Académique Documents
Professionnel Documents
Culture Documents
1 Rappel de Probabilités 1
1.1 Notions de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Dénitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Réunion de deux évènements . . . . . . . . . . . . . . . . . . . . . . 1
1.1.3 Intersection de deux évènements . . . . . . . . . . . . . . . . . . . . 2
1.1.4 Système complet d'évènements . . . . . . . . . . . . . . . . . . . . 2
1.1.5 Tribu d'évènements de Ω, espace probabilisable . . . . . . . . . . . 2
1.1.6 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.7 Propriétés élémentaires d'une probabilité . . . . . . . . . . . . . . . 2
1.1.8 Univers équiprobable . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.9 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.10 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . 3
1.1.11 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.12 Indépendance de A et B . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Variables aléatoires réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Quelques lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Lois discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1.1 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1.2 Loi Binomiale . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1.3 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2.1 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2.2 Loi normale centrée réduite . . . . . . . . . . . . . . . . . 7
1.3.3 Loi du Chi-deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3.1 Loi de Student . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3.2 Loi de Fisher-Snédécor . . . . . . . . . . . . . . . . . . . . 11
i
Chapitre 1
Rappel de Probabilités
1
1.1.3 Intersection de deux évènements
− Intersection de A et B : évènement constitué des résultats élémentaires de Ω qui
appartiennent à la fois à A et à B. Soit ω le résultat de l'expérience :
A ∩ B = {ω ∈ Ω, ω ∈ A et ω ∈ B}.
nombrable (A ) d'éléments de Ω, on a ∩ A ∈ Ω.
4. A est stable par passage au complémentaire, c'est-à-dire que pour tout A ∈ A , on
n n∈N n∈N n
a Ā ∈ A .
− (Ω, A ) est dit un espace probabilisable.
1.1.6 Probabilité
Soit (Ω, A ) est dit un espace probabilisable. Une probabilité sur (Ω, A ) est une appli-
cation P : A → [0, 1] telle que :
0 ≤ P(A) ≤ 1, ∀A ∈ A
P(Ω) = 1 P
P(∪ A ) = P(A ), ∀(A ) ensemble d'énombrable d'évènements disjoints.
i∈N i i∈N i i i∈N
P(∅) = 0.
A ⊂ B ⇒ P(A) ≤ P(B).
P(A ∪ B) =PP(A) + P(B) − P(A ∩ B).
P(∩i Ai ) ≤ i P(Ai ).
2
1.1.8 Univers équiprobable
Univers équiprobable est un ensembe Ω dont tous les évènements élémentaires ont la
même probabilité.
Si Ω contient N éléments, alors :
1
p1 = p2 = ... = pN = .
N
Si A ⊂ Ω et si A contient n éventualités, alors :
n nombre de cas favorables .
P(A) =
N
=
nombre de cas possibles
1.1.9 Probabilité conditionnelle
Soit A et B deux événements tels que P(B) 6= 0. La probabilité conditionnelle de A
par rapport à B, est donnée par :
P(A ∩ B)
P(A|B) = .
P(B)
1.1.12 Indépendance de A et B
Deux événements A et B sont dits indépendants (A q B) si et seulement si
P(A ∩ B) = P(A)P(B).
3
1.2 Variables aléatoires réelles
Denition 1.2.1 Une variable aléatoire réelle X est une application qui à tout élément
ω de ω associe un nombre réel x
X : Ω −→ R
ω 7→ x.
Denition 1.2.2 • Une variable aléatoire discrète est une variable aléatoire dont le do-
maine de variation contient un nombre ni ou une innité dénombrable de valeurs.
• Une variable aléatoire continue est une variable aléatoire dont le domaine de varia-
tion contient une innité non dénombrable de valeurs
Denition 1.2.3 Soit X une variable aléatoire discrète telle que ΩX = x1 , ..., xN . La
loi de probabilité de X est caractérisée par sa fonction de probabilité qui donne, pour
touti ∈ 1, ..., N
pi = P(X = xi ).
Propriétés.
p = 1.
N
X
i
∀A ⊂ Ω, P(A) =
i=1 X
pi .
i,xi ∈A
Denition 1.2.4 Soit X une variable aléatoire continue. On appelle densité de probabilité
la fonction f (x) dénie par :
P(X ∈ [x; x + ])
f (x) = lim .
→0
Propriétés.
fZ(x) ≥ 0, ∀x ∈ R.
+∞
f (x) = 1.
−∞
Propriétés.
1. F (x) ∈ [0, 1]
2. F est une fonction croissante
3. lim F (x) = 0
x→−∞
4
4. lim F (x) = 1
5. Pour une variable aléatoire discrète, F est une fonction en escaliers. Pour une
x→+∞
b. Cas continu
i=1
Z +∞
:
E(X) = xf (x)dx.
2. La variance V ar(X) d'une variable aléatoire X est dénie par :
−∞
5
1.3.1.2 Loi Binomiale
La loi binomiale est une loi de probabilité discrète qui décrit le nombre de réussites
parmi un ensemble d'expériences aléatoires et indépendantes. Elle est notée par B (n, p)
avec n le nombre d'expériences et p la probabilité de réussite à chaque expérience.
La fonction de probabilité est donnée par :
n k
P(X = k) = p (1 − p)n−k , k = 1, ...n,
k
où n
= Cnk = p!
.
L'espérance de la loi Binomiale :
k p!(n−p)!
E(X) = np.
6
notée par N (µ; σ ) avec µ l'espérance de la loi et σ la variance. La densité de probabilité
2 2
7
• P(X = a) = 0.
• P(X < a) = P(X ≤ a)
• P(X > a) = 1 − P(X ≤ a)
• P(X ≤ −a) = P(X ≥ a) = 1 − P(X < a)
• P(−a ≤ X ≤ a) = P(|X| ≤ a) = 2P(X ≤ a) − 1.
Allure de la densité normale centrée réduite
Table de la loi N (0, 1) Soit Z une variable aléatoire normale centrée réduite. An
de calculer des probabilités du type P(X > t), P(X < t), P(|X| > t), et P(t < X < t )
quand X suit une loi normale N (µ, σ ), on doit suivre les étapes suivantes :
1 2
2
Etape 1 :Reexprimer les probabilités qu'on veut calculer avec la v.a. centrée réduite
X−µ
Z= σ
.
Etape 2 :En utilisant les propriétés citées ci-dessus, on se ramene à des probabilités
du type P(Z ≤ z) pour certains z ≥ 0.
Etape 3 :Utiliser la table de la loi normale standard N (0, 1).
Exercice 1 Si X N (3, 0.25), calculer P(X > 3.5).
Pour calculer cette probabilité, on doit d'abord centrer et réduire, an d'obtenir une v.a.
Z N (0, 1), d'où
X −2
Z=√ .
0.25
Par conséquent,
P(X > 3.5) = P( √X−2
0.25
> 3.5−3
√
0.25
)
= P(Z > 1)
= 1 − P(Z < 1)
= 1 − 0.8413 (via la table de la loi N (0, 1)).
= 0.1587
8
Theorem 1.3.1 Soit X1 , ..., Xn n variables aléatoires indépendantes et identiquement
distribuées d'espérance µ et de variance σ 2 :
n
X
1
n n
Xi − µ
X L i=1 L
Y = Xi N (nµ, nσ 2 ) ⇔ p N (0, 1).
i=1 σ 2 /n
9
1.3.3.1 Loi de Student
Denition 1.3.2 Soient X et Y deux variables aléatoires indépendantes telles que X
N (0, 1) et Y χ2n . La variable aléatoire
X
T =p .
Y /n
suit une loi continue dite loi de Student à n degrés de liberté, notée Tn .
10
1.3.3.2 Loi de Fisher-Snédécor
Denition 1.3.3 Soient Y1 et Y2 deux variables aléatoires indépendantes telles que Y1
χ2n1 et Y2 χ2n2 . La variable aléatoire
Y1 /n1
Z=
Y2 /n2
11