Chap18 Calculs Des Probabilités-29anv2024

chap18: calculs des probabilités.
Cours du 29/01/2024
ABDELJALIL TADDIST
LYDEX-BENGURIR
MPSI 1
January 29, 2024
ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

chap18:
1 calculs des probabilités. January 29, 2024 1 / 25
Espérance conditionnée par un événement
Théorème 1 (formule des espérances totales)

Soit (Ω, T , P) un espace probabilisé.X une variable aléatoire sur Ω .
(Bi )i est un S .C .E tels que ∀i, Bi est non négligeable,alors :
X
E (X ) = E (X |Bi ).P(Bi )
i

chap18:
Théorème 2 (formule des espérances totales)

Soit (Ω, T , P) un espace probabilisé.X et Y deux variable aléatoire
sur Ω tels que ∀yi ∈ Y (Ω), (Y = yi ) est non négligeable.Alors:
X
E(X ) = E(X |Y = yi ).P(Y = yi )
yi ∈Y (Ω)

chap18:
Théorème 3 (théorème de Fubini-Tonelli)

Pour une variable aléatoire X à valeurs dans N,
X
E(X ) = P(X > n)
n

chap18:
Variance d’une variable aléatoire
Definition 1 (moment d’une variable aléatoire)

Soit X une v.a et r ∈ N∗ , on appelle moment d’ordre r de la variable
aléatoire X le nombre,

chap18:

E(X r ) =

chap18:

X
E(X r ) = xkr .pk
k
où X (Ω) = {x1 , ..., xn , . . .}. et pk = P(X = xk )

chap18:
Moments centrés.
Definition 2
Le moment centré d’ordre n de la variable aléatoire X est défini par
E[(X − m1 )n ]
où m1 = E(X ) .

chap18:
Moments centrés.
Definition 2
E[(X − m1 )n ]
où m1 = E(X ) .
Proposition 1
Si le moment non centré mn existe, alors le moment centré existe.

chap18:
Moments centrés.
Definition 2
E[(X − m1 )n ]
où m1 = E(X ) .
Proposition 1
demo 1

chap18:
Moments centrés.
Definition 2
E[(X − m1 )n ]
où m1 = E(X ) .
Proposition 1
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.
chap18:
Moment d’ordre 2 d’une variable aléatoire.
Le cas particulier réellement important est le cas où n = 2.

chap18:
Definition 3
Soit X une variable aléatoire réelle.

chap18:
Definition 3
Soit X une variable aléatoire réelle. On appelle le moment centré
d’ordre 2 de X la variance de X ,

chap18:
Definition 3
d’ordre 2 de X la variance de X , et sa racine carrée positive
l’écart type de X ,

chap18:
Definition 3
d’ordre 2 de X la variance de X , et sa racine carrée positive
l’écart type de X , encore appelé déviation standard.

chap18:
On note l’écart type

σ(X ) ou σX

chap18:

σ(X ) ou σX
et la variance :
(σ(X ))2 ou V (X ).

chap18:

σ(X ) ou σX
et la variance :
(σ(X ))2 ou V (X ).
On alors :
V (X ) = E([X − E(X )]2 )

chap18:

σ(X ) ou σX
et la variance :
(σ(X ))2 ou V (X ).
On alors :
V (X ) = E([X − E(X )]2 )
Et

chap18:

σ(X ) ou σX
et la variance :
(σ(X ))2 ou V (X ).
On alors :
V (X ) = E([X − E(X )]2 )
Et p p
σ(X ) = V (X ) = E([X − E(X )]2 )

chap18:
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.

chap18:
Remarque 1
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.

chap18:
Remarque 1
2 Le moment centré d’ordre 3 est appelé la skewness( asymétrie
en français) et mesure la symétrie de la distribution de X .

chap18:
Remarque 1
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.

chap18:
Théorème 4 (Koenig-Huygens)

chap18:
Si X est une variable aléatoire finie, alors:

chap18:
Si X est une variable aléatoire finie, alors:
V (X ) = E(X 2 ) − (E(X ))2

chap18:
Variance d’une variable aléatoire: théorème de
Koenig-Huygens.
demo 2

chap18:
Koenig-Huygens.
demo 2
On a :
σ 2 (X ) = E(X 2 − 2m1 X + m12 )

chap18:
Koenig-Huygens.
demo 2
On a :
σ 2 (X ) = E(X 2 − 2m1 X + m12 )
= E(X 2 ) − 2m1 E(X ) + m12

chap18:
Koenig-Huygens.
demo 2
On a :
σ 2 (X ) = E(X 2 − 2m1 X + m12 )
= E(X 2 ) − 2m1 E(X ) + m12
= E(X 2 ) − (E(X ))2

chap18:
Koenig-Huygens.
demo 2
On a :
σ 2 (X ) = E(X 2 − 2m1 X + m12 )
= E(X 2 ) − 2m1 E(X ) + m12
= E(X 2 ) − (E(X ))2

Ici on a utilisé le fait que l’espérance d’une constante est la constante
elle même et que m1 = E(X ) .

chap18:
Théorème de Koenig-Huygens.
Corollaire
(E(X ))2 ≤ E(X 2 )

chap18:
Théorème de Koenig-Huygens.
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

chap18:
Variance d’une variable aléatoire : effet d’un
changement affine .
Proposition 2 (Effet d’un changement affine )

Si X est une variable aléatoire finie, alors
1 ∀a ∈ R : V (a.X ) = a 2 .V (X ); σ(a.X ) = |a| σ(X ).
2 ∀X variable aléatoire sur
Ω, ∀b ∈ R : V (b + X ) = V (X ); σ(b + X ) = σ(X ).
3 ∀X variable aléatoire sur
Ω, ∀a, b ∈ R : V (a.X + b) = a 2 .V (X ); σ(a.X + b) = |a| σ(X ).

chap18:
changement affine .
Remarque 3
1 Une VA X est dite centrée si E (X ) = 0.

chap18:
changement affine .
Remarque 3
2 Une VA X est dite réduite si σ(X ) = 1.

chap18:
changement affine .
Remarque 3
3 Une VA X est dite centrée-réduite si E (X ) = 0 et σ(X ) = 1.

chap18:
changement affine .
Remarque 3
Proposition 3
Si X est une VA finie , alors la VA:
Y =

chap18:
changement affine .
Remarque 3
Proposition 3
Si X est une VA finie , alors la VA:
X − E(X )
Y =
σ(X )
est centrée réduite.

chap18:
changement affine .
Remarque 4
Grace a une transformation affine , on peut toujours se ramener a
une VA centrée réduite !

chap18:
Étude d’un exemple.
Exemple 1

chap18:
Exemple 1
On considère la variable aléatoire X de loi:

chap18:
Exemple 1
xi 0 1 2
1 1 1
P(X = xi )
4 4 2

chap18:
Exemple 1
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :

chap18:
Exemple 1
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
→ E(X ) =

chap18:
Exemple 1
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
5
→ E(X ) =
4

chap18:
Exemple 1
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
5
→ E(X ) =
4
→ V (X ) =

chap18:
Exemple 1
xi 0 1 2
1 1 1
P(X = xi )
4 4 2
On a alors :
5
→ E(X ) =
4
11
→ V (X ) =
16

chap18:
Exemple 1
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 ) =

chap18:
Exemple 1
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

chap18:
Exemple 2

chap18:
Exemple 2
On considère une deuxième variable aléatoire :Y = 2X − 1

chap18:
Exemple 2
→ La loi de Y = 2X − 1 est donnée par:

chap18:
Exemple 2
yi −1 1 3
1 1 1
P(Y = yi )
4 4 2

chap18:
Exemple 2
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 :

chap18:
(Paramètres de position et de dispersion de Y )

→ E(Y ) =

chap18:

5 3
→ E(Y ) = E(2X − 1) = 2E(X ) − 1 = 2 × −1= .
4 2

chap18:

5 3
→ E(Y ) = E(2X − 1) = 2E(X ) − 1 = 2 × −1= .
4 2
→ V (Y ) =

chap18:

5 3
→ E(Y ) = E(2X − 1) = 2E(X ) − 1 = 2 × − 1 = .
4 2
2 11 11
→ V (Y ) = V (2X − 1) = 2 V (X ) = 4 × = .
16 4

chap18:

5 3
→ E(Y ) = E(2X − 1) = 2E(X ) − 1 = 2 × − 1 = .
4 2
2 11 11
→ V (Y ) = V (2X − 1) = 2 V (X ) = 4 × = .
√ √ 16 4
11 11
→ σ(Y ) = σ(2X − 1) = |2| × = .
4 2

chap18:
Fonction de répartition d’une variable aléatoire.
Definition 4

chap18:
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 :

chap18:
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 )

chap18:
Proposition 4
Sous les hypothèses de la définition(4)

chap18:
Proposition 4
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}

chap18:
Proposition 4
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
2 FX est croissante.

chap18:
Proposition 4
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
3 FX (R) ⊂ [0, 1].

chap18:
Proposition 4
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
3 FX (R) ⊂ [0, 1].
4 FX est continue à droite en tout point; ayant une limite finie à
gauche en chaque point.

chap18:
Proposition 4
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
3 FX (R) ⊂ [0, 1].
5 lim FX (x ) = 0 et lim FX (x ) = 1.
x →−∞ x →+∞

chap18:
Proposition 4
P
1 ∀x ∈ R : FX (x ) = P(X = xk ). Avec
xk ≤x
X (Ω) = {x1 , . . . , xk , . . .}
3 FX (R) ⊂ [0, 1].
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.

chap18:
demo 4

chap18:
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.

chap18:
Definition 5 (Fonction de survie)
On appelle fonction de survie de la va X la fonction :1 − FX .

chap18:
Proposition 5
La fonction de survie caractérise la loi de probabilité d’une variable
aléatoire

chap18:
Proposition 5
La fonction de survie caractérise la loi de probabilité d’une variable
aléatoire
demo 5

chap18:
Exercice 2 (KExemple de loi composée)

Un joueur lance deux fois de suite une pièce de monnaie.

chap18:

Un joueur lance deux fois de suite une pièce de monnaie.Chaque
lancer, s’il obtient pile, il gagne 1 euro et s’il obtient face, il perd 2
euro .

chap18:

euro .X la variable aléatoire égale au gain algébrique du joueur.

chap18:

1 Donner la loi de probabilité de X .

chap18:

2 Donner l’espérance de X .

chap18:

3 Donner la fonction de répartition de X .

chap18:

3 Donner la fonction de répartition de X .
4 Mêmes questions pour la loi de la variable
aléatoireY = X 2 + 2X .( Loi composée)

chap18:
Inégalité de MARKOV
Proposition 6 (Inégalité de MARKOV)

X variable aléatoire ayant une espérance.Alors ∀A > 0:
E(|X |)
P(|X | ≥ A) ≤ .
A

chap18:
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 !

chap18:
Exercice 3
cette année !
Appliquer l’inégalité de Markov,pour majorer
P(X ≥ 10)(≤ 6/10 = 3/5).

chap18:
Exercice 3
cette année !
P(X ≥ 10)(≤ 6/10 = 3/5).

chap18:
Exercice 3
cette année !
P(X ≥ 10)(≤ 6/10 = 3/5).
On n’est pas sauvé . . .!!

chap18:

Chap18 Calculs Des Probabilités-29anv2024

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

Chap18 Calculs Des Probabilités-29anv2024

Transféré par

Droits d'auteur :

Formats disponibles

chap18: calculs des probabilités.

January 29, 2024

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Théorème 1 (formule des espérances totales)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Théorème 2 (formule des espérances totales)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Théorème 3 (théorème de Fubini-Tonelli)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Definition 1 (moment d’une variable aléatoire)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Definition 1 (moment d’une variable aléatoire)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Definition 1 (moment d’une variable aléatoire)

où X (Ω) = {x1 , ..., xn , . . .}. et pk = P(X = xk )

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Le cas particulier réellement important est le cas où n = 2.

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Le cas particulier réellement important est le cas où n = 2.

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Le cas particulier réellement important est le cas où n = 2.

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Le cas particulier réellement important est le cas où n = 2.

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Le cas particulier réellement important est le cas où n = 2.

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

On note l’écart type

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

On note l’écart type

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

On note l’écart type

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

On note l’écart type

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

On note l’écart type

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

V (X ) = E(X 2 ) − (E(X ))2

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

= E(X 2 ) − 2m1 E(X ) + m12

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

= E(X 2 ) − 2m1 E(X ) + m12

= E(X 2 ) − (E(X ))2

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

= E(X 2 ) − 2m1 E(X ) + m12

= E(X 2 ) − (E(X ))2

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Proposition 2 (Effet d’un changement affine )

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI