Académique Documents
Professionnel Documents
Culture Documents
Chap18 Calculs Des Probabilités-29anv2024
Chap18 Calculs Des Probabilités-29anv2024
Cours du 29/01/2024
ABDELJALIL TADDIST
LYDEX-BENGURIR
MPSI 1
E(X r ) =
E[(X − m1 )n ]
où m1 = E(X ) .
E[(X − m1 )n ]
où m1 = E(X ) .
Proposition 1
Si le moment non centré mn existe, alors le moment centré existe.
E[(X − m1 )n ]
où m1 = E(X ) .
Proposition 1
Si le moment non centré mn existe, alors le moment centré existe.
demo 1
E[(X − m1 )n ]
où m1 = E(X ) .
Proposition 1
Si le moment non centré mn existe, alors le moment centré existe.
demo 1
Découle du fait que le moment centré E[(X − m1 )n ] est l’espérance
d’un polynôme en X de degré n et qu’on vient de voir que les
moments de degré inférieur à n existaient.
ABDELJALIL TADDIST LYDEX-BENGURIRMPSI
chap18:
1 calculs des probabilités. January 29, 2024 6 / 25
Moment d’ordre 2 d’une variable aléatoire.
Definition 3
Soit X une variable aléatoire réelle.
Definition 3
Soit X une variable aléatoire réelle. On appelle le moment centré
d’ordre 2 de X la variance de X ,
Definition 3
Soit X une variable aléatoire réelle. On appelle le moment centré
d’ordre 2 de X la variance de X , et sa racine carrée positive
l’écart type de X ,
Definition 3
Soit X une variable aléatoire réelle. On appelle le moment centré
d’ordre 2 de X la variance de X , et sa racine carrée positive
l’écart type de X , encore appelé déviation standard.
Remarque 1
1 Le moment centré d’ordre 2 qui est la variance, mesure à quel
point les valeurs de X sont éloignées de la moyenne.
Remarque 1
1 Le moment centré d’ordre 2 qui est la variance, mesure à quel
point les valeurs de X sont éloignées de la moyenne.Plus la
variance est élevée, plus les valeurs de X sont éloignées de la
moyenne et donc plus la dispersion est grande.
Remarque 1
1 Le moment centré d’ordre 2 qui est la variance, mesure à quel
point les valeurs de X sont éloignées de la moyenne.Plus la
variance est élevée, plus les valeurs de X sont éloignées de la
moyenne et donc plus la dispersion est grande.
2 Le moment centré d’ordre 3 est appelé la skewness( asymétrie
en français) et mesure la symétrie de la distribution de X .
Remarque 1
1 Le moment centré d’ordre 2 qui est la variance, mesure à quel
point les valeurs de X sont éloignées de la moyenne.Plus la
variance est élevée, plus les valeurs de X sont éloignées de la
moyenne et donc plus la dispersion est grande.
2 Le moment centré d’ordre 3 est appelé la skewness( asymétrie
en français) et mesure la symétrie de la distribution de X .
3 Le moment centré d’ordre 4 est appelé la
kurtosis(aplatissement en français) et mesure la concentration
des valeurs de X autour de la moyenne.
Théorème 4 (Koenig-Huygens)
Théorème 4 (Koenig-Huygens)
Si X est une variable aléatoire finie, alors:
Théorème 4 (Koenig-Huygens)
Si X est une variable aléatoire finie, alors:
demo 2
demo 2
On a :
σ 2 (X ) = E(X 2 − 2m1 X + m12 )
demo 2
On a :
σ 2 (X ) = E(X 2 − 2m1 X + m12 )
demo 2
On a :
σ 2 (X ) = E(X 2 − 2m1 X + m12 )
demo 2
On a :
σ 2 (X ) = E(X 2 − 2m1 X + m12 )
Corollaire
(E(X ))2 ≤ E(X 2 )
Corollaire
(E(X ))2 ≤ E(X 2 )
demo 3
Quant à l’ inégalité elle vient du théorème de Koenig-Huygens et du
fait qu’une variance est toujours positive ou nulle.
Remarque 2
Insistons encore que: E(X 2 ) 6= (E(X ))2
Remarque 3
1 Une VA X est dite centrée si E (X ) = 0.
Remarque 3
1 Une VA X est dite centrée si E (X ) = 0.
2 Une VA X est dite réduite si σ(X ) = 1.
Remarque 3
1 Une VA X est dite centrée si E (X ) = 0.
2 Une VA X est dite réduite si σ(X ) = 1.
3 Une VA X est dite centrée-réduite si E (X ) = 0 et σ(X ) = 1.
Remarque 3
1 Une VA X est dite centrée si E (X ) = 0.
2 Une VA X est dite réduite si σ(X ) = 1.
3 Une VA X est dite centrée-réduite si E (X ) = 0 et σ(X ) = 1.
Proposition 3
Si X est une VA finie , alors la VA:
Y =
Remarque 3
1 Une VA X est dite centrée si E (X ) = 0.
2 Une VA X est dite réduite si σ(X ) = 1.
3 Une VA X est dite centrée-réduite si E (X ) = 0 et σ(X ) = 1.
Proposition 3
Si X est une VA finie , alors la VA:
X − E(X )
Y =
σ(X )
Remarque 4
Grace a une transformation affine , on peut toujours se ramener a
une VA centrée réduite !
Exemple 1
Exemple 1
On considère la variable aléatoire X de loi:
Exemple 1
On considère la variable aléatoire X de loi:
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
Exemple 1
On considère la variable aléatoire X de loi:
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
Exemple 1
On considère la variable aléatoire X de loi:
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
→ E(X ) =
Exemple 1
On considère la variable aléatoire X de loi:
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
5
→ E(X ) =
4
Exemple 1
On considère la variable aléatoire X de loi:
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
5
→ E(X ) =
4
→ V (X ) =
Exemple 1
On considère la variable aléatoire X de loi:
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
5
→ E(X ) =
4
11
→ V (X ) =
16
Exemple 1
On considère la variable aléatoire X de loi:
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
5
→ E(X ) =
4
11
→ V (X ) =
16
→ σ(X ) =
Exemple 1
On considère la variable aléatoire X de loi:
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
5
→ E(X ) =
4
11
→ V (X ) =
16
√
11
→ σ(X ) =
4
Exemple 2
Exemple 2
On considère une deuxième variable aléatoire :Y = 2X − 1
Exemple 2
On considère une deuxième variable aléatoire :Y = 2X − 1
→ La loi de Y = 2X − 1 est donnée par:
Exemple 2
On considère une deuxième variable aléatoire :Y = 2X − 1
→ La loi de Y = 2X − 1 est donnée par:
yi −1 1 3
1 1 1
P(Y = yi )
4 4 2
Exemple 2
On considère une deuxième variable aléatoire :Y = 2X − 1
→ La loi de Y = 2X − 1 est donnée par:
yi −1 1 3
1 1 1
P(Y = yi )
4 4 2
Et donc , par application directe des propriétés on obtient l’espérance
, la variance et l’écart type de la VA Y :
Definition 4
Definition 4
(Ω, T , P) est un espace probabilisé.X une variable aléatoire .On
appelle fonction de répartition de X l’application notée FX définie
par :
Definition 4
(Ω, T , P) est un espace probabilisé.X une variable aléatoire .On
appelle fonction de répartition de X l’application notée FX définie
par :
FX : R → R
x → FX (x ) = P(X ≤ x )
Proposition 4
Sous les hypothèses de la définition(4)
Proposition 4
Sous les hypothèses de la définition(4)
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
Proposition 4
Sous les hypothèses de la définition(4)
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
2 FX est croissante.
Proposition 4
Sous les hypothèses de la définition(4)
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
2 FX est croissante.
3 FX (R) ⊂ [0, 1].
Proposition 4
Sous les hypothèses de la définition(4)
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
2 FX est croissante.
3 FX (R) ⊂ [0, 1].
4 FX est continue à droite en tout point; ayant une limite finie à
gauche en chaque point.
Proposition 4
Sous les hypothèses de la définition(4)
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
2 FX est croissante.
3 FX (R) ⊂ [0, 1].
4 FX est continue à droite en tout point; ayant une limite finie à
gauche en chaque point.
5 lim FX (x ) = 0 et lim FX (x ) = 1.
x →−∞ x →+∞
Proposition 4
Sous les hypothèses de la définition(4)
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
2 FX est croissante.
3 FX (R) ⊂ [0, 1].
4 FX est continue à droite en tout point; ayant une limite finie à
gauche en chaque point.
5 lim FX (x ) = 0 et lim FX (x ) = 1.
x →−∞ x →+∞
6 La fonction de répartition caractérise la loi de probabilité d’une
variable aléatoire.
demo 4
demo 4
Exercice 1 (K)
Soit X la variable aléatoire qui vaut le nombre de fois qu’apparaı̂t
FACE dans un jeu de 3 lancés d’une pièce.
Tracer la fonction de répartition.
Proposition 5
La fonction de survie caractérise la loi de probabilité d’une variable
aléatoire
Proposition 5
La fonction de survie caractérise la loi de probabilité d’une variable
aléatoire
demo 5
E(|X |)
P(|X | ≥ A) ≤ .
A
Exercice 3
Le nombre de festivals qui viennent nous casser les oreilles en l’espace
d’une année est 6.Estimez les chances que ce nombre dépasse 10
cette année !
Exercice 3
Le nombre de festivals qui viennent nous casser les oreilles en l’espace
d’une année est 6.Estimez les chances que ce nombre dépasse 10
cette année !
Appliquer l’inégalité de Markov,pour majorer
P(X ≥ 10)(≤ 6/10 = 3/5).
Exercice 3
Le nombre de festivals qui viennent nous casser les oreilles en l’espace
d’une année est 6.Estimez les chances que ce nombre dépasse 10
cette année !
Appliquer l’inégalité de Markov,pour majorer
P(X ≥ 10)(≤ 6/10 = 3/5).
Exercice 3
Le nombre de festivals qui viennent nous casser les oreilles en l’espace
d’une année est 6.Estimez les chances que ce nombre dépasse 10
cette année !
Appliquer l’inégalité de Markov,pour majorer
P(X ≥ 10)(≤ 6/10 = 3/5).
On n’est pas sauvé . . .!!