Chap18 Calculs Des Probabilités-31janv2024 (Apres Midi)

Chapitre18: calculs des probabilités.
Cours du 31/01/2024 ( après midi)
ABDELJALIL TADDIST
LYDEX-BENGURIR
MPSI 1
January 31, 2024
ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Chapitre18:
1 calculs des probabilités. January 31, 2024 1 / 19
Lois conjointes ( ou jointes)
Definition 1
Deux VA X et Y sont dites non corrélées ou décorrélées si
cov (X , Y ) = 0.

Chapitre18:
Definition 1
cov (X , Y ) = 0.
Proposition 1
Deux VA indépendantes sont non corrélée.

Chapitre18:
Definition 1
cov (X , Y ) = 0.
Proposition 1
demo 1

Chapitre18:
Definition 1
cov (X , Y ) = 0.
Proposition 1
demo 1
Preuve : a partir du théorème (??) et du théorème (??).

Chapitre18:
Definition 1
cov (X , Y ) = 0.
Proposition 1
demo 1
Preuve : a partir du théorème (??) et du théorème (??).
Remarque 1
Le théorème (1) n’a pas de réciproque .

Chapitre18:
Théorème 1 (Cauchy-Schwarz)
Soient X et Y deux variables aléatoires finies .Alors:
|Cov (X , Y )| ≤ σX .σY

Chapitre18:
|Cov (X , Y )| ≤ σX .σY
demo 2 (Inégalité de Cauchy-Schwarz)

Chapitre18:
|Cov (X , Y )| ≤ σX .σY

On a ∀ X , Y deux va, ∀t ∈ R : V (tX + Y ) ≥ 0

Chapitre18:
|Cov (X , Y )| ≤ σX .σY

On a ∀ X , Y deux va, ∀t ∈ R : V (tX + Y ) ≥ 0donc
t 2 V (X ) + 2.cov (X , Y ) + V (Y ) ≥ 0,

Chapitre18:
|Cov (X , Y )| ≤ σX .σY

t 2 V (X ) + 2.cov (X , Y ) + V (Y ) ≥ 0, donc
′
∆ = cov (X , Y )2 − V (X ).V (Y ) ≤ 0,

Chapitre18:
|Cov (X , Y )| ≤ σX .σY

t 2 V (X ) + 2.cov (X , Y ) + V (Y ) ≥ 0, donc
′
∆ = cov (X , Y )2 − V (X ).V (Y ) ≤ 0, c’est inégalité de
Cauchy-Schwartz.

Chapitre18:
Remarque 2

Chapitre18:
Remarque 2
-La covariance permet de quantifier la liaison entre les deux variables
X et Y : elle mesure leur «tendance à varier ensemble».

Chapitre18:
Remarque 2
X et Y : elle mesure leur «tendance à varier ensemble». -Si la
covariance est positive, cela signifie que la variation de X et Y se fait
dans le même sens.

Chapitre18:
Remarque 2
dans le même sens.- Si elle est négative, leurs variations se font en
sens contraire.

Chapitre18:
Remarque 2
dans le même sens.- Si elle est négative, leurs variations se font en
sens contraire.On parle respectivement de liaison positive et de liaison
négative.

Chapitre18:
Definition 2 (Coefficient de corrélation linéaire)

Chapitre18:
Soient X et Y deux variables aléatoires finies tel que :var (X ) > 0 et
var (Y ) > 0.

Chapitre18:
var (Y ) > 0. On appelle Coefficient de corrélation de X et Y le
scalaire noté ρ(X , Y ) ou r (X , Y ) définit par:

Chapitre18:
Cov (X , Y ) Cov (X , Y )
ρ(X , Y ) = p =
var (X ).var (Y ) σX .σY

Chapitre18:
ρ(X , Y ) = p =
Proposition 2
Soient X et Y deux variables aléatoires finies alors:
ρ(X , Y ) ∈ [−1, 1]

Chapitre18:
ρ(X , Y ) = p =
Proposition 2
Soient X et Y deux variables aléatoires finies alors:
ρ(X , Y ) ∈ [−1, 1]
demo 3
En utilisant Cauchy-Schwarz
Chapitre18:
Remarque 3
1 Plus |ρ(X , Y )| est proche de 1,plus la corrélation entre les deux
variable aléatoire est ”forte”.

Chapitre18:
Remarque 3
2 Si on a |ρ(X , Y )| > 0, 8, on dit que les variables X et Y sont
fortement corrélées.

Chapitre18:
Remarque 3
3 Lorsqu’il est proche de 0, cela signifie qu’il n’y a pas de relation
linéaire entre les variables.

Chapitre18:
Remarque 3
3 Lorsqu’il est proche de 0, cela signifie qu’il n’y a pas de relation
linéaire entre les variables.C’est la décorrélation (Absence de
relation linéaire entre X et Y ).

Chapitre18:
Exercices
Exercice 1

Chapitre18:
Exercices
Exercice 1
On tire au hasard un complexe de U4 .

Chapitre18:
Exercices
Exercice 1
X = Re(z ) et Y = Im(z )
1 X et Y sont -elles indépendantes.

Chapitre18:
Exercices
Exercice 1
X = Re(z ) et Y = Im(z )
1 X et Y sont -elles indépendantes.
2 X et Y sont -elles corrélée?

Chapitre18:
demo 4

Chapitre18:
demo 4
XY −1 0 1 Loi de X
−1 0 14 0 1
4
1 1 1
0 4
0 4 2
1 0 14 0 1
4
1 1 1
Loi de Y 4 2 4
1 P(X = 0, Y = 0) = 0 ̸= P(X = 0).P(Y = 0) = 14

2 E(XY ) = 0 = E(X )E(Y ). et donc cov (X , Y ) = 0 donc X et
Y sont non corrélées

Chapitre18:
Loi de la somme de variables aléatoires
Definition 3 (Loi de la somme de deux variables aléatoires)

Chapitre18:

Si X et Y sont deux variables aléatoires réelles finies telles que :
X (Ω) = Y (Ω) ⊂ N ,alors X + Y est une variable à valeurs dans N
dont loi est donnée par :

Chapitre18:

∀n ∈ N, P(X + Y = n) =

Chapitre18:

X
∀n ∈ N, P(X + Y = n) = P(X = i, Y = j ) .
i+j =n

Chapitre18:
Proposition 3 (Loi de la somme de deux variables

aléatoires)

Chapitre18:

aléatoires)
Si X et Y sont deux variables aléatoires réelles finies indépendantes
telles que : X (Ω) = Y (Ω) ⊂ N ,alors X + Y est une variable à
valeurs dans N dont loi est donnée par :

Chapitre18:

aléatoires)
Si X et Y sont deux variables aléatoires réelles finies indépendantes
telles que : X (Ω) = Y (Ω) ⊂ N ,alors X + Y est une variable à
valeurs dans N dont loi est donnée par :
X
∀n ∈ N, P(X + Y = n) = P(X = i) × P(Y = j ) .
i+j =n

Chapitre18:
Somme de deux loi binomiales .
Proposition 4
La somme de deux VA indépendantes suivants des lois binomilales
B (n, p) et B (m, p) est une loi binomiale B (n + m, p).

Chapitre18:
demo 5
On peut poser X (Ω) = N puis pour i ∈ N:

Chapitre18:
demo 5

n
P(X = i) = p i .(1 − p)n−i
i

n
(on rappelle que si i > n, = 0 et donc P(X = i) = 0) .
i

Chapitre18:
demo 5

n
P(X = i) = p i .(1 − p)n−i
i

n
(on rappelle que si i > n, = 0 et donc P(X = i) = 0) .
i
On pose aussi Y (Ω) = N ,puis pour j ∈ N:

m
P(Y = j ) = p j (1 − p)m−j .
j

Chapitre18:
demo 6
On a alors (X + Y )(Ω) = N puis,pour k ∈ N:

Chapitre18:
demo 6
X X
P(X +Y = k ) = P(X = i, Y = j ) = P(X = i)×P(Y = j)
i+j=k i+j =k
(car X et Y sont indépendantes)

Chapitre18:
demo 6
X X
i+j=k i+j =k
X n
m

i n−i
= p (1 − p) p j (1 − p)m−j
i j
i+j=k

Chapitre18:
demo 6
X X
i+j=k i+j =k
X n
m

i n−i
= p (1 − p) p j (1 − p)m−j
i j
i+j=k
X n m
k (n+m)−k
= p (1 − p) . .
i j
i+j=k
Chapitre18:
(Preuve (suite))
X n m
Maintenant, est le coefficient de X k dans le
i j
i+j =k
développement de :
(1 + X )n (1 + X )m

Chapitre18:
(Preuve (suite))
X n m
i j
i+j =k
(1 + X )n (1 + X )m = (1 + X )n+m

Chapitre18:
(Preuve (suite))
X n m
i j
i+j =k
n+m
X n +m
n
(1 + X ) (1 + X ) = (1 + X ) m n+m
= Xk
k
k =0

Chapitre18:
(Preuve (suite))
X n m
i j
i+j =k
n+m
n +m X
n
(1 + X ) (1 + X ) = (1 + X ) m
= n+m
Xk
k
k =0
En identifiant les coefficients, on obtient l’identité de
VANDERMONDE :
X n m n + m
=
i j k
i+j =k

Chapitre18:
(Preuve (suite))

n +m
Finalement, P(X + Y = k ) = p k (1 − p)(n+m)−k
k
Et donc :

Chapitre18:
(Preuve (suite))

n +m
Finalement, P(X + Y = k ) = p k (1 − p)(n+m)−k
k
Et donc :
X + Y ∼ B(n + m, p).CQFD

Chapitre18:
Généralisation à la somme de n variables aléatoires
binomiales.
Proposition 5
On peut généraliser le résultat précedent par:

Chapitre18:
binomiales.
Proposition 5
On peut généraliser le résultat précedent par: Si X1 , X2 , .., Xk sont
des variables aléatoires indépendantes ,suivants des lois binomiales tel
que ∀i : Xi ∼ B(ni , p), alors:

Chapitre18:
binomiales.
Proposition 5
X1 + X2 + .. + Xk ∼ B(n1 + ... + nk , p)

Chapitre18:
binomiales.
Proposition 5
X1 + X2 + .. + Xk ∼ B(n1 + ... + nk , p)
demo 7

Chapitre18:
binomiales.
Proposition 5
X1 + X2 + .. + Xk ∼ B(n1 + ... + nk , p)
demo 7
par récurrence sur k

Chapitre18:
Somme de n variables aléatoires de Bernoulli
Proposition 6
La somme de n variables aléatoires indépendantes et identiquement
distribuées, qui suivent une loi de Bernoulli de paramètre p , est une
variable aléatoire qui suit

Chapitre18:
Proposition 6
La somme de n variables aléatoires indépendantes et identiquement
distribuées, qui suivent une loi de Bernoulli de paramètre p , est une
variable aléatoire qui suit une loi binomiale B(n, p).

Chapitre18:
demo 8

Chapitre18:
demo 8
Si X1 , . . . , Xn sont des v.a qui suivent toutes la même loi de
Bernoulli de paramètre p.
Alors si S = X1 + . . . + Xn .

Chapitre18:
demo 8
Alors si S = X1 + . . . + Xn .On a Xi (Ω) = {0, 1} et S (Ω) = {0,. . . ,n}

Chapitre18:
demo 8
Donc ∀k ∈ {1, . . . , n} l’ événement (S = k ) correspond à k succès
parmi n dans une succession d’épreuves de Bernoulli de paramètre p.

Chapitre18:
demo 8
Ainsi
n k
P (S = k ) = p (1 − p)(n−k )
k

Chapitre18:
demo 8
Ainsi
n k
P (S = k ) = p (1 − p)(n−k )
k
Et donc:
S ∼ B(n, p)
CQFD

Chapitre18:
Fin du chapitre 18
Merci

Chapitre18:

Chap18 Calculs Des Probabilités-31janv2024 (Apres Midi)

Transféré par

Informations du document

Titre original

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-31janv2024 (Apres Midi)

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre18: calculs des probabilités.

Cours du 31/01/2024 ( après midi)

January 31, 2024

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

demo 2 (Inégalité de Cauchy-Schwarz)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

demo 2 (Inégalité de Cauchy-Schwarz)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

demo 2 (Inégalité de Cauchy-Schwarz)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

demo 2 (Inégalité de Cauchy-Schwarz)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

demo 2 (Inégalité de Cauchy-Schwarz)

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

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

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

1 P(X = 0, Y = 0) = 0 ̸= P(X = 0).P(Y = 0) = 14

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Definition 3 (Loi de la somme de deux variables aléatoires)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Definition 3 (Loi de la somme de deux variables aléatoires)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Definition 3 (Loi de la somme de deux variables aléatoires)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Definition 3 (Loi de la somme de deux variables aléatoires)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Proposition 3 (Loi de la somme de deux variables

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Proposition 3 (Loi de la somme de deux variables

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

Proposition 3 (Loi de la somme de deux variables

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

(car X et Y sont indépendantes)

ABDELJALIL TADDIST LYDEX-BENGURIRMPSI

(car X et Y sont indépendantes)