Rappel Probabilité

Rappels de Probabilité
Dr. KANGA
Institut National Polytechnique Félix Houphouët-Boigny

Fondements de la théorie des probabilités
Probabilités conditionnelles, indépendance Tribus - Espaces probabilisables - Evénements
Les variables aléatoires Probabilité
Couple de variables aléatoires
Définition
Une expérience est qualifiée d’aléatoire si l’on ne peut
prévoir par avance son résultat et si, répétée dans des conditions
identiques, elle peut donner lieu à des résultats différents.
Dr. KANGA
Définition
Une expérience est qualifiée d’aléatoire si l’on ne peut
prévoir par avance son résultat et si, répétée dans des conditions
identiques, elle peut donner lieu à des résultats différents.
Définition
On appelle l’ensemble des possibles ou univers,
l’ensemble Ω de tous les résultats possibles d’une expérience
aléatoire. On représente le résultat de cette expérience par un
élément ω de Ω est appelé univers. L’ensemble Ω peut être fini,
infini dénombrable ou infini non dénombrable.
Dr. KANGA
Exemple
Voici quelques expériences aléatoires et les univers des possibles
correspondants :
1 On lance un dé et on note le chiffre obtenu. C’est une
expérience dont l’ensemble des résultats possibles est :
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
2 Le lancer d’une pièce de monnaie est une expérience dont
les aboutissements possibles sont :
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
les aboutissements possibles sont :Ω = {P ile; F ace}.
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
3 Le nombre de jets nécessaires d’une pièce de monnaie
jusqu’à l’obtention du premier "face".
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
jusqu’à l’obtention du premier "face". On a
Ω
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
Ω = {1; 2; ...; n; ...} = N∗ .
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
Ω = {1; 2; ...; n; ...} = N∗ .
4 Pour la durée de vie d’une ampoule électrique
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
Ω = {1; 2; ...; n; ...} = N∗ .
Ω = [0; +∞[= R+ .
Dr. KANGA
Exemple
correspondants :
Ω = {1; 2; 3; 4; 5; 6}.
Ω = {1; 2; ...; n; ...} = N∗ .
Ω = [0; +∞[= R+ .
Dr. KANGA
Définition
Soit Ω l’univers associé à une expérience aléatoire. Une famille
A de parties de Ω est appelée tribu ou σ-algèbre si elle vérifie
les propriétés suivantes :
Dr. KANGA
Définition
(i) Ω ∈ A,
Dr. KANGA
Définition
(i) Ω ∈ A,
(ii) ∀A ∈ A, A ∈ A,
Dr. KANGA
Définition
(i) Ω ∈ A,
(ii) ∀A ∈ A, A ∈ A,
(iii) Pour toute famille dénombrable (Ai )i∈I d’éléments
de A, i∈I Ai ∈ A.
S
Dr. KANGA
Définition
(i) Ω ∈ A,
(ii) ∀A ∈ A, A ∈ A,
(iii) Pour toute famille dénombrable (Ai )i∈I d’éléments
de A, i∈I Ai ∈ A.
S
Le couple (Ω, A) est appelé espace probabilisable.
Une tribu A est toujours incluse dans l’ensemble des parties de

Ω, noté P(Ω). Les éléments de A sont appelés événements et
Ω est l’événement certain.
Dr. KANGA
Exemple
Voici les trois exemples classiques de tribus :
(i) tribu grossière (la plus élémentaire), on ne peut en
construire de plus petite : A = {∅; Ω} ;
Dr. KANGA
Exemple
(ii) tribu de Bernoulli : À partir d’un événement
quelconque A, on peut constituer la tribu :
A = {∅; A; A; Ω} ;
Dr. KANGA
Exemple
(ii) tribu de Bernoulli : À partir d’un événement
quelconque A, on peut constituer la tribu :
A = {∅; A; A; Ω} ;
(iii) tribu la plus fine, dans le sens où elle contient
toutes les autres tribus sur : A = P(Ω).
Dr. KANGA
Proposition
Si A est une tribu sur Ω, alors :
∅ ∈ A,
Dr. KANGA
Proposition
∅ ∈ A,
∀A, B ∈ A, A ∩ B ∈ A,
Dr. KANGA
Proposition
∅ ∈ A,
∀A, B ∈ A, A ∩ B ∈ A,
Si (An )n∈N∗ une suite d’éléments de A, alors An ∈ A.
T
n∈N∗
Dr. KANGA
Définition
Soit (Ω, A) un espace probabilisable.
Une probabilité sur A est une application P : A → [0; 1] telle
que
1 P(Ω) = 1
2 Si (An )n est une suite (éventuellement finie) d’éléments de
A deux à deux incompatibles (ie. Ai ∩ Aj = ∅ pour i ̸= j),
alors : X
P(∪An ) = P(An )
n
Le triplet (Ω, A, P) est appelé espace probabilisé
Dr. KANGA
Proposition
1 P(∅) = 0
2 P(A) = 1 − P(A)
3 P(A) ≤ P(B) si A ⊂ B
4 P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
P(∪i Ai ) ≤
P
i P(Ai )
5
6 FORMULE DE POINCARÉ
Cette formule permet de calculer la probabilité de la
réunion d’un nombre quelconque d’événements ; elle se
démontre par récurrence :
P( ni Ai ) = ni=1 P(Ai ) − 1≤i<j≤n P(Ai ∩ Aj ) + ...
S P P
Dr. KANGA
Probabilités conditionnelles, indépendance Probabilités conditionnelles
Les variables aléatoires Indépendance
Définition
Soit B un événement de probabilité non nulle. On appelle
probabilité conditionnelle de A sachant B (ou encore de A si
B) le rapport noté P(A|B) :
P(A ∩ B)
P(A|B) =
P(B)
Dr. KANGA
Il faut s’assurer que le nom de probabilité est justifié. Vérifions

les axiomes :
Dr. KANGA
Il faut s’assurer que le nom de probabilité est justifié. Vérifions

les axiomes :
P(Ω ∩ B) P(B)
P(Ω|B) = = = 1.
P(B) P(B)
P [(∪i Ai ) ∩ B]
P[(∪i Ai )|B] =
P(B)
P [∪i (Ai ∩ B)]
=
P(B)
X P(Ai ∩ B) X
= = P(Ai |B).
i
P(B) i
Dr. KANGA
Formule des probabilités totales

Soit A un événement tel que 0 < P(A) < 1. Pour tout
événement B, on a :
P(B) = P(B|A)P(A) + P(B|A)P(A)
Dr. KANGA
Formule des probabilités totales

Soit A un événement tel que 0 < P(A) < 1. Pour tout
événement B, on a :
P(B) = P(B|A)P(A) + P(B|A)P(A)
Preuve
Comme A ∪ A = Ω, h i
P(B) = P(B ∩ (A ∪ A) = P (B ∩ A) ∪ (B ∩ A) .
Or B ∩ A et B ∩ A sont incompatibles. On en déduit
P(B) = P(B ∩ A) + P(B ∩ A)
La définition de la probabilité conditionnelle permet de

conclure.
Dr. KANGA
Formule de probabilités totales généralisée

Soit (Ai )i∈I une partition de Ω, telle que P(Ai ) > 0, pour tout
i ∈ I. Alors pour tout événement B,
X
P(B) = P(B|Ai )P(Ai )
i∈I
Dr. KANGA
Formule de Bayes
Soit A et B deux évènements tels que 0 < P(A) < 1 et
P(B) > 0. Alors,
P(B|A)P(A) P(B|A)P(A)
P(A|B) = = .
P(B) P(B|A)P(A) + P(B|A)P(A)
Dr. KANGA
Formule de Bayes
Soit A et B deux évènements tels que 0 < P(A) < 1 et
P(B) > 0. Alors,
P(B|A)P(A) P(B|A)P(A)
P(A|B) = = .
P(B) P(B|A)P(A) + P(B|A)P(A)
Démonstration.
P(A ∩ B) P(B|A)P(A)
P(A|B) = =
P(B) P(B)
et on conclut en remplaçant P(B) par son expression donnée
par la formule des probabilités totales.
Dr. KANGA
Formule de Bayes généralisée

Soit (Ai )i∈I une partition de Ω, telle que P(Ai ) > 0, pour tout
i ∈ I. Soit l’évènement B, tel que P(B) > 0. Alors pour tout
i ∈ I,
P(B|Ai )P(Ai )
P(Ai |B) = P
j∈I P(B|Aj )P(Aj )
.
Dr. KANGA
Exemple
Deux opérateurs de saisie, A et B, entrent respectivement 100
et 200 tableaux sur informatique. Les tableaux de A comportent
des fautes dans 5, 2% des cas et ceux de B dans 6, 7% des cas.
On prend un tableau au hasard. Il comporte des fautes.
Quelle est la probabilité pour que A se soit occupé de ce
tableau ?
Soient les évènements :
TA = le tableau est entré par A,
TB = TA = le tableau est entré par B,
F = le tableau comporte des fautes.
Dr. KANGA
D’après la formule de Bayes,
P(F |TA )P(TA ) P(F |TA )P(TA )

P(TA |F ) = =
P(F ) P(F |TA )P(TA ) + P(F |TA )P(TA )
0.052 × 1/3
= = 0.279
0.052 × 1/3 + 0.067 × 2/3
Dr. KANGA
Définition
Deux événements A et B sur un même espace probabilisé
(Ω; A; P) sont dits indépendants en probabilité si
P(A ∩ B) = P(A)P(B)
On note A ⊥ B.
S’ils sont de probabilité non nulle, alors
P(A ∩ B) = P(A)P(B) ⇔ P(B|A) = P(B) ⇔ P(A|B) = P(A)
Dr. KANGA
La notion d’indépendance est donc liée aux événements

considérés et à la probabilité de référence.
Remarque 1 : A et B sont donc indépendants si la
connaissance de la réalisation de l’un n’influence pas la
probabilité de l’autre.
remarque 2 : deux évènements incompatibles A et B, avec
P(A) > 0 et P(B) > 0 ne sont jamais indépendants. En effet,
A ∩ B = ∅ entraîne P(A ∩ B) = 0 ̸= P(A)P(B).
Dr. KANGA
Proposition
1 Si A et B sont indépendants, alors A ⊥ B, A ⊥ B, A ⊥ B.
2 Si l’évènement A est tel que sa probabilité est soit nulle
soit égales à 1, alors
∀B ∈ A, A ⊥ B
Dr. KANGA
Preuve
1) On a :
P(A) = P(A ∩ B) + P(A ∩ B) = P(A)P(B) + P(A ∩ B).
D’où
P(A ∩ B) = P(A) − P(A)P(B) = P(A)(1 − P(B)) = P(A)PB),
ce qui prouve l’indépendance entre A et B. Les autres

indépendances s’obtiennent ensuite facilement par symétrie.
Dr. KANGA
2) Si l’évènement A est tel que P(A) = 0, il vient
P(A ∩ B) ≤ P(A) = 0 = P(A)P(B)
et donc A ⊥ B. Si à l’opposé P(A) = 1, l’égalité P(A) = 0, et

ce qui précède entraîne alors
B ⊥ A, ∀B ∈ A
et donc
B ⊥ A, ∀B ∈ A
Dr. KANGA
Probabilités conditionnelles, indépendance
Les variables aléatoires
Définition
Soit (Ω, A, P) un espace probabilisé. On appelle variable
aléatoire l’application
X : Ω −→ I (I ⊂ R)
ω 7−→ X(ω)
Lorsque I est dénombrable, on dit que X variable aléatoire

discrète.
Lorsque I est un sous ensemble non dénombrable de R par
exemple (I = [0, 1], [0, 2π], R+ , ...), on dit que X est une
variable aléatoire continue.
Dans la suite de ce cours on notera I = X(Ω) où
X(Ω) = {X(ω)/ω ∈ Ω}.
Dr. KANGA
Définition
La fonction de répartition d’une variable aléatoire X est
l’application FX (x) = P(X < x).
Une variable aléatoire continue est entièrement à partir de sa
fonction de répartition.
Propriétés
1 F
X est monotone croissante continue à gauche.
2 Elle admet un nombre de points de discontinuité au plus
dénombrable.
3 limx−→−∞ FX (x) = 0 et limx−→+∞ FX (x) = 1.
Dr. KANGA
Définition
(Cas de variable discrète) On appelle fonction de
probabilité pi de la variable aléatoire discrète X la fonction
définie par P(X = i)
(Cas continu) La densité de probabilité fX de la variable
aléatoire continue X est par définition, la dérivée de la
fonction de répartition de la variable X :
dFX (x)
fX (x) = .
dx
Dr. KANGA
On considère les variables aléatoires continues.

Propriétés
fX est une fonction continue et positive
Z ∞
fX (x)dx = 1
−∞
Expression
Z de la fonction de répartition :
x
FX (x) = fX (t)dt,
−∞
Z b
P(a ≤ X ≤ b) = fX (x)dx = FX (b) − FX (a)
a
Dr. KANGA
Cas discret
L’espérance mathématique de X notée E(X) ou E(X) est
définie par X
E(X) = xP(X = x).
x∈X(Ω)
La variance de X notée V (X) est l’espérance

mathématique de (X − E(X))2 .
On écrit
X
V (X) = (x − E(X))2 P(X = x).
x∈X(Ω)
Formule de Koënig
X
V (X) = E(X 2 ) − E(X)2 = x2 P(X = x) − E(X)2 .
x∈X(Ω)
Dr. KANGA
Cas continu
Z +∞
L’espérance de X est E(X) = xfX (x)dx
−∞
la variance de X est
Z +∞
V (X) = (x − E(X))2 fX (x)dx
−∞
Formule de Koenig :
Z +∞
V (X) = x2 fX (x)dx − (E(X))2
−∞
Dr. KANGA
On suppose que X est une v.a. continue de densité f et de

fonction de répartition (f.r.) F . On suppose φ une fonction
dérivable.
Soit g la densité Y = φ(X) et G sa f.r.
a) φ est bijective
φ est donc mesurable. Si φ est croissante, on a F (x) = G(φ(x))
car
X < x ⇐⇒ Y = φ(X) < φ(x).
G(y) = F (φ−1 (y))
f (φ−1 (y))
=⇒ g(y) = .
φ′ (φ−1 (y))
Si φ est décroissante, φ′ < 0 et on a
f (x) f (φ−1 (y))
g(y) = =⇒ g(y) = .
|φ′ (x)| |φ′ (φ−1 (y))|
Dr. KANGA
Exemple. Y = exp(X) et X = ln(Y ). On a
f (x) f (ln(y))
g(y) = = .
exp(x) y
b) φ est quelconque
√ √
Par exemple, Y = X 2 : P(Y < y) = P(− y < X < y) d’où
√ √ √ 1 √ 1
G(y) = F ( y) − F (− y) =⇒ g(y) = f ( y) 2√ y + f (− y) 2 y
√
1 √ √
g(y) = √ (f ( y) + f (− y)).
2 y
√
f ( y)
Si f est paire, g(y) = √ .
y
Dr. KANGA
Moment d’ordre k
X
E(X) = xk P(X = x) (discret).
x∈X(Ω)
Z +∞
E(X) = xk fX (x)dx (cas continu)
−∞
Dr. KANGA
Soit X une variable aléatoire réelle définie sur (Ω, A, P). On

appelle fonction caractéristique de X la fonction
Z +∞
itX
φX (t) = E(e )= eitx fX (x)dx.
−∞
Dans le cas discret, on a :

X
φX (t) = E(eitX ) = eitx P (X = x) .
x∈X(Ω)
Dr. KANGA
Propriété
1 φλX (t) = φX (λt), ∀λ, t ∈ R.
2 φX+a (t) = eiat φX (t).
En particulier, si X est une v.a. de moyenne E(X) = m et
d’écart-type σ, en posant U = X−m σ , alors
m t
φU (t) = φ X−m (t) = e−it σ φX ( ).
σ σ
De sorte que φX (t) = e−itm φU (σt).
3 Si X et Y sont deux v.a.r. indépendantes, alors
φX+Y (t) = φX (t)φY (t)
4 φX (−t) = φX (t).
(v) |φX (t)| ≤ 1, ∀t ∈ R et φX (0) = 1.
5 Si les dérivées de φX existent jusqu’à l’ordre k, on a
(k)
φX (0) = ik E(X k )
′ KANGA
Dr. ′′ 2
Inégalité de Markov
E(X)
∀a > 0, P (X > a) ≤ a
Dr. KANGA
Inégalité de Markov
E(X)
∀a > 0, P (X > a) ≤ a
Inégalité de Tchebycheff
V (X)
∀ε > 0, P (|X − E(X)| > ε) ≤ ϵ2
Dr. KANGA
Définition
Un couple de variables aléatoires Z est une application de
(Ω, A, P) dans R2 , muni de sa tribu borélienne Bp = B(R2 ).
Dr. KANGA
Loi conjointe
Dans le cas discret la loi conjointe de probabilité de deux
variables aléatoire X et Y est donnée par
PX,Y (x, y) = P (X = x, Y = y)
Définition
La fonction de répartition (f.r.) de (X, Y ) est une
application FZ = FX,Y : R2 → R définie par
FX,Y (x, y) = P(X < x, Y < y).
Dr. KANGA
La densité conjointe est donc définie par
∂ 2 FX,Y (x, y)
fX,Y (x, y) = .
∂x∂y
On a donc
1 fX,Y (x, y) ≥ 0
Z Z
2 fX,Y (x, y)dxdy = 1
Dr. KANGA
Densité marginale
Z
1 fX (x) = fX,Y (x, y)dy
Z
2 fY (y) = fX,Y (x, y)dx
Densité conditionnelle
La densité conditionnelle de Y sachant X est définie par
fX,Y (x, y)
fY |X (x) =
fX (x)
pour fX (x) ̸= 0
Dr. KANGA
Indépendance de deux variables aléatoires

Soit X et Y deux variables aléatoires. X et Y sont dites
indépendantes si et seulement si :
P (X = x, Y = y) = P (X = x) P (Y = y) (cas discret)
FX,Y (x, y) = P(X < x, Y < y) = P(X < x)P(Y < y) =
FX (x)FY (y) (cas continu)
Dr. KANGA
Soit Z = ϕ1 (X, Y ), Z = ϕ2 (X, Y ). Les ϕi sont telles que

l’application ϕ = (ϕ1 , ϕ2 ) : (X, Y ) → (Z, W ) est biunivoque. On
a (Z, W ) = ϕ(X, Y ). La densité g de (Z, W ) est définie par
f (ϕ−1 (z, w))

g(z, w) =
|detJ|
où detJ est le jacobien de ϕ, défini par

∂z ∂z
∂x ∂y
detJ = ∂w ∂w .
∂x ∂y
ou encore
∂ϕ1 (x,y) ∂ϕ1 (x,y)
∂x ∂y
detJ = ∂ϕ2 (x,y) ∂ϕ2 (x,y) .
∂x ∂y
Dr. KANGA
Covariance
Considérons deux variables aléatoires X et Y d’espérance E(X)
et E(X) et de variances V (X) et V (Y ) . La covariance de ces
deux variables est définie par
Cov(X, Y ) = E ((X − E(X))(Y − E(Y ))) = E(XY ) − E(X)E(Y )
Dr. KANGA
Convergence en probabilité
(Xn ) converge en probabilité vers X si ∀ε > 0,
lim P(|Xn − X| > ε) = 0.

n−→+∞
P
On note Xn −
→ X.
Loi faible des grands nombres

On suppose que (Xn ) est une suite de v.a.r. indépendantes et de
2 = σ 2 < +∞.
même loi telles que σXi
P 1 Pn
Alors Sn −
→ E(X1 ) où Sn = n i=1 Xi .
Dr. KANGA
Définition
La suite (Xn ) converge presque sûrement vers X si
P({ω ∈ Ω : Xn (ω) → X(ω)}) = 1.

p.s
On note Xn −−→ X.
Dr. KANGA
Loi forte des grands nombres

Si la suite (Xn ) est une suite de v.a.r. indépendantes et de
même loi telle que E(|X1 |) < +∞, alors
p.s
Sn −−→ E(X1 ).
Dr. KANGA

Rappel Probabilité

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Rappel Probabilité

Transféré par

Droits d'auteur :

Formats disponibles

Rappels de Probabilité

Institut National Polytechnique Félix Houphouët-Boigny

Le couple (Ω, A) est appelé espace probabilisable.

Une tribu A est toujours incluse dans l’ensemble des parties de

Le triplet (Ω, A, P) est appelé espace probabilisé

Il faut s’assurer que le nom de probabilité est justifié. Vérifions

Il faut s’assurer que le nom de probabilité est justifié. Vérifions

Formule des probabilités totales

P(B) = P(B|A)P(A) + P(B|A)P(A)

Formule des probabilités totales

P(B) = P(B|A)P(A) + P(B|A)P(A)

P(B) = P(B ∩ A) + P(B ∩ A)

La définition de la probabilité conditionnelle permet de

Formule de probabilités totales généralisée

Formule de Bayes généralisée

D’après la formule de Bayes,

P(F |TA )P(TA ) P(F |TA )P(TA )

P(A ∩ B) = P(A)P(B) ⇔ P(B|A) = P(B) ⇔ P(A|B) = P(A)

La notion d’indépendance est donc liée aux événements

P(A) = P(A ∩ B) + P(A ∩ B) = P(A)P(B) + P(A ∩ B).

P(A ∩ B) = P(A) − P(A)P(B) = P(A)(1 − P(B)) = P(A)PB),

ce qui prouve l’indépendance entre A et B. Les autres

2) Si l’évènement A est tel que P(A) = 0, il vient

P(A ∩ B) ≤ P(A) = 0 = P(A)P(B)

et donc A ⊥ B. Si à l’opposé P(A) = 1, l’égalité P(A) = 0, et

Lorsque I est dénombrable, on dit que X variable aléatoire

On considère les variables aléatoires continues.

La variance de X notée V (X) est l’espérance

On suppose que X est une v.a. continue de densité f et de

Exemple. Y = exp(X) et X = ln(Y ). On a

Soit X une variable aléatoire réelle définie sur (Ω, A, P). On

Dans le cas discret, on a :

FX,Y (x, y) = P(X < x, Y < y).

La densité conjointe est donc définie par

Indépendance de deux variables aléatoires

Soit Z = ϕ1 (X, Y ), Z = ϕ2 (X, Y ). Les ϕi sont telles que

f (ϕ−1 (z, w))

où detJ est le jacobien de ϕ, défini par

Cov(X, Y ) = E ((X − E(X))(Y − E(Y ))) = E(XY ) − E(X)E(Y )

lim P(|Xn − X| > ε) = 0.

Loi faible des grands nombres

P({ω ∈ Ω : Xn (ω) → X(ω)}) = 1.

Loi forte des grands nombres

Vous aimerez peut-être aussi