Académique Documents
Professionnel Documents
Culture Documents
Cours de Probabilités
Éléments de théorie et procédures de calcul
Abdeljalil SETTAR
a.settar.fstm@gmail.com
Code Classroom : z6jgx6f
MIP/S4 2023-2024
Plan du chapitre
1 Préliminaire mathématique et motivation
2 Variable aléatoire réelle discrète
Définition et typologie
Loi de probabilité - Fonction de répartition
3 Paramètres d’une v.a.r discrète
Espérance mathématique
Variance - écart-type
4 Lois de probabilité discrètes usuelles
Épreuve de Bernoulli
Lois finies
Lois infinies dénombrables
Espérance - Variance des lois usuelles
Propriétés multivariées et approximations
5 Couple de v.a.r discrètes
Loi de probabilité conjointe
A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 2 / 56
Préliminaire mathématique et motivation Variable aléatoire réelle discrète Paramètres d’une v.a.r discrète Lois de probabilité discr
f (A) = {f (x )|x ∈ A}
f −1 (B) = {x |f (x ) ∈ B}
Propriétés
Soit f une application de E dans F. A, B ⊂ E et C , D ⊂ F .
f (A ∪ B) = f (A) ∪ f (B)
f (A ∩ B) ⊂ f (A) ∩ f (B)
A ⊂ B ⇒ f (A) ⊂ f (B)
f −1 (C ∪ D) = f −1 (C ) ∪ f −1 (D)
f −1 (C ∩ D) = f −1 (C ) ∩ f −1 (D)
f −1 (C ) = f −1 (C )
C ⊂ D ⇒ f −1 (C ) ⊂ f −1 (D)
X: Ω −→ R
(i, j) 7−→ i + j
E = {ω = (i, j) ∈ Ω | i + j = 5}
= {ω = (i, j) ∈ Ω | X (i, j) = 5}
= X −1 ({5}) := {X = 5]
{X = x } = {ω ∈ Ω | X (ω) = x } = X −1 ({x })
Ainsi,
P(E ) = P X −1 ({5}) = P({X = 5})
Remarque
Outre que {X = x }, les éléments {X ≤ x }, {X < x }, {X ≥ x } et
{X > x } sont aussi des événements.
Par exemple :
{X < 4} = {X = 3} ∪ {X = 2}
= {(1, 2); (2, 1); (1, 1)}
Astuce
Pour tout x ∈ X (Ω)
Ω est fini. On lui associe l’espace probabilisé (Uniforme) (Ω, P(Ω), P).
1
Ainsi, P(E ) = P({FF , PP}) = .
2
La v.a.r X est définie sur Ω dont le support est X (Ω) = {0, 1, 2}, telle
que :
On peut donc définir sur X (Ω) une mesure de probabilité PX telle que
PX : X (Ω) −→ {0, 1}
x 7−→ PX (x ) = P({X = x })
D’où
1 1 1
P({X = 0} ∪ {X = 2}) = P(X = 0) + P(X = 2) = + =
4 4 2
Définition et typologie
Exemple 2 [10] :
On sait que X (Ω) = {0, 1, 2}.
Si x < 0 , {X = x } = ∅ ∈ P(Ω)
Si 0 ≤ x < 1 , {X = x } = {X = 0} = {FF } ∈ P(Ω)
Si 1 ≤ x < 2 , {X = x } = {X = 1} = {PF , FP} ∈ P(Ω)
Si x ≥ 2 , {X = x } = {X = 2} = {PP} ∈ P(Ω)
X est donc une variable aléatoire.
Définition et typologie
Types de v.a.r
À retenir
On distingue deux types de variables aléatoires réelles :
Une variable aléatoire X est dite discrète si elle ne peut prendre que
des valeurs isolées finies (resp. infini dénombrables), i.e.,
Une variable aléatoire X est dite continue si elle peut prendre une
infinité non dénombrable de valeurs, i.e.,
X (Ω) ⊂ R
Définition et typologie
Exemple 1 [5]
Définition et typologie
À retenir
Soit X une variable aléatoire discrète de l’espace probabilisable (Ω, P(Ω)).
On note X (Ω) = {x1 , x2 , . . . , xn }. Alors la famille ({X = xi })i=1,2,...,n , est
un s.c.e de Ω associé à X.
D’une part, on a
{X = xi } ∩ {X = xj } = ∅ ∀i ̸= j
D’autre part,
n n
X −1 ({xi })
[ [
{X = xi } =
i=1 i=1
n
!
−1
[
=X ({xi })
i=1
= X −1 (X (Ω)) = Ω
A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 15 / 56
Préliminaire mathématique et motivation Variable aléatoire réelle discrète Paramètres d’une v.a.r discrète Lois de probabilité discr
PX : X (Ω) −→ [0, 1]
x 7−→ PX (x ) = P({X = x })
Exemples
À noter !
1 L’uniformité de P n’entraine pas forcément l’uniformité de PX !
2 Deux v.a.r ayant la même loi de probabilité ne sont pas forcément
égales !
1 Exemple 1 [5] : P est uniforme car P({(i, j)}) = 1/36 pour tout
(i, j) ∈ Ω, alors que PX ne l’est pas car par exemple :
Fx : R −→ {0, 1}
x 7−→ FX (x ) = P({X ≤ x }) = xi ≤x P({X = xi })
P
Remarque
La fonction de répartition d’une v.a.r discrète X détermine sa loi de
probabilité telle que
Propriétés
Toute fonction de répartition FX d’une v.a.r X posséde les propriétés
suivantes
FX est croissante.
lim FX (x ) = 0 et lim FX (x ) = 1.
x →−∞ x →+∞
FX est continue à droite en tout point x de R.
FX admet une limite finie à gauche en tout point x de R, et :
Astuce
Soit X (Ω) = {x1 , x2 , . . . , xi−1 , xi , . . . , xj−1 , xj , . . .}
Exemples
Espérance mathématique
et
X (Ω) = {x1 , x2 , . . . , xi , . . .} si X est infinie dénombrable
Espérance mathématique
Remarque
Si X (Ω) est fini, E(X ) existe toujours (calcul d’une somme finie).
Ainsi, on a :
n
X
E(X ) = xi P({X = xi })
i=1
P+∞
Si X (Ω) est infini dénombrable, E(X ) existe si i=1 xi P({X = xi })
converge. Ainsi, on a :
+∞
X
E(X ) = xi P({X = xi })
i=1
Espérance mathématique
Exemples
Espérance mathématique
Exercice-Proposition
Pour tout événement A de l’espace probabilisé (Ω, P(Ω), P). Montrer que
P(A) = E(1A )
Espérance mathématique
Espérance mathématique
Théorèrme de transfert
Soit g une application de X (Ω) dans R. g(X ) est une v.a.r
d’espérance(lorsqu’il existe) donnée par
X
E(g(X )) = g(xi )P({X = xi })
xi ∈X (Ω)
Espérance mathématique
Variance - écart-type
Définition : variance-écart-type
On appelle variance de X le nombre réel positif (si il existe), noté V(X ),
défini par :
V(X ) = E (X − E(X ))2 = E(X 2 ) − (E(X ))2
Variance - écart-type
Variance - écart-type
Exemples
Épreuve de Bernoulli
Épreuve de Bernoulli
Lois finies
Loi binomiale
Lois finies
Exemples
Lois finies
Loi hypergéométrique
Lois finies
Exemples
C52 C73
P({X = 2}) = = 00
C14 2
Exemples
Loi géométrique
Exemples
Loi de Poisson
Exemples
Loi binomiale
Si X ∼ Bin(n, p) et si Y = n − X , alors Y ∼ Bin(n, 1 − p) (Y
représente le nombre des échecs).
Si X et Y sont deux variables aléatoires indépendantes telles que
X ∼ Bin(n1 , p) et Y ∼ Bin(n2 , p), alors la somme S = X + Y est une
variables aléatoirs et S ∼ Bin(n1 + n2 , p)
Loi hypergéométrique
Soient X et Y sont deux variables aléatoires indépendantes de somme
S = X + Y . Si X ∼ Bin(n1 , p) et Y ∼ Bin(n2 , p), alors
(X |S = n) ∼ H(N = n1 + n2 , N1 = n1 , n)
Loi de Poisson
Si X et Y sont deux variables aléatoires indépendantes telles que
X ∼ P(λ1 ) et Y ∼ P(λ2 ), alors la somme S = X + Y est une
variables aléatoirs et S ∼ P(λ1 + λ2 ).
λ1
De plus, (X |S = n) ∼ Bin n, et
λ1 + λ2
λ2
(Y |S = n) ∼ Bin k, .
λ1 + λ2
Approximations
Définition
Soient X et Y deux v.a.r définies sur le même espace probabilisé d’univers
Ω. On appelle loi de probabilité du couple (X , Y ) l’application :
Proposition
Si X (Ω) et Y (Ω) sont finis, au plus dénombrables, alors PX ,Y est
déterminée par les valeures pij associées aux couples (xi , yj ), telles que :
pij = P({X = xi } ∩ {Y = yj })
Avec :
•
P P
xi ∈X (Ω) yj ∈Y (Ω) pij = 1.
• Pour tout I ⊂ X (Ω) et J ⊂ Y (Ω) :
XX
PX ,Y (I × J) = pij
xi ∈I yj ∈J
Exemple
Indépendance
Définition-Proposition
Les assertions suivantes sont équivalentes :
i. X et Y sont indépendantes.
ii. Les événements {X = xi } et {Y = yj } sont indépendants pour tout
(xi , yj ) ∈ X (Ω) × Y (Ω).
iii. PX ,Y = PX PY
Définition-Proposition
Deux variables aléatoires X et Y sont dites corrélées si elle ne sont pas
indépendantes. Dans ce cas, on a :
i. E(XY ) ̸= E(X )E(Y ). (E(XY ) =
P P
xi ∈I yj ∈J xi yj pij )
ii. V(X + Y ) ̸= V(X ) + V(Y ).
Covariance
Si X et Y ne sont pas indépendantes, alors E(XY ) − E(X )E(Y ) ̸= 0. Cet
écart est caractérisé par la notion de covariance
Définition-Proposition
On appelle covariance de X et Y , la mesure de corrélation entre X et Y notée
Cov (X , Y ) et est définie par :
Propriétés
Pour tous réels a, b, c et d, on a :
Cov (aX + b, cY + d) = abCov (X , Y ).
Cov (X , X ) = V(X )
V(X + Y ) = V(X ) + V(Y ) + 2Cov (X , Y ) (Identité des variances)
A.SETTAR (FSTM) Cours de Probabilités MIP/S4 2023-2024 55 / 56
Préliminaire mathématique et motivation Variable aléatoire réelle discrète Paramètres d’une v.a.r discrète Lois de probabilité discr
Exemple