Académique Documents
Professionnel Documents
Culture Documents
L2 Ingènieur en informatique
2023 - 2024
Definition
Une variable aléatoire (v.a) X est une grandeur numérique
représentant le résultat d’une expérience aléatoire. On peut donc
considérer X comme une application :
X :Ω→R
ω→R
Propriété
Soient X et Y deux v.a sur Ω et λ ∈ R, alors : X + Y , λX , XY , XY ,
sup(X , Y ) et inf (X , Y ) sont des v.a sur Ω
Definition
Un ensemble E est dit infini dénombrable si il existe une bijection de
N vers E. Autrement dit, si E est infini qu’on peut numéroter les
éléments de E .
Definition
Une variable aléatoire notée X (v.a) est dite discrète si l’ensemble des
réalisations possibles X (Ω) est fini ou infini dénombrable
Example
Soit une famille de 4 enfants dont les parents sont porteurs d’un gène
d’une maladie héréditaire.
La variable aléatoire X : " nombre d’enfants atteints de cette maladie
dans la famille ".
Les réalisations possibles sont 0, 1, 2, 3, 4.
Donc X = {0, 1, 2, 3, 4}.
Example
On lance une pièce de monnaie non truqué trois fois. On s’intéresse
au numbre de fois que pile intervenant.
La vaiable aléatoire X : "le nombre de fois où pile est obtenue".
Les valeurs de X sont 0,1,2,3.
Alors X = {0, 1, 2, 3}.
Definition
Soit X une v.a discrète. La loi de probabilité (ou loi) de X est la
fonction :
P : X (Ω) → [0, 1]
x → P(x) = P(X = x) avec (X = x) = {ω ∈ Ω|X (ω) = x}
X X
et on P(x) = P(X = x) = 1
x∈X (Ω) x∈X (Ω)
Propriété
Si X une v.a discrète finie, X (Ω) = {x1 , x2 , . . . , xn }. La loi de de
X est définie par :
p1 = P(X = x1 ), p2 = P(X = x2 ), . . . , pn = P(X = xn ) où
X n
0 ≤ pk ≤ 1∀k ∈ {1, 2, . . . , n} pk = 1 et
X k=1
P(A) = P(X = x), ∀A ⊆ X (Ω)
x∈A
Si X est une v.a discrète infinie, alors sa loi de probabilité est
définie par la suite infinie :
p1 = P(X = x1 ), p2 = P(X = x2 ), . . . , pn = P(X = xn ), . . . où
+∞
X
0 ≤ pk ≤ 1 pour toutk ∈ N et pk = 1
k=1
Theorem
{(xi
, Pi )/1 ≤ i ≤ n} est la loi de probabilité d’une v.a si seulement
0 n≤ Pi ≤ 1 pour tous i ∈ {1, 2, . . . , n}
si : X
Pi = 1
i=1
Definition
On appelle fonction de répartition d’une v.a X , la fonction réelle F
définie par :
F : R → [0, 1]
x → F (x) = P(X ≤ x)
Propriété
∀x ∈ R, F (x) ∈ [0, 1].
F est croissante.
F est continue à droite : ∀x0 ∈ R, on lim+ F (x) = F (x0 ).
x→x0
Definition
On appelle fonction de répartition d’une variable aléatoire discète X ,
la fonction réelle F définie par :
F : R → [0, 1]
x → F (x) = P(X ≤ x)
Propriété
Soit X une v.a finie de fonction de répartition F et de loi
{p1 , p2 , . . . , pn }.
X (Ω) = {x1 , x2 , . . . , xn }, (x1 < x2 < · · · < xn ), alors
i) ∀x ∈]∞, x1 [, F (x) = 0.
ii) ∀x ∈ [xk , xk+1 [, F (x) = p1 + · · · + pk , 1 ≤ k ≤ n1.
iii) ∀x ∈ [xn , +∞[, F (x) = 1.
iv) pk = P(X = xk ) = F (xk ) − F (xk1 ).
Remarque
Il est parfois plus simple de déterminer la loi d’une v.a à partir de sa
fonction de répartition en utilisant la propriété iv ).
Example
Soit X (Ω) = {1, 2, 3}.
Les probabilité pi sont données par :
xi 1 2 3
pi = P(X = xi ) 12 13 16
On construit
la fonction de répartition :
0 si x <1
1 x <2
1
2
si ≤
F (x) = 5
si 2≤x <3
6
1 3≤x
Espérance
Definition
Soit X une v.a discrète avec X (Ω) = {x1 , . . . , xn }. On appelle
espérance mathématique de X l’expression suivante :
n
X
E (X ) = xk P(X = xk ).
k=1
Definition
Soit X une v.a discrète.
On appelle moment d’ordre r de X l’expression suivante :
n
X
r
mr = E (X ) = xkr P(X = xk ).
k=1
Variance
Definition
On appelle variance de la v.a X le réel positif :
V (X ) = E [(X − E (X ))2 ] = E (X 2 ) − E (X )2 = σ 2 (X ) = µ2 .
Definition
On appelle loi de probabilité du couple (X , Y ) ou loi conjointe de X
et Y l’ensemble {pkl , k = 1, 2, , r et l = 1, 2, . . . , s} où
Theorem
{((xi , yj ), Pij )/1 ≤ i ≤ r et 1 ≤ j ≤ s} est la loi de probabilité d’un
couple de v.a. si seulement si :
0 r≤ Psij ≤ 1 pour tous (i, j) ∈ {1, 2, . . . , r } × {1, 2, . . . , s}
XX
Pij = 1
i=1 j=1
Definition
Les v.a X et Y sont appelées variables marginales du couple
(X , Y ).
La loi de la v.a X (resp. Y ) du couple (X , Y ) est appelée la loi
marginale de X (resp. Y ).
Notation
On note la probabilité P(X = xi ) par pi.
On note la probabilité P(Y = yj ) par p.j
Propriété
Si X (Ω) = {x1 , x2 , . . . , xr } et Y (Ω) = {y1 , y2 , . . . , ys }, alors
s
X
∀i ∈ {1, 2, . . . , r }, pi. = P(X = xi ) = P(X = xi , Y = yj )
j=1
Xr
∀j ∈ {1, 2, . . . , s}, p.j = P(Y = yj ) = P(X = xi , Y = yj )
i=1
r ,s
X
P(X = xi , Y = yj ) = 1
i,j=1
Deux v.a sont indépendantes si la loi de l’une n’est pas influencée par
la loi de l’autre.
Definition
Les v.a X et Y sont dites indépendantes si ∀(x, y ) ∈ X (Ω) × Y (Ω)
Definition
Soient X une v.a sur Ω telle que X (Ω) = {x1 , x2 , . . . , xr } et soit A un
événement de probabilité non nulle, P(A) > 0.
Pour k = 1, . . . , r , la loi conditionnelle de (X = xk ) sachant A est :
Cas particulier
Si Y est une v.a sur Ω telle que Y (Ω) = {y1 , y2 , . . . , ys }, pour
k = 1, . . . , r , la loi conditionnelle de (X = xk ) sachant (Y = yl ) est :
Definition
Soient X et Y deux v.a. La loi de X + Y est définie par :
X X
P(X + Y = z) = P(X = x, Y = zx) = P(X = zy , Y = y )
x∈X y ∈Y
Si X et Y sont indépendantes
X X
P(X +Y = z) = P(X = x)P(Y = zx) = P(X = zy )P(Y = y )
x∈X y ∈Y
X1 /Y 1 2 3 4 5 6 P(X1 = xi ) = pi.
1 1
36
1
36
1
36
1
36
1
36
1
36
1
6
2 0 2
36
1
36
1
36
1
36
1
36
1
6
3 0 0 3
36
1
36
1
36
1
36
1
6
4 0 0 0 4
36
1
36
1
36
1
6
5 0 0 0 0 4
36
1
36
1
6
6 0 0 0 0 0 6
36
1
6
1 2 3 4 5 6
P(Y = yj ) = p.j 36 36 36 36 36 36
Definition
Une v.a. X est dite continue si elle est à valeurs dans un ensemble
non d´enombrable. Par exemple, X peut représenter la température,
les notes d’une classe, la durée de vie d’une ampoule, . . .
Elle est définie par sa densité de probabilité.
Définition
La fonction de répartition (f.r) de la v.a X , est définie par :
Propriété
Soient X une v.a continue et F sa fonction de répartition. Alors :
P(X = x) = 0, ∀x ∈ R.
P(a < X ≤ b) = F (b) − F (a), ∀a, b ∈ R.
P(a < X < b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a ≤ X ≤
b), ∀a, b ∈ R.
P(X > a) = P(Xa) = 1 − F (a), ∀a ∈ R.
Definition
Soit f est une fonction à valeurs réelles positives ayant au plus un
nombre fini de points de discontinuité. On dit que f est la densité
d’une v.a X , si sa f.r F s’écrit sous la forme :
Z x
F (x) = f (t)dt
−∞
Definition
Une fonction réelle f définie sur R est une densité de probabilité si et
seulement si
f (x) ≥ 0 pour tout x ∈ R.
f est continue sauf en un nombre fini de points.
R +∞
−∞
f (t)dt = 1.
Propriété
Soient X une v.a de densité f et F sa fonction de répartition. Alors :
F est continue sur R.
F est dérivable en tout point x0 où f est continue et on a
F0′ (x0 ) = f (x0 ).
Rb
P(a < X ≤ b) = a f (t)dt, ∀a, b ∈ R.
R +∞
P(X ≥ a) = a f (t)dt, ∀a ∈ R.
F : R2 → [0, 1]
(x, y ) → F (x, y ) = P(X ≤ x, Y ≤ y ) = P(X ≤ x) ∩ P(Y ≤ y )
Proriété
(x, y ) ∈ R2 , F (x, y ) ∈ [0, 1].
lim = 0 et lim =1
(x,y )→(−∞,−∞) (x,y )→(+∞,+∞)
Definition
On dit que le couple de v.a (X , Y ) admet une densité f , si sa f.r F
s’écrit sous la forme :
Z x Z y
F (x, y ) = f (u, v )dudv
−∞ −∞
Definition
Une fonction réelle f définie sur R2 est une densité de probabilité si
et seulement si
f (x, y ) ≥ 0 pour tout (x, y ) ∈ R2 .
f est continue sauf en un nombre fini de points.
R +∞ R +∞
−∞ −∞
f (u, v )dudv = 1.
Propriété
Soient (X , Y ) un couple de v.a de densité f et F sa fonction de
répartition. Alors :
F est continue sur R2 .
F admet des dérivés partielles secondes continues en tout point
∂2F
(x0 , y0 ) où f est continue et on a f (x0 , y0 ) = ∂x∂y (x0 , y0 ).
RR
P(a ≤ X ≤ b, c ≤ Y ≤ d) = [a,b]×[c,d]
f (x, y )dxdy
Y = g (X )
F (Y = y ) = P(Y ≤ y ) = P(g (X ) ≤ y ).
f (Y = y ) = F ′ (Y = y ).
Definition
Un vecteur aléatoire X = (X1 , . . . . , Xd ) ∈ Rd est un vecteur
dont toutes les composantes sont des variables aléatoires réelles.
La fonction de répartition FX de X est d´efinie pour tout
t = (t1 , . . . , td ) par :
FX (t1 , . . . , td ) = P[X1 ≤ t1 , . . . , Xd ≤ td ]
Proptiété
Toute densité de probabilité fX vérifie pour tout t ∈ R fX (t) ≥ 0
et Z +∞ Z +∞
fX (u1 , . . . , ud )du1 . . . dud = 1
−∞ −∞