Académique Documents
Professionnel Documents
Culture Documents
Définition 1 Probabilité
On appelle probabilité sur (Ω, ℱ ) une application 𝑃 de ℱ dans [0,1] vérifiant les deux propriétés
suivantes :
i- 𝑃 ( Ω) = 1
ii- Pour toute suite (𝐴𝑖 )𝑖≥1 d’évènements de ℱ deux à deux incompatibles on a
∞ ∞
𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝐴𝑖
𝑖=1 𝑖=1
1
𝐶𝑎𝑟𝑑 𝐴 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃 (𝐴 ) = =
𝐶𝑎𝑟𝑑 Ω 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑝𝑜𝑠𝑠𝑖𝑏𝑙𝑒𝑠
Définition 3 Soit(Ω, ℱ, 𝑃) un espace de probabilité .On appelle variable aléatoire réelle (v.a.r)
toute application de Ω dans ℝ telle que pour tout intervalle 𝐼 deℝ, 𝑋 −1 (𝐼 )est un évènement de
ℱ.
On appelle loi de probabilité de 𝑋, notée 𝑃𝑋 , l’application qui a toute partie 𝐴 de ℝ associe
𝑃𝑋 (𝐴) = 𝑃(𝑋 ∈ 𝐴) = 𝑃({𝑤 ∈ Ω: X(𝑤) ∈ 𝐴})
La fonction de répartition d’une variable aléatoire réelle 𝑋 est la fonction 𝐹𝑋 de ℝ dans [0,1]
définie par
𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥 )
Propriétés :
i- lim 𝐹𝑋 (𝑥 ) = 0 , lim 𝐹𝑋 (𝑥 ) = 1
𝑥⟶−∞ 𝑥⟶+∞
ii- La fonction 𝐹𝑋 est croissante et continue à droite
iii- Pour tous réels 𝑎 et 𝑏, 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝐹𝑋 (𝑏) − 𝐹𝑋 (𝑎)
Définition 4 Une variable aléatoire 𝑋 à valeurs dans un ensemble 𝑋 (Ω) discret est appelée
variable aléatoire discrète. Dans ce cas, la loi de 𝑋 est déterminée par
3
1-2-2 Variable aléatoire continue
Définition 5 Une variable aléatoire réelle 𝑋 est dite continue si 𝑋(Ω) est un intervalle ou réunion
d’intervalle de ℝ. 𝑋 est dite absolument continue si de plus il existe une fonction 𝑓𝑋 appelée
densité, définie sur ℝ telle que :
i- 𝑓𝑋 (𝑥 ) ≥ 0 pour tout 𝑥 ∈ ℝ
ii- 𝑓𝑋 (𝑥) est continue sur ℝ sauf peut être sur un nombre fini de points
+∞ +∞
iii- ∫−∞ 𝑓𝑋 (𝑥 )𝑑𝑥 converge et∫−∞ 𝑓𝑋 (𝑥)𝑑𝑥 = 1
𝑥
iv- 𝐹𝑋 (𝑥) = ∫−∞ 𝑓𝑋 (𝑡)𝑑𝑡
La fonction 𝐹𝑋 est continue, elle est dérivable aux points de continuité de 𝑓𝑋 avec 𝑓𝑋 (𝑥 ) = 𝐹𝑋′ (𝑥).
Propriétés
i- Pour tout 𝑎 ∈ ℝ , 𝑃 (𝑋 = 𝑎) = 0
𝑏
ii-Pour tous réels 𝑎 et 𝑏 tels que 𝑎 < 𝑏 on a 𝑃 (𝑎 < 𝑋 < 𝑏) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏) = ∫𝑎 𝑓𝑋 (𝑡) 𝑑𝑡
2- Moments
Le moment d’ordre (𝑟 ≥ 1) de 𝑋 est la quantité (si elle existe)
3- Variance et écart-type
La variance de 𝑋 est la valeur (si elle existe ) notée 𝑉𝑎𝑟(𝑋) définie par
2
Var(𝑋) = 𝐸(𝑋 − 𝐸 (𝑋)) = 𝐸 (𝑋 2 ) − 𝐸 2 (𝑋)
Dans les tableaux ci- après sont présentées les propriétés de quelques lois discrètes et continues
1- Lois discrètes
Poisson 𝒫(𝜆) 𝜆𝑘 λ λ
𝑒 −𝜆 , 𝑘 ∈ ℕ , 𝜆 > 0
𝑘!
Lois Continues
Uniforme 1 𝑎+𝑏 (𝑎 − 𝑏 )2
U ([]) 𝑓(𝑥) = {𝑏 − 𝑎 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏 2 12
0 𝑠𝑖𝑛𝑜𝑛
Exponentielle −𝜆𝑥 1 1
𝑓(𝑥) = { 𝜆 𝑒 𝑠𝑖 𝑥 ≥ 0
ℰ(𝜆) 0 𝑠𝑖 𝑥 < 0 𝜆 𝜆2
(𝑥−𝑚) 2
Normale 1 − m 𝜎2
𝑓(𝑥) = 𝑒 2𝜎2 ,𝑥 ∈ ℝ
N(𝜎 2 ) 𝜎√2𝜋
,
Gamma 𝜆𝑎 𝑎−1 −𝜆𝑥 𝑎 𝑎
𝑓 (𝑥 ) = 𝑥 𝑒 , 𝑥 > 0, 𝑎 > 0, 𝜆 𝜆2
Γ(𝜆, 𝑎) Γ(𝑎 )
𝜆>0
bêta 1 𝑎 𝑎𝑏
𝑓 (𝑥 ) = 𝑥 𝑎−1 (1 − 𝑥 )𝑏−1 , 𝑎+𝑏
Β(𝑎, 𝑏) Β(𝑎, 𝑏) (𝑎 + 𝑏 + 1)(𝑎 + 𝑏)2
0<𝑥<1
5
+∞
Fonction Gamma : Γ(𝑥 ) = ∫0 𝑥 𝑎−1 𝑒 −𝑥 𝑑𝑥, 𝑥 >0,
1
Γ(𝑎 ) = (𝑎 − 1 ) Γ(𝑎 − 1 ) ∀𝑎 > 0, Γ(𝑛) = (𝑛 − 1)! ∀𝑛 ∈ ℕ∗ , Γ (2) = √𝜋 , Γ(1 ) = 1
Γ(𝑎)Γ(𝑏)
Fonction bêta : Β(𝑎, 𝑏) = , 𝑎>0 , 𝑏>0
Γ(𝑎+𝑏)
Théorème 1 Soit 𝑋 à valeurs dans ℕ , alors 𝑋 admet une espérance si et seulement si 𝐺𝑋′ = 𝐸 (𝑋)
𝑋 admet une variance si et seulement si 𝐺𝑋 est deux fois dérivables en 1.
2
𝑉𝑎𝑟(𝑋) = 𝐺𝑋′′ (1) + 𝐺𝑋′ (1) − (𝐺𝑋′ (1))
Définition7 La fonction génératrice des moments de la variable aléatoire 𝑋 est définie par
𝑀𝑋 (𝑡) = 𝐸 (𝑒 𝑡𝑋 )
Le moment d’ordre 𝑟 de 𝑋 est donnée par :
(𝑟) (𝑟)
𝐸 [𝑋 𝑟 ] = 𝑀𝑋 (0) où 𝑀𝑋 (0) est la dérivée d’ordre 𝑟 de 𝑀𝑋
6
+∞ +∞
𝜆𝑎 𝑎−1 −𝜆𝑥 𝜆𝑎
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥 𝑥 𝑒 𝑑𝑥 = ∫ 𝑥 𝑎−1 𝑒 −𝑥(𝜆−𝑡) 𝑑𝑥
Γ(𝑎 ) Γ(𝑎 )
0 0
+∞ 𝜆 𝑎
Comme ∫0 𝑦 𝑎−1 𝑒 −𝑦 𝑑𝑦 = Γ(𝑎) on obtient 𝑀𝑋 (𝑡) = (𝜆−𝑡 ) pour 𝑡 < 𝜆
2 𝑎
Finalement 𝑉𝑎𝑟(𝑋) = 𝑀𝑋′′ (0) − (𝑀𝑋′ (0)) = 𝜆2
1- Lois marginales
Les lois marginales sont les lois de chacune des variables du couple (𝑋, 𝑌). Elles sont définies par
𝐸 (𝑋𝑌) = ∑ ∑ 𝑥𝑦 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦)
𝑥∈𝑋(Ω) 𝑦∈𝑌(Ω)
𝑒 −(𝜆1 +𝜆2)
En utilisant la formule du binôme, on trouve𝑃(𝑋 + 𝑌 = 𝑠) = (𝜆1 + 𝜆2 )𝑠 , 𝑠 ≥ 0
𝑠!
Si 𝑋et 𝑌sont deux v.a réelles continues, La loi du couple(𝑋, 𝑌) est déterminée par sa fonction de
répartition𝐹𝑋,𝑌 . Si cette fonction est deux fois dérivables par rapport aux deux variables, alors la
loi de (𝑋, 𝑌) est dite absolument continue, de densité 𝑓𝑋,𝑌 définie par :
8
𝜕 2 𝐹 (𝑥, 𝑦)
𝑓 (𝑥, 𝑦) =
𝜕𝑥𝜕𝑦
𝑥 𝑦
et 𝐹(𝑥, 𝑦) = ∫−∞ ∫−∞ 𝑓 (𝑢, 𝑣) 𝑑𝑢𝑑𝑣
+∞ +∞
Vérifiant : pour tout (𝑥, 𝑦) ∈ ℝ2 𝑓 (𝑥, 𝑦) ≥ 0 et∫−∞ ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1
1- Lois marginales
Les densités marginales de 𝑋 𝑒𝑡 𝑌 sont définies par
+∞ +∞
𝑓𝑋 (𝑥 ) = ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑦 et 𝑓𝑌 (𝑦) = ∫−∞ 𝑓 (𝑥, 𝑦)𝑑𝑥
9
Exemple 5 Soit 𝑋 et 𝑌 deux v.a indépendantes de même loi exponentielle de paramètre 𝜆
1-4- Conditionnement
1- 4-1 Lois conditionnelles
Définition 8 Soit (𝑋, 𝑌) un couple de variables aléatoires discrètes, et soit 𝑥 ∈ 𝑋(Ω) tel que
𝑃(𝑋 = 𝑥 ) ≠ 0 . La loi conditionnelle de 𝑌 sachant 𝑋 = 𝑥 est définie par :
𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
𝑃(𝑌 = 𝑦/𝑋 = 𝑥 ) =
𝑃 (𝑋 = 𝑥 )
Définition 9 Soit (𝑋, 𝑌) un couple de v.a absolument continues . Pour tout 𝑥 ∈ ℝ tel
( )
que 𝑓𝑋 𝑥 ≠ 0, la loi conditionnelle de 𝑌 sachant 𝑋 = 𝑥 est donnée par
𝑓(𝑥, 𝑦)
𝑓𝑌|𝑋 (𝑦|𝑥 ) = 𝑓(𝑦|𝑥) =
𝑓𝑋 (𝑥)
1- Cas discret
Soit 𝑋 et 𝑌 deux v.a.r. discrètes définies sur le même espace telle que 𝐸 (|𝑌|) < ∞. Alors la v.a.r.
discrète 𝐸 (𝑌|𝑋) admet une espérance et
10
Exemple 6 Soit(𝑋, 𝑌) un couple de variables aléatoires dont la loi est définie par le tableau
suivant
𝑋∖𝑌 0 1 Loi de 𝑋
0 2/7 2/7 4/7
1 2/7 1/7 3/7
Loi de 𝑌 4/7 3/7 1
.
2
Les v.a 𝑋 et 𝑌 ne sont pas indépendantes puisque par exemple, 𝑃(𝑋 = 0, 𝑌 = 1) = 7 alors
12 2
que 𝑃 (𝑋 = 0)𝑃(𝑌 = 1) = 49 ≠ 7
On a
4 3 3 4 3 3
𝐸 (𝑋) = ∑1𝑥=0 𝑥𝑃(𝑋 = 𝑥 ) = 0 × 7 + 1 × 7 = 7 𝑒𝑡 𝐸 (𝑌) = ∑1𝑦=0 𝑦𝑃(𝑌 = 𝑦) = 0 × 7 + 1 × 7 = 7,
1 1
2 2 2 1
𝐸 (𝑋𝑌) = ∑ ∑ 𝑥𝑦𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) = (0 × × 0) + (0 × × 1) + (1 × × 0) + (1 × × 1)
7 7 7 7
𝑥=0 𝑦=0
1
=
7
1 9 2
D’où 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋)𝐸 (𝑌) = − 49 = − 49
7
𝑃(𝑋=0 , 𝑌=𝑦)
La probabilité conditionnelle de 𝑌 sachant 𝑋 = 0 est 𝑃(𝑌 = 𝑦|𝑋 = 0) = ce qui
𝑃(𝑋=0)
conduit au tableau suivant :
𝑦 0 1
𝑃(𝑌 = 𝑦|𝑋 = 0) 2/7 2/7
= 1/2 = 1/2
4/7 4/7
1 1 1
On calcule 𝐸 (𝑌|𝑋 = 0) = ∑1𝑦=0 𝑦𝑃(𝑌 = 𝑦|𝑋 = 0) = 0 × 2 + 1 × 2 = 2
𝑃(𝑋=1, 𝑌=𝑦)
De la même manière on calcule 𝑃 (𝑌 = 𝑦|𝑋 = 1) =
𝑃(𝑋=1)
𝑦 0 1
𝑃(𝑌 = 𝑦|𝑋 = 1) 2/7 1/7
= 2/3 = 1/3
3/7 3/7
1
on obtient 𝐸 (𝑌|𝑋 = 1) = ∑1𝑦=0 𝑦𝑃(𝑌 = 𝑦|𝑋 = 1) = 3 et on en déduit la loi de 𝐸 (𝑌|𝑋)
1 4 1 3 3
et puis 𝐸(𝐸 (𝑌|𝑋)) = 2 × 7 + 3 × 7 = 7 = 𝐸 (𝑌)
11
2- Cas absolument continu
Soit (𝑋, 𝑌) un couple aléatoire absolument continu. L’espérance conditionnelle de Y sachant X =
x est définie par
+∞
𝐸 (𝑌|𝑋 = 𝑥 ) = ∫ 𝑦 𝑓(𝑦|𝑥)𝑑𝑦
−∞
Théoreme3 Soit 𝑋 et 𝑌 deux v.a.r. absolument continues définies sur le même espace telles que
𝐸 (|𝑌|) < ∞. Alors la v.a.r. continue 𝐸 (𝑌|𝑋) admet une espérance et
+∞
+∞ +∞ +∞
𝑓 (𝑥, 𝑦)
𝐸 (𝑌|𝑋 = 𝑥 ) = ∫ 𝑦𝑓(𝑦|𝑥 )𝑑𝑦 = ∫ 𝑦 𝑑𝑦 = ∫ 𝑦 𝑒 −𝑦 𝑑𝑦 = 1
𝑓𝑋 (𝑥 )
0 0 0
12
3- Propriétés des espérances conditionnelles
Soit (𝑋, 𝑌) un couple aléatoire. Soit 𝜙 , 𝜑 deux fonctions de ℝ dans ℝ et soit ℎ une fonction de
ℝ2 dans ℝ. Sous réserve d’intégrabilité des variables aléatoires, on a les propriétés suivantes :
i- Si 𝑋 et 𝑌 sont indépendantes, alors 𝐸 (𝜑(𝑌)|𝑋) = 𝐸 (𝜑(𝑌)). En particulier, 𝐸 (𝑌|𝑋) = 𝐸 (𝑌).
ii- On a 𝐸 (𝜑 (𝑋)|𝑋) = 𝜑(𝑋). En particulier on a 𝐸 (𝑋|𝑋) = 𝑋
∀𝑎 ∈ ℝ, ∀𝑏 ∈ ℝ,
𝐸 (𝑎𝜑(𝑋) + 𝑏𝜙 (𝑌) |𝑋) = 𝑎𝐸 (𝜑(𝑋)|𝑋) + 𝑏𝐸 (𝜙(𝑌)|𝑋) = 𝑎𝜑(𝑋) + 𝑏𝐸 (𝜙(𝑌)|𝑋)
𝐸 (ℎ(𝑋, 𝑌)|𝑋 = 𝑥 ) = 𝐸 (ℎ(𝑥, 𝑌)|𝑋 = 𝑥 )
𝐸(𝜑(𝑌)) = 𝐸 (𝐸 (𝜑(𝑌))|𝑋)
Soit (𝑋, 𝑌) un couple aléatoire .la variance conditionnelle de Y sachant X = x est donnée par
𝑉𝑎𝑟(𝑌|𝑋 = 𝑥) = 𝐸 (𝑌 2 |𝑋 = 𝑥 ) − 𝐸 2 (𝑌|𝑋 = 𝑥)
Notons que 𝑉𝑎𝑟(𝑌|𝑋) est une variable aléatoire donc on peut calculer son espérance et on a
13
14
15