Vous êtes sur la page 1sur 24

29/10/2021

Université Hassan II
ENSEM

Théorie de Probabilités 1. Vocabulaire Probabiliste


Pr. BOUAMAINE Abdelhalim

1 4

Chapitre 1 Expérience aléatoire

Une expérience est dite aléatoire (e.a) si on


Espace de probabilités
ne peut pas envisager par avance son

résultat

2 5

Espace de probabilités Evénement élémentaire


1. Vocabulaire Probabiliste
Un évènement élémentaire ou épreuve associé à
2. Probabilités une expérience aléatoire est tout résultat possible
de l’expérience. On le note .
3. Probabilité conditionnelle

3 6

1
29/10/2021

Espace Fondamental Notation

Un espace fondamental associé à une e. a.  : L’événement certain


est l’ensemble de toutes les résultats
 : L’événement impossible
possibles: On le note par .
AC ou : L’événement contraire de A

7 10

Evénement Notation

On appelle évènement, toute


AB : L’événement A et B
proposition logique relative au résultat de

l’expérience aléatoire AB : L’événement A ou B

A  B : l’événement A implique

l’événement B

8 11

Réalisation d’un événement Système complet

Un évènement est réalisé ou non suivant que

la proposition est vraie ou fausse une fois Soient des événements A1, A2, …,
que l’e. a. est accomplie.
An, …. associés à une même

expérience aléatoire.

9 12

2
29/10/2021

Système complet Espace de mesure

(  , @ ) est appelé un espace de


On dit que (A1, A2, ……, An, …. ) est

un système complet si les An mesure

forment une partition de 

13 16

Tribu Conséquences

Étant donné , la famille @ des


 @
événements est une tribu ou -
Si n, An@ alors (  An )  @
algèbre ssi : n

14 17

Tribu

  @.
2. Probabilités
i)

ii) si A@ alors AC @ .

iii) Si ( An) est une suite d’événements


de @ alors (  A n )  @
n

15 18

3
29/10/2021

Définition Conséquences

P(AC) = 1- P(A)
Soit ( , @ ) un espace mesurable.
P()=0
P : ( , @ ) [0,1] AB  P(A)  P(B)

19 22

Conséquences

1. P ( ) = 1

2. Pour toute suite (An) P( AB ) = P(A) + P(B) – P(A  B)

d’éléments de @ deux à deux P(AB)  P(A) + P(B)


disjoints on a :

20 23

Propriété

  Pour toute suite d’événements (An )


P
  A n    PA n  monotone.
 n  n

Si lim An =A alors lim P(An) = P(A).

21 24

4
29/10/2021

Espace de probabilité Probabilité conditionnelle


, @ ) [0,1]

Le triplet (, @, P) est appelé P ( B / A)


P ( A  B)
B P ( B / A) 
P ( A)
espace de probabilité.

25 28

Probabilité uniforme Définition

P( B/A) est une de probabilité appelée la


Card ( A)
P ( A)  , A  P ()
Card () probabilité de B conditionnée par A.

26 29

Formule d’intersection

3. Probabilité conditionnelle P(A1 A2  ............  An)

= P(A1)P(A2/A1 )...P(An /An-1 ..A2A1)

27 30

5
29/10/2021

Formule de probabilités
totale Formule de Bayes

Soit (Ai) iI un système complet P ( B / Ai ) P ( A i )


P ( Ai / B ) 
 P ( B / Ai ) P ( A i )
i I
d'événements avec iI, P(Ai)0

31 34

Indépendance

P ( B)   P( B / Ai ) P( Ai ) Deux événements A et B sont


iI indépendants ssi :

P(A  B) = P(A)P(B)

32 35

Formule de Bayes Remarque

Soit (Ai) iI un système complet Si A et B sont indépendants, on a :

d'événements avec iI, P(Ai)0 P(B/A) = P(B)

33 36

6
29/10/2021

Chapitre 2

Variable aléatoire réelle


1. Application mesurable

37 40

Application mesurable

Chapitre 2

Soient (,@, P ) un espace de


1. Applications mesurables
probabilité et (', @’) un espace
2. Variable aléatoire réelle de mesure. Soit f une application
3. Variables aléatoires réelles de  dans '

discrètes 41

38 41

Application mesurable

Chapitre 2

 On dit que f est une application


4. Lois usuelles discrètes mesurable ssi

5. Variable aléatoire continue A’ ', f-1 (A’)  .

6. Lois usuelles continues

42

39 42

7
29/10/2021

Probabilité Image

@’  [0, 1]
Pf :
2. Variable aléatoire réelle
A'  Pf ( A' ) = P ( f -1 (A‘ ) )

43 46

43 46

Propriété Variable aléatoire réelle

On appelle variable aléatoire


Pf est une probabilité sur (', @’ )
réelle v.a.r définie sur (, @ )
toute application mesurable de
(, @ ) dans ( IR, IB ) .

44 47

44 47

Définition Loi de probabilité

Pf est appelé probabilité image de P


Soit X une v.a.r définie sur (, @, P )

et PX l’application de IB vers IR
par f définie par : BIB,

45 48

45 48

8
29/10/2021

Loi de probabilité Notation

P X (B)=P(X -1 (B) )
{ : X()B } =[ X  B ]

= P ({ : X()B})

49 52

49 52

Fonction de répartition
Propriété

Soit (, @, P ) un espace de


PX est une probabilité probabilité et X une v.a.r définie
sur (, @) de loi de probabilité PX

50 53

50 53

Définition

PX est appelée loi de probabilité IR  [ 0, 1 ]


F:
de la variable aléatoire réelle X. t  F(t)=P[X<t]

P [ X < t ] = PX ( ] - , t [ )

51 54

51 54

9
29/10/2021

Propriétés Variables aléatoires réelles discrètes

Une variable aléatoire X est dite


 t  IR, 0 ≤F(t) ≤ 1
discrète ssi l’ensemble des réalisations

possibles de la v.a.r. X est fini ou
 Si a < b alors F(b ) – F ( a ) = PX ([ a , b [
dénombrable.

55 58

55 58

Propriétés Variables aléatoires réelles discrètes

 F est croissante au sens large

 F est continue à gauche en tout point a


X () = {xi / i  I  IN }.
de IR ; à droite, on a une discontinuit

de saut

P ( [ X= a ] )

56 59

56 59

Loi de probabilité d’une v. a.r.d

La loi de probabilité de la v.a.r.d. X

3. Variables aléatoires réelles est déterminée par la donnée des

couples (xi, pi ) tel que :


discrètes
pi = P [ X = xi ]

57 60

57 60

10
29/10/2021

Espérance mathématique

On a :

 0  pi  1
Dans ce cas, on a :

  P [X  x i ] =1
 pix i
iI

M1 ( X ) = E [ X ] =
i

61 64

61 64

Propriété

Soit g une application mesurable.


Caractéristiques d’une On a:

v.a.r. discrète E [g(X) ]=  p g(x )


i
i i

62 65

62 65

Espérance mathématique Moment d’ordre n

Le moment d’ordre n de X existe si


L’ espérance mathématique de X

existe ssi la série  pi x i est


si la série est convergente
n

i  pi x i
i

Convergente.

63 66

63 66

11
29/10/2021

Moment d’ordre n Ecart-type

Dans ce cas, on a : x = var(X)

p x
n
M (X)
n
= E [ Xn ] = i i
i

67 70

67 70

Moment centré d’ordre n Propriétés

Le moment centré d’ordre n de X existe si  μ1 ( X ) = 0


si la série  p x  E[X]
n
est convergente
i
i i

 E[X+Y] = E[X]+E[Y]
Dans ce cas, on a :
 E [  X ] =  E [ X ] ,   IR
 (X)
n
= E[ ( X – E [ X ] )n ]

68 71

68 71

Variance Propriétés

On appelle variance de X, le moment centré


 E [  ] =  , Var [ ] = 0
d’ordre 2 de la v.a.r. X.

On a :
 Var [ X ] = 2 Var [ X ]

Var [ X ] =  (X)
2
= E[ ( X – E[ X] )2 ]  Var [ X ] = E [ X2] – ( E [ X ] )2

69 72

69 72

12
29/10/2021

Indépendance Conséquence 1

Soient X et Y v.a.r.d.
  t > 0,
X () = {xi / i  I  IN },
1
Y () = {yj / j  J  IN }. P[ x-m < t ]  1-
t2

73 76

73 76

Définition Conséquence 2

X et Y sont indépendantes ssi

 ( i , j )  I  J , on a :
  t > 0,
P[ x-m >t ]  Var[ X ]
t2
P [ X=xi et Y = yj ] = P [ X= xi ] P [ Y = yj ]

74 77

74 77

Inégalité de Bienaymé &


Tchebychev Conséquence 3

  t > 0,
 Soit X une v. a. r. d'espérance m = E [X ] 2

P[ x >t ]  E[ X ]
et de variance 2. On a :
t2

  t > 0, P[ x-m > t  ]  1


t2

75 78

75 78

13
29/10/2021

Inégalité de Markov Propriétés

Soit X une v. a. r. dont le moment d’ordre   ( x )  1 et (0) = 1


 existe :  t > 0  si E [Xn ] existe pour nIN* alors

P[ x >t ]  E[ X ] X est n fois dérivable et


t  n (0)
M (X)
n
=
in

79 82

79 82

Fonction caractéristique Propriétés

Y=aX+b  Y (t ) = eitb X ( at )
Soit X une v. a. r. d définie par :

X (  ) = {xj / j  J  IN } et

pj = P [ X = xj ] X  Y X + Y (t) = X(t)Y(t).

On appelle fonction caractéristique de la X, la

fonction X définie de IR dans C par :

80 83

80 83

Définition

X (t ) = E [ eitX ] = 
itx j
p je
jJ

 4. Lois usuelles discrètes

81 84

81 84

14
29/10/2021

1. Loi de Bernoulli Notation

Soit (, @ , P) un espace mesurable,


L ( X ) = IBe ( p )
soit A un événement de @ et p = P(A).

On considère la v. a. r. X définie sur 

par :

85 88

85 88

Définition Propriétés

 E [ Xn ] = p
X () = 1 si A
 Var [ X ] = pq
X ()= 0 si  A
 X (t ) = p eit + q

86 89

86 89

Loi de probabilité de X 2. Loi Binomiale

Soit une expérience aléatoire à


xi 1 0 deux issues: S = ’Succès’ et

E = ’Echec’.
P [ X = xi ] P 1- p P ( S )= p, P(E ) = q

87 90

87 90

15
29/10/2021

Propriétés

On répète d’une façon indépendante  E [ X ] = np

cette expérience n fois.  Var [ X ] = npq

Soit X le nombre de succès obtenus.  X (t ) = ( p eit + q )n

91 94

91 94

Définition Propriété

 Soient X1, X2, ….Xn v.a.r


On a :
indépendantes de lois de Bernouilli
X (  ) = { 0, 1, ………., n }
de paramètre p,
kX( )
n
On a : X =  Xi
i 1

P [ X = k ]= Cn pk qn-k
k

92 95

92 95

Notation Propriété

Soient X v. a. r de loi de IB (n, p )


L ( X ) = IB (n, p ) et Y v. a. r de loi IB ( m, p ).
On suppose que X et Y sont indépendantes
On a :
L(X + Y ) = IB (n + m, p )

93 96

93 96

16
29/10/2021

3. Loi Hypergéométrique Notation

 Soit une population de N individus


dont une proportion p ( 0<p<1) L( X ) = H(N, n, p)
possède un caractère A.

 On extrait de cette population sans


remise un échantillon de taille n

97 100

97 100

3. Loi Hypergéométrique Propriétés

 Soit X le nombre d’individus de


E [ X ] = np
l’échantillon ayant le caractère A.

N n
 V ( X )  npq
N 1
98 101

98 101

3. Loi Hypergéométrique Propriétés

k nk
C Np C Nq Soient X1, X2, ….Xn v.a. r
P[ X  k ] 

dépendantes de lois de
C Nn
Bernoulli de paramètre p,
n
on a :
X   Xi
i 1
99 102

99 102

17
29/10/2021

3. Loi de Poisson

Soit X une v.a.r. définie par :( > 0 )


5. Variable aléatoire
X ( ) = IN

P[X=k]=
k

e 
 k  IN
absolument continue
k!

103 106

103 106

Propriétés Variable aléatoire absolument continue

 E[X]= , Soit X variable aléatoire réelle

de fonction de répartition F .

 Var. [ X ] = 

104 107

104 107

Variable aléatoire absolument continue

 Soit X var de loi P ( )


X est dite variable aléatoire
indépendante de Y var de
absolument continue s’il existe une
loi P ( μ ), on a :
fonction positive f telle que :
L ( X + Y ) = P ( + μ )

105 108

105 108

18
29/10/2021

Fonction de répartition Conséquence

 t IR

 S’il existe une densité f, alors la


 f ( t )dt
t
F (t )= 

fonction de répartition est continue

(P[X=a]=0)

109 112

109 112

Densité de probabilité Propriétés


=1
 f ( t )dt



f est appelé densité de probabilité  P[X>t]= 

 f ( x ) dx
t

de la variable aléatoire réelle X. AIB PX (A) =



 f ( x )dx
A

110 113

110 113

Conséquence Propriétés

 AIB PX (A) =  f ( x )dx


 En tout point de continuité t de la A

fonction f, on a : F’ ( t ) = f ( t )  PX ( [a, b] ) = F(b) – F ( a)

 f ( x ) dx
b
= a

111 114

111 114

19
29/10/2021

Propriété Définition

Toute fonction réelle f vérifiant les Dans ce cas :


conditions ci-dessous est une densité 
m = E [ X ] =  xf ( x )dx
de probabilité d’une v.a.r. X :

115 118

115 118

Propriété Propriété

 x  IR, f ( x )  0
 Soit g une application mesurable,

 
  f ( t )dt =1 on a :


 f continue sur IR sauf en un nombre fini de points.
E [ g ( X ) ]=  g( x )f ( x )dx

116 119

116 119

Espérance mathématique Variance

On dit que X a une espérance mathématiq Soit X une v.a.r. absolument continue de densité f .

  ( x  m) f ( x )dx
 2
On dit que X a une variance ssi
ssi 
 x f ( x )dx est fini.
est finie.

117 120

117 120

20
29/10/2021

Définition Remarque

 Toutes les propriétés de l’espérance


Dans ce cas :
mathématique; de la variance et de la

Var [ X ] =   ( x  m) 2 f ( x )dx

fonction caractéristique vues dans le cas
discret sont encore valables dans le cas
continue.

121 124

121 124

Fonction caractéristique

 Soit X une v.a.r. absolument continue de


densité f . 6. Lois usuelles
On appelle fonction caractéristique de la absolument continues
v.a.r. X, la fonction X définie de IR dans
C par :

122 125

122 125

Fonction caractéristique 1. Loi uniforme

f(x) =
 1 si x  [a, b]
 ba
X (t ) = E [ eitX ] =   e f ( x )dx f(x) =
 itx



 0 si x  [a, b]

123 126

123 126

21
29/10/2021

Notation Notation

L(X)= U(a,b) L ( X ) = N (0, 1)

127 130

127 130

Propriétés Courbe de la densité

ab
 E[X] = 2
b  a
2 2

 Var [ X ] =
12
 X (t ) = 1 eitb eita
b  a it 0

128 131

128 131

2. Loi normale centrée réduite Propriétés

xIR
 E[X]=0

2 /2
1 x  Var [ X ] = 1
 f(x)= e
2 1
 X (t ) =  t2
e 2

129 132

129 132

22
29/10/2021

Notation Notation :

 La fonction de répartition d’une


L ( X ) = N (m , 2 )
variable de loi N (0, 1) sera noté

par : 

133 136

133 136

Propriétés Courbe de la densité

 ( - x ) = 1- (x)

 ( 0 ) = 1/2

134 137

134 137

3. Loi Normale (Gauss ) Propriétés

xIR
 E[X]=m
2
1 1 x  m 
e 2    Var [ X ] = 2
 f(x)=  2   
1
 X (t ) = imt   2 t 2
e 2

135 138

135 138

23
29/10/2021

Propriété Densité de probabilité

 Soient X v.a.r de loi N (m1,  2 ) et Y  1 x -1e  x


1  si x > 0
 f (x ) = ()
v.a.r de loi N ( m2,  2 ). On suppose que
2  0 sinon
X et Y sont indépendantes.

On a :

2
L(X +Y)= N (m1 + m2,  2 +  2 )
1

139 142

139 142

4. Loi gamma Notation

 () = 0  x -1e  x dx


 L(X)=  ()

140 143

140 143

Propriétés

 (+1)= .()

 (n+1) = n ! si n  IN

  ( ½ )= 

141

141

24

Vous aimerez peut-être aussi