base d’une série d’observations.
On va distinguer deux types d’approche à savoir l’estimation ponctuelle et
l’estimation par intervalle.

La théorie statistique de tests a pour objet de décider sur la base d’un


échantillon si une caractéristique (espérance, variance ou proportion) de la
loi dans la population répond ou non à une certaine spécification que l’on
appelle hypothèse.

Les premiers chapitres de ce cours concernent la théorie des probabilités


qui est abordée dans la perspective de ce qui est nécessaire pour la théorie
statistique de l’estimation paramétrique et des tests.

1
Théorie des probabilités

1 Espace probabilisé fini


1.1 Notions de base
1.1.1 Expérience aléatoire
Definition 1.1. Une expérience aléatoire est une action (épreuve ou éssai)
qui a plusieurs résultats possibles mais dont on ne peut pas dire (prévoir)
de façon certaine le résultat qui va apparaitre (sera réalisé).

1.1.2 Evènement élémentaire


Definition 1.2. Chaque résultat possible d’une expérience aléatoire simple
est appeé évènement élémentaire. On dit aussi éventualité élémentaire ou
issue élémentaire.

1.1.3 Univers
Definition 1.3. L’univers d’une expérience aléatoire est l’ensemble des ré-
sultats possibles dune expérience aléatoire simple ; l’univers est donc l’en-
semble des évènements élémentaires. L’univers peut etre un ensemble fini ou
dénombrable ou infini indénombrable. Il est noté Ω.

1.1.4 Evènement
Definition 1.4. Un Evènement est un sous-ensemble ou une partie ou une
réunion (regroupement) d’évènements élémentaires de Ω. Il est souvent re-
présenté par une lettre majuscule. On dit qu’un évènement A est réalisé si
le résultat d’une expérience aléatoire se trouve dans A.

1.1.5 Ensemble P(Ω)


Definition 1.5. L’ensemble P(Ω) est l’ensemble de tous les évènements de
Ω ; c’est donc l’ensemble des parties de Ω. L’ensemble P(Ω) est appelé aussi
tribu de Ω.

1.1.6 Evènements particuliers


— L’univers Ω regroupant toutes les issues possibles est appelé évène-
ment certain.

— L’ensemble vide ne contenant aucunes issues possibles est appelé


évènement impossible.

2
1.1.7 Cardinal d’un évènement, de l’univers
Definition 1.6. Le cardinal de l’univers ω est le nombre d’évènments élé-
mentaires d’une expérience aléatoire. Il est noté Card(Ω) ou |Ω|. Le cardinal
d’un évènement A est le nombre d’évènments élémentaires que comporte
l’évènement A. Il est noté Card(A) ou |A|.

1.1.8 Espace probabilisable


Definition 1.7. Le couple (Ω, P(Ω)) est dit espace probabilisable.

1.2 Opérations sur les évènements


Il est possible, à partir d’évènements et d’opérations de base, de défi-
nir des nouveaux éènements. Les opérations de base utilisent des mots du
langage courant comme ou, et, etc.

1.2.1 Union d’évènements


Si A et B sont deux évènements, l’union ou réunion de A et B est notée
A ∪ B.

L’évènement A ∪ B (lire  A union B  ou  A ou B ) est constitué


des évènements élémentaires qui appartiennent à au moins l’un des deux évè-
nements A et B c’est à dire des évènements élémentaires qui appartiennent
soit à l’évènement A, soit à l’évènement B, soit aux deux évènements.

L’évènement A ∪ B est réalisé si l’un des deux évènements est réalisé ou


les deux. Formellement, on a

A ∪ B = {w ∈ Ω | (w ∈ A) ∨ (w ∈ B)}

1.2.2 Intersection d’évènements


Si A et B sont deux évènements, l’intersection de A et B est notée A∩B.

L’évènement A ∩ B (lire  A inter B  ou  A et B ) est constitué


des évènements élémentaires qui appartiennent à la fois à l’évènement A et
à l’évènement B.

L’évènement A∩B est réalisé si les deux évènements sont simultanément


réalisé. Formellement, on a

A ∩ B = {w ∈ Ω | (w ∈ A) ∧ (w ∈ B)}

3
1.2.3 Différence d’évènements
Si A et B sont deux évènements, la différence de A et B est notée A \ B.

L’évènement A \ B (lire  A moins B ) est constitué des évènements


élémentaires qui appartiennent à l’évènement A mais pas à l’évènement B.

L’évènement A \ B est réalisé si A est réalisé alors que B ne l’est pas.


Formellement, on a

A \B = {w ∈ A | w ∈
/ B}

1.2.4 Complémentaire
Le complémentaire d’un évènement A est noté AC ou A.

L’évènement AC ou A est l’ensemble des évènements élémentaires de


l’univers Ω qui n’appartiennent pas à l’évènement A.

L’évènement AC est réalisé si et seulement si A n’est pas réalisé. Formel-


lement, on a

AC = {w ∈ Ω | w ∈
/ A}

1.3 Relations entre évènements


Il existe entre les évènements, certaines relations fondamentales qui peuvent
déterminer leur réalisation. Ce sont principalement, les relations dincompa-
tibilité et d’inclusion.

1.3.1 évènements incompatibles


On dit que deux évènements A et B sont incompatibles si et seulement
si A ∩ B = . Ainsi, deux évènements A et B sont incompatibles s’ils n’ont
aucun évènement élémentaire commun c’est à dire lorsqu’aucun évènement
ne les réalise simultanément.

1.3.2 Inclusion
Un évènement A est inclus dans un évènement B si et seulement si tout
élément de A appartient à B. On note A ⊂ B. La réalisation de l’évènement
A implique alors automatiquement celle de évènement B. Formellement, on
a

A ⊂ B ⇔ {w ∈ A ⇒ w ∈ B}

4
1.4 Système complet évènements
Soit (Ω, P(Ω)) un espace probabilisable, et Soient A1 , A2 , . . . , An n évè-
nements.
Definition 1.8. La famille évènements (A1 , A2 , . . . , An ) constitue un sys-
tème complet évènements si elle forme une partition de Ω c’est à dire si elle
vérifie les conditions suivantes :

— ∀i ≥ 1, Ai 6=

— ∀i, j ≥ 1, i 6= j, Ai ∩ Aj =

— ∪ Ai = Ω
i≥1

1.5 Probabilité
Une expérience aléatoire est une expérience dont on ne peut pas prévoir
le résultat de façon certaine. Cependant, on ne peut en mesurer que la pro-
babilité.

Definition 1.9. Soit (Ω, P(Ω)) un espace probabilisable. Une probabilité


(Loi de probabilité o mesure de probabilité) sur (Ω, P(Ω)) est une fonction
(application) qui associe à chaque évènement de P(Ω)une valeur numérique
comprise entre 0 et 1.

P : (Ω, P(Ω)) −→ [0, 1]


A 7−→ P (A)
telle que :
— 0 ≤ P (A) ≤ 1 pour tout évènement A ∈ P(Ω)

— P (Ω) = 1
P
— P ( ∪ Ai ) = P (Ai ) pour tout ensemble dénombrable d’évènements
i≥1 i≥1
deux à deux incompatibles (ou disjoints).

La probabilité d’un évènement de P(Ω) représente sa chance (ou son


risque) ou sa possibilité de réalisation. C’est aussi la fréquence ou la propor-
tion de fois (pourcentage) observée ou de réalisation d’un évènement dans
un ensemble.

De la définition, on déduit la proposition suivante :

5
Propriété 1.1.
— P ( ) = 0

— P (Ac ) = 1 − P (A)

— P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

— Si A et B sont incompatibles, P (A ∪ B) = P (A) + P (B)

— Si A ⊂ B, alors P (A) ≤ P (B)

Lorsque l’univers Ω est fini ou dénombrable, on définit la loi de probabi-


lité (ou la probabilité) P sur les évènements par la famille des probabilités
individuelles {pw }w∈Ω ou l’ensemble de couples {(w, pw ) ∈ Ω×]0; 1]}, avec

pw = P ({w}) × δw (Ω) = P ({w}) × 1Ω (w)


(
1 si w ∈ Ω
où δw (Ω) = 1Ω (w) =
0 si w ∈/Ω
P
Pour tout évènement A, on a alors P (A) = pw .
w∈A

1.5.1 Equiprobabilité
Soit (Ω, P(Ω)) un espace probabilisable correspondant à une expérience
aléatoire dont l’univers (l’ensemble des résultats possibles) est fini c’est à
dire Ω = (w1 , . . . , wn ).

L’univers fini est équiprobable lorsque les évènements élémentaires ont


la meme probabilité. On parle alors de situation d’équiprobabilité ou évène-
ments élémentaires équiprobables.

En d’autres terme, il y a équiprobabilité quand la probabilité définie sur


l’univers fini Ω est uniforme. On reconnait ces situations lorsqu’on a un ti-
rage au hasard ou si l’énoncé le suppose.

Notons p la probabilité de chaque évènement élémentaire, on a alors :

1
p = P (wi ) = , ∀ wi
card(Ω)

Démonstration

Fin démonstration

6
Dans une situation d’équiprobabilité, la probabilité d’un évènements A
se calcule par :

card(A)
P (A) =
card(Ω)

1.5.2 Probabilité conditionnelle


Soit (Ω, P(Ω), P ) un espace probabilisé, et soit A un évènement tel que
P (A) > 0.

Definition 1.10. La probabilité conditionnelle de B sachant A est la pro-


babilité que l’évènement B se réalise sachant que A est déjà réalisé. Elle est
notée P (B|A) et est donnée par la formule

P (A ∩ B)
P (B|A) =
P (A)

On en déduit la probabilité de l’intersection de A et B qui s’écrit :

P (A ∩ B) = P (B|A) × P (A)
Utilisation dans les cas possibles :
— utilisation 1 : quand P (A) et P (A∩B) sont faciles à calculer, on peut
en déduire P (B|A)

— utilisation 2 : quand P (B|A) et P (A) sont faciles à trouver, on peut


obtenir P (A ∩ B)

Proposition 1.1. (Formule des probabilités totales) Soit A un évènement


tel que 0 < P (A) < 1. Pour tout évènement B, on a

P (B) = P (B|A) × P (A) + P (B|Ac ) × P (Ac )

Démonstration

Fin démonstration

Proposition 1.2. (Formule des probabilités totales généralisée) Soit {Ai }i≥1
un système complet d’évènements. Alors, pour tout évènement B
X
P (B) = P (B|Ai ) × P (Ai )
i≥1

7
Proposition 1.3. (Formule de Bayes) Soit A et B deux évènements tels
que 0 < P (A) < 1 et P (B) > 0. Alors,

P (B|A) × P (A)
P (A|B) =
P (B|A) × P (A) + P (B|Ac ) × P (Ac )

Proposition 1.4. (Formule de Bayes généralisée) Soit {Ai }i≥1 un système


complet d’évènements tel que P (Ai ) > 0 pour tout i ≥ 1, et B un évènement
tel que P (B) > 0. Alors, pour tout i ≥ 1,

P (B|Ai ) × P (Ai )
P (Ai |B) = P
P (B|Ai ) × P (Ai )
i≥1

1.6 Indépendance
Soit A et B deux évènements de probabilité non nulle.

Definition 1.11. A et B sont deux évènements indépendants s’ils vérifient


l’une des trois conditions équivalentes suivantes :

— P (A ∩ B) = P (A) × P (B)

— P (B|A) = P (B)

— P (A|B) = P (A)

Deux évènements A et B sont donc indépendants si la connaissance de


la réalisation de l’un n’influence pas la probabilité de l’autre.

Remarque 1:
Deux évènements incompatibles A et B, avec P (A) > 0 et P (B) > 0, ne
sont jamais indépendants.

8
Dénombrement

Introduction
Le dénombrement ou l’analyse combinatoire est le decompte (comptage)
du nombre de résultats possibles d’une action sur un ensemble d’éléments.

On va étudier le dénombrement des actions suivantes :


— Pérmutation avec ou sans répétition

— Arrangement avec ou sans répétition

— Combinaison

Pour cela, on considère un ensemble Ω = (e1 , . . . , en ) de cardinale n sur


lequel on réalise les actions ci-dessus.

Dans tout ce qui suit, on note n! (se lit n factorielle) le produit suivant :

n! = n × (n − 1) × (n − 2) × . . . × 2 × 1

Par convention, 0! = 1.

2 Pérmutation sans répétition


On considère un ensemble fini de n éléments distincts.

Definition 2.1. Tout classement ordonné d’un ensemble de n éléments dis-


tincts Ω = (e1 , . . . , en ) est une permutation sans répétition (ou permutation
simple) de ces éléments.

2.1 Dénombrement de permutations simples


C’est le décompte (comptage) du nombre de permutations simples de n
éléments distincts. Il s’agit ainsi de trouver le nombre de manières possibles
d’ordonner les n éléments distincts ou de trouver le nombre de tout les
classements ordonnés des n éléments distincts.

Théorème 2.1. Le nombre de permutations simples d’un ensemble de n


éléments distincts est défini par :

n! = n × (n − 1) × . . . × 1

9
3 Pérmutation avec répétition
On considère un ensemble fini de n éléments dont certains des éléments
sont identiques.

3.1 Dénombrement de permutations avec répétition


C’est le décompte (comptage) du nombre de permutations que l’on peut
constituer si certains des éléments sont identiques.

Théorème 3.1. Le nombre de permutations avec répétition lorsque k élé-


ments sont distincts (k ≤ n), chacun d’eux apparaissant n1 , n2 , . . . , nk fois
est donnée par la formule :
n!
n1 ! × n2 ! × . . . × nk !

4 Arrangement simple
On considére un ensemble fini de n éléments distincts.

Definition 4.1. Un arrangement simple de p éléments parmi les n est une


collection (sélection) ordonnée de p éléments distincts parmi les n.

Il s’agit donc d’un choix successif et sans rémise de p éléments parmi


les n. On parle de tirage successif et sans remise. L’ordre dans lequel les
éléments sont sélectionnés a une importance et un élément est choisi qu’une
seule fois.

4.1 Dénombrement d’arrangements simples


C’est le décompte (comptage) du nombre d’arrangements simples de p
éléments choisis parmi n. Ainsi, il s’agit de trouver le nombre de manières
de choisir p éléments distincts parmi n par un tirage successif et sans rémise.

Théorème 4.1. Le nombre d’arrangements simple de p éléments parmi n


est donnée par la formule suivante :
n!
Anp =
(n − p)!

5 Arrangement avec répétition


On considére un ensemble fini de n éléments distincts.

10
Definition 5.1. Un arrangement avec répétition de p éléments parmi n est
une collection (sélection) ordonnée et avec répétition de p éléments parmi
les n.

Il s’agit donc d’un choix successif avec rémise de p éléments parmi les
n. On parle de tirage successif avec remise. L’ordre dans lequel les éléments
sont sélectionnés a une importance et un élément peut être choisi plusieurs
fois.

5.1 Dénombrement d’arrangements avec répétition


C’est le décompte (comptage) du nombre d’arrangements avec répéti-
tion de p éléments choisis parmi n. Ainsi, il s’agit de trouver le nombre de
manières de choisir p éléments parmi n par un tirage successif avec rémise.

Théorème 5.1. Le nombre d’arrangements avec répétition de p éléments


parmi n est donnée par la formule suivante :

Anp = np

6 Combinaison
On considére un ensemble fini de n éléments distincts.

Definition 6.1. Une combinaison simple de p éléments parmi les n est


une sélection (collection) non ordonnée de p éléments distincts parmi les n
éléments.

Il s’agit donc d’un choix (d’un tirage, d’une sélection) simultané de p


éléments distincts parmi les n. On parle de tirage simultanée. L’ordre n’a
pas d’importance et un élément est choisi qu’une seule fois.

6.1 Dénombrement de combinaisons


Le dénombrement des combinaisons simples consiste à trouver le nombre
de manière possibles de choisir (tirer) simultanément p éléments distincts
parmi les n éléments.

Théorème 6.1. Le nombre de combinaisons de p éléments parmi n est


donnée par la formule suivante :
n!
Cpn =
p! × (n − p)!

11
Variable aléatoire réelle

Introduction
Plus formellement et pour être plus général, on définit une variable aléa-
toire en partant d’une expérience aléatoire dont l’ensemble fondamental
(l’univers Ω) peut être de nature quelconque et est muni d’une probabi-
lité (loi ou mesure de probabilité) pour former un espace probabilisé.

On dit qu’on définit une variable aléatoire sur Ω lorsqu’à chaque issue
de Ω on associe un nombre réel, complexe ou un vecteur de Rk . Le travail
sur les variables aléatoires ne fait intervenir que des aspects numériques,
l’univers Ω apparaı̂t peu directement ou pas.

On désigne une variable aléatoire par une lettre majuscule et la loi de


probabilité (la Probabilité) de la variable aléatoire notée PX se déduit de la
loi de probabilité P définie sur (Ω, P(Ω)).

Un évènement s’écrit dans sa forme plus générale par X ∈ B et on lui


attribue la probabilité de l’évènement X −1 (B) de l’espace probabilisé initial
(Ω, P(Ω), PX ).

7 Généralité
7.1 Variable aléatoire
Definition 7.1. Soient (Ω, P(Ω), PX ) un espace probabilsé et (E, E) un es-
pace mesurable. Une variable aléatoire est toute fonction (application) me-
surable de Ω vers E qui associe à chaque issue w de Ω un élément x de E.

X : Ω −→ E
w 7−→ X(w) = x
Une définition équivalente est la suivante :
Definition 7.2. Soit X une fonction définie sur un espace probabilisé (Ω, P(Ω), PX )
vers un espace mesurable (E, E) qui affecte à chaque issue possible de Ω un
élément de E. Si pour tout B ∈ E, l’ensemble :

{w | X(w) ∈ B}

est un évènement dont on peut calculer la probabilité, alors X est une fonc-
tion mesurable et est appélée variable aléatoire
L’espace mesurable E peut être :

12
— L’espace des nombres réels R

— L’espace des nombres complexes C

— L’espace des vecteurs Rn où n ≥ 2

— etc.

7.2 Loi de probabilité


Dans le cas général, la notation (X(w) ∈ B) désigne l’évènement {w | X(w) ∈ B}
qui est l’ensemble des issues w ∈ Ω pour lesquelles la variable aléatoire prend
une valeur appartenant à B.

On attribue à l’évènement (X(w) ∈ B) la probabilité de l’évènement


X −1 (B) = {w | X(w) ∈ B} de l’espace probabilisé initial. Ce qui permet de
définir une loi de probabilité sur l’espace mesurable (E, E). Elle se déduit de
la loi de probabilité P sur (Ω, P(Ω)).
Definition 7.3. Soit X une variable aléatoire sur l’espace probabilisé (Ω, P(Ω), P).
La loi de probabilité de la variable aléatoire X, notée PX , est définie sur l’es-
pace mesurable (E, E) par
PX (B) = P(X ∈ B) = P(X −1 (B))
Autrement dit, la loi de probabilité PX est l’image de la loi de probabilité
P sur (Ω, P(Ω)) par l’application X.

8 Variable aléatoire réelle


A partir de ce paragraphe et dans la suite du cours, on s’interesse au cas
où l’espace E = R. Ceci assure qu’il est possible de définir la fonction de
répartition d’une variable aléatoire et des quantités telles que son espérance
E(X) et sa variance V (X).
Definition 8.1. Une variable aléatoire réelle est une variable aléatoire, dé-
finie sur un espace probabilisé, à valeurs dans R c’est à dire :

X : Ω −→ R
w 7−→ X(w) = x
Les variables aléatoires réelles sont les variables aléatoires les plus cou-
ramment étudiées. L’objectif est de pouvoir déterminer la probabilité qu’elles
prennent une valeur donnée ou un intervalle de valeurs.

Mais avant cela, on distingue au préalable deux types de variables aléa-


toire réelle à savoir :

13
— Les variables aléatoires réelles discrètes

— Les variables aléatoires réelles continues

8.1 variable aléatoire réelle discrète


Une variable aléatoire réelle X est dite discrète si son image X(Ω) (le
support de X ou l’ensemble des valeurs possibles de X) est finie ou dénom-
brable infinie c’est à dire si l’ensemble des valeurs possibles de X est un
ensemble discret de valeurs numériques noté {x1 , . . . , xn , . . . , } fini ou infini
(typiquement des entiers naturels).

Par ailleurs, une variable aléatoire réelle est dite discrète s’il existe un
ensemble fini ou dénombrable S ∈ B(R) surlequel la loi de probabilité PX
est concentrée c’est à dire PX (S) = P(X ∈ S) = 1.

8.1.1 Loi de probabilité discrète


La loi de probabilité d’une variable aléatoire réelle discrète est dite loi
de probabilité discrète.
Definition 8.2. La loi de probabilité d’une variable aléatoire réelle discrète
se définit comme la donnée des valeurs

pX (xi ) = PX (xi ) = P(X = xi ) où xi ∈ X(Ω) est un nombre réel

Elle se définit aussi comme l’ensemble de couples :

{(xi , P(X = xi )) ∈ X(Ω)×]0; 1]}

Pour tout sous-ensemble ou partie de valeurs (évènement) B ∈ X(Ω),


on a :
X
PX (B) = P(X ∈ B) = PX (x)
x∈B

La loi de probabilité discrète est donc la distribution qui associe à chaque


réel x de la variable X sa probabilité P(X = x).

En général, quand l’image X(Ω) de X est finie on représente la loi de


probabilité de la variable aléatoire réelle discrète X sous forme de tableau
qui récapitule les valeurs prises par X ainsi que les probabilités associées.

Pour cela, il convient donc d’abord de déterminer les valeurs xi pouvant


être prises par X puis leur affecter leurs probabilités pi = P(X = xi ).

valeurs xi de X x1 x2 ... xn
probabilités P (X = xi ) p1 p2 ... pn

14
8.2 Variable aléatoire continue
Dans cette partie, on s’interesse à une nouvelle situation en probabilité
où l’univers Ω d’une expérience aléatoire est formé d’une infinité d’issues et
plus précisement aux variables aléatoires X de Ω dans R appelées variables
aléatoires réelles continues.
Definition 8.3. Une variable aléatoire réelle est dite dite continue si son
image X(Ω) est indénombrablement infini c’est-à-dire l’ensemble X(Ω) (le
support de X ou les valeurs prises par X) est tout R ou forme un intervalle
I de R.
Lorsque la variable aléatoire réelle est continue, il est unitile :
— d’énumérer les valeurs xi de X qui est infinie indénombrable.

— de calculer P(X = xi ) qui est nulle du fait qu’il y a un nombre infini


1
de valeurs possibles de X dans un intervalle (P(X = xi ) = n−→0 = 0).

On va donc introduire de nouveaux outils pour calculer les probabilités


pour une variable aléatoire réelle continue.

8.2.1 Densité de probabilité


Pour donner un sens aux probabilités lorsque la variable aléatoire réelle
est continue, on va considérer la probabilité d’un intervalle et non d’une
valeur et on calculera la probabilité :

1. P(X ∈ [a; b]) : la probabilité que X prennent une valeur de l’intervalle


[a; b].

2. P(X ≤ a) : la probabilité que X soit supérieur à une certaine valeur


donnée a.

3. P(X ≥ a) : la probabilité que X soit inférieur à une certaine valeur


donnée a.

Le calcul de ces probabilités se fait par l’intermédiaire d’une fonction


appelée densité de probabilité.

Definition 8.4. Soit I un intervalle de R. Une densité de probabilité est


une fonction f définie sur I telle que :
1. f est continue et positive sur I
R
2. I f (x)dx = 1 : l’intégrale de f sur I vaut 1.

15
8.2.2 Loi de Probabilité à densité
La loi de probabilité PX d’une variable aléatoire réelle continue X à va-
leurs dans I est la donnée des valeurs P(X ∈ J) pour tout intervalle J ∈ I.
Elle est dite loi de probabilité absolument continue ou loi à densité.

Elle possède une densité de probabilité f telle que pour tout intervalle
J = [a, b] ∈ I, la probabilité que X appartienne à J est ágale à :
Z Z b
P(X ∈ J) = f (x)dx = f (x)dx = F (b) − F (a) (8.2.1)
J a

où F () est une primitive de la fonction densité de probabilité f .

On dit que la variable aléatoire réelle continue X suit la loi de probabilité


PX à densité f sur l’intervalle I.

Remarque 1:

Le calcul de probabilité dans le cas d’une variable aléatoire réelle coni-


tune se ramène à un calcul d’intégral.

La probabilité P(X ∈ [a; b]) correspond à l’aire du domaine situé sous le


graphe de la densité f (x) entre les abscisses a et b.

Propriété 8.1. Si X est une variable aléatoire réelle continue de loi de


probabilité PX à densité f sur un intervalle I, on a :

— Pour tout choix de nombres réels a ≤ b de I, la probabilité P(a ≤


X ≤ b) s’écrit :
Z b
P(a) = P(a < X) = P(a < b) = P(a < X < b) = f (x)dx
a

16
— La probabilité que X soit égale à une valeur individuelle a est nulle :
Z a
P(X = a) = f (x)dx = F (a) − F (a)
a

— La probabilité que X appartienne au complémentaire d’un intervalle


J ∈ I (n’appartienne pas à un intervalle J ∈ I) est :

P(X ∈ J) = 1 − P(X ∈ J)

— Si J1 , . . . , Jn sont des intervalles deux à deux disjoints de I, la pro-


babilité que X appartienne à l’union de ces intervalles est égale à :
n n
!
[ X
P X∈ Ji = P(X ∈ Ji )
i=1 i=1

— Soient K et J deux intervalles de I tel que P(X ∈ K) 6= 0. La probabi-


lité conditionnelle que X appartienne à J sachant que X appartienne
à K, notée PX∈K (X ∈ J), est égale à :

P (X ∈ J ∩ X ∈ K)
PX∈K (X ∈ J) =
P(X ∈ K)

8.3 Espérance et Variance


Soit X une variable aléatoire réelle :
X : (Ω, P, P) −→ (R, B(R))
w 7−→ X(w) = x

Si X est intégrable selon la mesure de probabilité P, alors :

L’espérance de X est définie par :


Z
E[X] = x × dPX (x)
X(Ω)

La variance des X est définie par :


Z
V [X] = (x − E(X))2 × dPX (x)
X(Ω)

Ces définitions générales de l’espérance et de la variance prennent des


formes différentes selon que la nature de la variable aléatoire réelle X soit
discrète ou continue.

17
8.3.1 Espérance et Variance d’une variable aléatoire réelle dis-
crète
Si X est une variable aléatoire réelle discrète prenant un nombre de
valeurs fini {x1 , . . . , xn }, l’espérance de X s’écrit :

n
X
E[X] = xi × p i (8.3.1)
i=1

avec xi les valeurs de X et pi leurs probabiltés.

La variance de X s’écrit :
n
X
V [X] = (xi − E(X))2 × pi (8.3.2)
i=1

Si la variable aléatoire réelle discrète X prend une infinité dénombrable


de valeurs {x1 , x2 , . . . , }, l’espérance s’écrit :


X
E[X] = xi × p i (8.3.3)
i=1

avec xi les valeurs de X et pi leurs probabiltés.

La variance de X s’écrit :

X
V [X] = (xi − E(X))2 × pi (8.3.4)
i=1

8.3.2 Espérance et Variance d’une variable aléatoire réelle conti-


nue
Si X est une variable aléatoire réelle absolument continue qui suit une
loi de probabilité à densité f sur un intervalle I, l’espérance s’écrit :
Z
E[X] = x × f (x)dx (8.3.5)
I

La variance de X s’écrit :
Z
V [X] = (xi − E(X))2 × f (x)dx (8.3.6)
I

18