Académique Documents
Professionnel Documents
Culture Documents
ii. A T , A T ;
iii. Pour toute famille ( Ai )i d’éléments de T on a Ai T .
i
Preuve
i. T = T .
ii. Soit ( A, B) T 2 on définit la famille ( Ai )i d’éléments de T par : A0 = A, A1 = B et i 2, Ai = .
On a, d’après la définition, Ai T ; en outre, Ai = A B donc A B T .
i i
( A, B) T 2 A T , B T A B T A B = A B T .
( A, B) T 2 A T , B T A B = A \ B T .
( A, B) T 2 A \ B T , B \ A T ( A \ B) ( B \ A) = AB T .
Ai T , il en résulte que Ai = Ai T .
i i i
Exemples
Soit un ensemble.
1. T = , est une tribu sur , elle est appelée tribu grossière.
2. A une partie propre (*) de , T = , A, A, est une tribu sur , appelée tribu de Bernoulli.
3. P () est une tribu sur .
(*)
A , A et A .
-1-
►Une tribu est aussi appelée -algèbre.
Tribu engendrée par une famille de parties
Théorème et définition
un ensemble, F une famille de parties de .
Il existe une tribu unique de parties de , notée (F ) , vérifiant :
i. F (F ) .
ii. Pour toute tribu T de parties de , on a : F T (F ) T .
Autrement dit, (F ) est la plus petite tribu (au sens de l’inclusion) contenant F .
Exemples
1.Si F est une tribu alors (F ) = F .
2. A une partie donnée de , ( A) = , A, A, .
3. A et B deux parties données de telles que A B = , ( A, B) = , A, B, A B, A, B, A B, .
B. Espaces probabilisables
Épreuve ou phénomène aléatoire
On qualifie d’aléatoire, toute épreuve ou phénomène admettant plusieurs issues.
Exemples
1. Le lancer d’une pièce de monnaie, deux issues : ″Pile″ ou ″Face″ ;
2. Le lancer d’un dé cubique numéroté, six issues pour le chiffre qui apparait sur la face supérieure.
3. Le tire sur une cible, deux issues : succès ou échec.
4. Le nombre de véhicules traversant un poste de péage d’une autoroute entre 9H et 10H.
Définitions
1. Un résultat ou une issue de l’épreuve aléatoire s’appelle éventualité ou événement élémentaire.
2. L’ensemble de toutes les issues de l’épreuve aléatoire s’appelle Univers et se note souvent .
3. Un événement est dit lié à l’épreuve aléatoire, si pour toute éventualité on sait dire si cet événement
a eu lieu ou pas (c'est-à-dire est ce que l’éventualité réalise ou non l’événement).
Définition
Soit l’univers d’une épreuve aléatoire. Si tous les événements liés à cette épreuve aléatoire forment une
tribu T de parties , on dit que le couple (,T ) est un espace probabilisable.
Terminologie
Soit (,T ) un espace probabilisable associé à une épreuve aléatoire.
s’appelle l’événement certain.
s’appelle l’événement impossible.
Propriétés
Soit (,T , p) un espace probabilisé.
1. p () = 0 .
4. A T , p( A) = 1 − p( A) .
Preuve
1. On considère la famille ( An ) n d’éléments de T définie par : An = pour tout n .
+ +
On a (i, j ) 2
, i j Ai Aj = donc, d’après la propriété de -additivité, p( An ) = p( An )
n =0 n =0
+
c'est à dire p() = p() ; cette relation a lieu si, et seulement si, p () = 0 .
n =0
-3-
Ladite famille est formée d’événements incompatibles deux à deux donc, d’après la propriété de -
+ + +
additivité, p( An ) = p( An ) et comme An = A B et p () = 0 alors p ( A B) = p( A) + p( B) .
n =0 n =0 n =0
( A \ B) B = p( A B) = p ( A \ B) + p ( B) (*)
et ( A \ B) ( A B) = p( A) = p( A \ B) + p( A B) (**).
5. Si A B ; B = A ( B \ A) et A ( B \ A) = donc p( B) = p( A) + p( B \ A) ; Ainsi, p ( B ) p ( A) .
Autres propriétés
Soit (,T , p) un espace probabilisé.
+
1. Si ( An ) n est un système complet d’événements de T alors p( An ) = 1 .
n =0
Preuve
+ +
1. Les Ak incompatibles deux à deux et Ak = donc 1 = p() = p(Ak ) (Propriété de -additivité).
k =0 k =0
-4-
+ + +
En conséquence, p( Ak ) = p( Bk ) = p( Bk ) (1) (Propriété de -additivité).
k =0 k =0 k =0
n n n n
Soit n , on a An = Ak = Bk donc p( An ) = p( Bk ) = p( Bk ) .
k =0 k =0 k =0 k =0
+
En faisant tendre n vers + , on obtient : lim p( An ) = p( Bk ) (2).
n →+
k =0
+
De (1) et (2), on déduit que p( Ak ) = lim p( An ) .
n →+
k =0
Corollaire
Pour toute suite ( An ) n d’événements de T , on a :
+ n + n
i. p( Ak ) = lim p( Ak ) . ii. p( Ak ) = lim p( Ak ) .
n →+ n →+
k =0 k =0 k =0 k =0
Preuve
n + + + +
i. On pose Bn = Ak , ( Bn ) n est croissante et Ak = Bk donc p( Ak ) = p( Bk ) = lim p( Bn ) .
n →+
k =0 k =0 k =0 k =0 k =0
n + + + +
ii. On pose Bn = Ak , ( Bn ) n est décroissante et Ak = Bk donc p( Ak ) = p( Bk ) = lim p( Bn ) .
n →+
k =0 k =0 k =0 k =0 k =0
Terminologie
(,T , p) un espace probabilisé.
Un événement de T de probabilité égale à 1 est appelé événement quasi-certain.
Un événement de T de probabilité nulle est appelé événement négligeable ou quasi-impossible.
D. Probabilité conditionnelle
Définition
Soit (,T , p) un espace probabilisé. B T un événement non quasi-impossible, c'est-à-dire p ( B ) 0 ,
A T un événement quelconque, on appelle probabilité conditionnelle de A sachant que B est réalisé, le
nombre noté p ( A / B ) ou pB ( A) défini par
p( A B)
p( A / B) = .
p( B)
Proposition
Avec les mêmes hypothèses de la définition ci-dessus.
p( A B)
L’application pB : T → 0,1 , A pB ( A) = est une probabilité
p( B)
●Si p ( B ) 0 alors p ( A B ) = p ( A / B ) p ( B ) .
●Si p ( A) 0 on a aussi p ( A B ) = p ( B / A) p ( A) .
i. On dit que les événements Ai sont indépendants deux à deux, lorsque l’on a
(i, j ) I 2 , i j p ( Ai A j ) = p ( Ai ) p ( A j ) .
ii. On dit que les événements Ai sont mutuellement indépendants, lorsque l’on a
J I , p( Ai ) = p( Ai ) .
iJ iJ
-6-
II. Variables aléatoires
A. Généralités
Définition
Soit (,T ) un espace probabilisable.
On appelle variable aléatoire, toute application X : → vérifiant, pour tout nombre réel a,
l’ensemble , X ( ) a est un élément de la tribu T .
Notations usuelles
Soit X : → une variable aléatoire.
● Pour A , X A = X −1 ( A) = / X ( ) A .
● Pour x , X = x = X −1 ( x) = / X ( ) = x .
● Pour x , X x = / X ( ) x .
Fonction de répartition
Définition
Soit X une variable aléatoire définie sur un espace probabilisé (,T , p) , on appelle fonction de
répartition de X la fonction numérique FX définie sur par :
x , FX ( x) = p( X x ) .
Propriétés
Soit X une variable aléatoire et soit FX sa fonction de répartition. FX possède les propriétés suivantes :
i. FX est croissante.
ii. FX est continue à droite en tout point de .
iii. lim FX ( x) = 0 et lim FX ( x) = 1 .
x →− x →+
Proposition
Si X une variable aléatoire discrète sur un espace probabilisé (,T , p) alors ( X = x ) xX ( )
est un
système complet d’événements.
Espérance
Définition
On dit que X possède une espérance lorsque la série x p ( X = x ) converge absolument, dans ce cas le
n n
+
nombre noté E ( X ) tel que E ( X ) = xn p ( X = xn ) s’appelle : espérance de X.
n =1
Formule de transfert
Théorème
Conservons les hypothèses et les notations ci-dessus. : → une application, X est une variable
aléatoire, notée ( X ) . Si X admet une espérance celle-ci est donnée par :
+
E ( X ) = ( xn ) p ( X = xn ) [Formule de transfert]
n =1
s’appelle variance de X.
2. Le nombre ( X ) = V ( X ) s’appelle écart-type de X.
ii. (a, b) 2
, E (aX + b) = aE ( X ) + b .
iii. a , V (aX + b) = a 2V ( X ) .
X − E( X )
iv. Si on pose X =
*
alors E ( X * ) = 0 et V ( X * ) = 1 , c'est-à-dire X * est centrée réduite.
(X )
►La relation i. est souvent utilisée pour le calcul de la variance.
X = k = A1 ... Ak −1 Ak .
Les essais sont mutuellement indépendants et on a p ( Ak ) = p ; p ( Ak ) = 1 − p donc
p( X = k ) = p( A1 ) ... p( Ak −1 ) p( Ak ) = (1 − p) k −1 p .
Espérance et variance
1 1− p
Si X G ( p ) alors E ( X ) = et V ( X ) = 2 .
p p
Preuve : Faire à titre exercice.
2. Loi de Poisson
Modèle
1. Nombre d’appels reçus par un centre d’appels durant une période donnée T.
2. Nombre de clients arrivant devant un guichet automatique d’une banque durant une journée
Définition
On dit que la variable aléatoire X suit une loi de Poisson de paramètre 0 , on écrit X P ( ) , si on a
k
, p( X = k ) = e
−
X () = et k .
k!
-9-
Espérance et variance
Si X P ( ) alors E ( X ) = et V ( X ) = .
Espérance de g ( X , Y ) .
Proposition
X et Y deux variables aléatoires discrètes définies sur un même espace probabilisé (,T , p) .
g une application définie sur X () Y () et à valeurs réelles, si la variable aléatoire Z = g ( X , Y )
possède une espérance, celle-ci est donnée par la formule suivante, dite formule de transfert,
E (Z ) = g ( x, y ) p( X = x Y = y ) .
( x , y )X ( )Y ( )
-10-
Quelques propriétés de l’espérance
, X et Y deux variables aléatoires discrètes définies sur un même espace probabilisé (,T , p) .
Si X et Y possèdent des espérances on a :
i. E ( X + Y ) = E ( X ) + E (Y ) .
ii. E ( X ) = E ( X ) .
iii. X 0 E ( X ) 0 (positivité).
iv. X Y E ( X ) E (Y ) (croissance).
v. Si X = constante alors E ( X ) = .
●Si X et Y sont deux variables aléatoires indépendantes suivant respectivement des lois de Poisson
P (1 ) et P (2 ) alors la variable aléatoire X + Y suit la loi de Poisson P (1 + 2 ) .
m = E ( X ) avec X () +
, on a :
, p ( X m )
1
*
+ .
m = E( X ) =
xi X ( )
pi xi =
xi m
pi xi +
xi m
pi xi donc m
xi m
pi xi m pi (1).
xi m
2
0 , p( X − m ) 2 .
-11-
Preuve : On pose Y = X − m , X − m Y 2 et E (Y ) = V ( X ) = 2 .
2
2 2 2
(
2
)
D’après l’inégalité de Markov, appliquée à Y, p ( X − m ) = p Y = p Y 2 2 .
Loi faible des grands nombres
Proposition
Soit ( X n ) n * une suite de variables aléatoires discrètes sur un espace probabilisé (,T , p) de même loi
ayant une espérance m et une variance 2 et qui sont supposées indépendantes.
n
Posons X n = n1 X k , on a :
k =1
0, p( X n − m ) → 0 .
n→+
Preuve
En utilisant l’inégalité de Bienaymé Tchebechev, on montre que :
2
0, p( X n − m ) 2 .
n
►L’application de cette loi à des variables de Bernoulli permet de justifier l’approche intuitive de la
probabilité d’un événement consistant à répéter indéfiniment et avec indépendance une épreuve à deux
issues, succès de probabilité p et échec de probabilité 1 − p , le nombre moyen de succès en n épreuves,
désigné par X n , converge en probabilité vers p.
paramètre .
(*)
L’hypothèse d’indépendance n’est pas nécessaire.
*************
****
-12-