PROBABILITES

(resume du cours)



Christian MICHEL

Universite Louis Pasteur Strasbourg
Departement InIormatique

micheldpt-inIo.u-strasbg.Ir

Christian MICHEL Probabilites

i
PLAN
CP1: ANALYSE COMBINATOIRE.................................................................... 1
1. INTRODUCTION..............................................................................................................1
2. PAIRES..............................................................................................................................1
3. MULTIPLETS....................................................................................................................2
4. ARRANGEMENTS AVEC REPETITIONS.....................................................................3
5. ARRANGEMENTS SANS REPETITION........................................................................4
6. PERMUTATIONS SANS REPETITION..........................................................................5
7. PERMUTATIONS AVEC REPETITIONS.......................................................................6
8. COMBINAISONS SANS REPETITION ..........................................................................7
9. COMBINAISONS AVEC REPETITIONS........................................................................8
10. PARTIES D`UN ENSEMBLE.........................................................................................9
CP2: ESPACE PROBABILISE.......................................................................... 10
1. ESPACE...........................................................................................................................10
1.1. Experiences aleatoires et epreuves ...........................................................................10
1.2. Resultats d'une experience et d'une epreuve.............................................................10
1.3. Extension de la notion d'experience .........................................................................11
1.4. ObjectiI du calcul des probabilites ...........................................................................11
2. EVENEMENT .................................................................................................................12
2.1. Extension de la notion d'evenement .........................................................................12
2.2. Correspondance entre le langage des evenements et le langage ensembliste...........12
2.3. Tribu .........................................................................................................................12
3. PROBABILITE D'UN EVENEMENT ............................................................................14
4. ESPACE PROBABILISE ................................................................................................15
5. LOIS DE PROBABILITES..............................................................................................16
5.1. Lois de probabilites discretes....................................................................................16
5.1.1. Espace Iini.........................................................................................................16
5.1.2. Espace inIini denombrable................................................................................16
5.1.3. Espace quelconque............................................................................................17
5.2. Lois de probabilites continues ..................................................................................17
6. PROBABILITE CONDITIONNELLE.............................................................................18
6.1. DeIinition..................................................................................................................18
6.2. Deduction de la Iormule des probabilites composees...............................................19
6.3. Deduction de la Iormule de Bayes............................................................................19
Christian MICHEL Probabilites

ii
7. INDEPENDANCE D'EVENEMENTS............................................................................20
7.1. DeIinition de l'independance de 2 evenements.........................................................20
7.2. DeIinition de l'independance de plusieurs evenements ............................................20
CP3: VARIABLES ALEATOIRES.................................................................... 21
1. INTRODUCTION............................................................................................................21
2. RAPPEL: IMAGE RECIPROQUE D'UN INTERVALLE..............................................22
2.1. DeIinition..................................................................................................................22
2.2. Notations...................................................................................................................22
2.3. Image reciproque d'une reunion et d'une intersection d'intervalles ..........................22
3. VARIABLE ALEATOIRE...............................................................................................23
3.1. DeIinition..................................................................................................................23
3.2. Variable aleatoire discrete ........................................................................................23
3.3. Variable aleatoire continue.......................................................................................23
3.4. Exemples ..................................................................................................................23
3.4.1. Variable aleatoire constante (ou certaine).........................................................23
3.4.2. Variable aleatoire indicatrice (ou de Bernoulli)................................................23
3.5. Probabilite image......................................................................................................23
3.6. Conclusion................................................................................................................24
4. FONCTION DE REPARTITION D'UNE VARIABLE ALEATOIRE ...........................25
4.1. DeIinition..................................................................................................................25
4.2. Proprietes..................................................................................................................25
4.3. Calcul de probabilites avec la Ionction de repartition ..............................................26
4.4. Exemple d'une Ionction de repartition......................................................................26
4.5. Fonction de repartition et loi de probabilites d'une variable aleatoire discrete ........27
4.5.1. Probabilites attachees a un point et a un intervalle d'une variable aleatoire
discrete........................................................................................................................27
4.5.1.1. Rappel de la deIinition d'une variable aleatoire discrete...........................27
4.5.1.2. Probabilite attachee a un point d'une variable aleatoire discrete...............27
4.5.1.3. Probabilite attachee a un intervalle d'une variable aleatoire discrete........27
4.5.2. Fonction de repartition......................................................................................27
4.5.3. Loi de probabilites ............................................................................................28
4.5.4. Relation entre la Ionction de repartition et la loi de probabilites......................28
4.5.5. Distribution d'une variable aleatoire discrete....................................................28
4.6. Fonction de repartition et densite de probabilites d'une variable aleatoire continue 28
4.6.1. Probabilites attachees a un point et a un intervalle d'une variable aleatoire
Christian MICHEL Probabilites

iii
continue.......................................................................................................................28
4.6.1.1. Rappel de la deIinition d'une variable aleatoire continue .........................28
4.6.1.2. Probabilite attachee a un point d'une variable aleatoire continue .............29
4.6.1.3. Probabilite attachee a un intervalle d'une variable aleatoire continue ......29
4.6.2. Fonction de repartition......................................................................................29
4.6.3. Densite de probabilites......................................................................................29
4.6.4. Relation entre la Ionction de repartition et la densite de probabilites...............30
4.6.5. Distribution d'une v.a. continue ........................................................................30
5. ESPERANCE D'UNE VARIABLE ALEATOIRE..........................................................31
5.1. DeIinition..................................................................................................................31
5.1.1. Esperance d'une v.a. discrete ............................................................................31
5.1.2. Esperance d'une v.a. continue ...........................................................................31
5.2. Proprietes..................................................................................................................32
6. VARIANCE ET ECART-TYPE D'UNE VARIABLE ALEATOIRE.............................34
6.1. DeIinition..................................................................................................................34
6.1.1. Variance d'une v.a. discrete ..............................................................................34
6.1.2. Variance d'une v.a. continue .............................................................................34
6.1.3. Remarque sur le calcul de la variance...............................................................35
6.2. Proprietes..................................................................................................................35
7. VARIABLE ALEATOIRE A PLUSIEURS DIMENSIONS...........................................36
7.1. DeIinition..................................................................................................................36
7.2. Fonction de repartition d`une variable aleatoire a plusieurs dimensions .................36
7.3. Loi de probabilites d`une variable aleatoire discrete a plusieurs dimensions...........37
7.4. Densite de probabilites d`une variable aleatoire continue a plusieurs dimensions ..38
7.5. Variables aleatoires independantes...........................................................................39
7.5.1. DeIinition..........................................................................................................39
7.5.2. Variable aleatoires discretes independantes......................................................39
7.5.3. Variable aleatoires continues independantes ....................................................39
7.6. Esperance de plusieurs variables aleatoires..............................................................40
7.7. Variance de plusieurs variables aleatoires................................................................40
8. FONCTION GENERATRICE DES MOMENTS............................................................42
8.1. DeIinition..................................................................................................................42
8.1.1. Fonction generatrice des moments pour une variable aleatoire discrete...........42
8.1.2. Fonction generatrice des moments pour une variable aleatoire continue .........42
8.2. Proprietes..................................................................................................................42
Christian MICHEL Probabilites

iv
CP4: LOIS DE PROBABILITES DISCRETES USUELLES............................ 44
1. LOI DE BERNOULLI B(p) ...........................................................................................44
1.1. DeIinition..................................................................................................................44
1.2. Esperance, variance et Ionction generatrice des moments .......................................44
2. LOI BINOMIALE B(n,p) ..............................................................................................45
2.1. DeIinition (une generalisation de la loi de Bernoulli) ..............................................45
2.2. Esperance, variance et Ionction generatrice des moments .......................................46
3. LOI MULTINOMINALE M(n,p,k) ..............................................................................47
3.1. DeIinition (une generalisation de la loi Binomiale) .................................................47
3.2. Esperance et variance ...............................................................................................47
4. LOI GEOMETRIQUE G(p) ..........................................................................................48
4.1. DeIinition..................................................................................................................48
4.2. Esperance, variance et Ionction generatrice des moments .......................................49
5. LOI BINOMIALE NEGATIVE B(r,p) ..........................................................................50
5.1. DeIinition (une generalisation de la loi Geometrique) .............................................50
5.2. Esperance, variance et Ionction generatrice des moments .......................................51
6. LOI HYPERGEOMETRIQUE H(N,n,p) ......................................................................52
6.1. DeIinition..................................................................................................................52
6.2. Esperance et variance ...............................................................................................52
7. LOI UNIFORME DIRECTE U(n) .................................................................................53
7.1. DeIinition..................................................................................................................53
7.2. Esperance, variance et Ionction generatrice des moments .......................................53
8. LOI DE POISSON P( ) .................................................................................................54
8.1. DeIinition..................................................................................................................54
8.2. Esperance, variance et Ionction generatrice des moments .......................................54
CP5: LOIS DE PROBABILITES CONTINUES USUELLES........................... 55
1. LOI UNIFORME CONTINUE U(a,b) ..........................................................................55
1.1. DeIinition..................................................................................................................55
1.2. Esperance, variance et Ionction generatrice des moments .......................................56
2. LOI EXPONENTIELLE E( ) ........................................................................................57
2.1. DeIinition..................................................................................................................57
2.2. Esperance, variance et Ionction generatrice des moments .......................................57
3. LOI NORMALE (LOI DE GAUSS) N( , ) .................................................................58
Christian MICHEL Probabilites

v
3.1. DeIinition..................................................................................................................58
3.2. Esperance, variance et Ionction generatrice des moments .......................................59
3.3 Proprietes...................................................................................................................59
3.4. Loi Normale Centree Reduite
( )
N 0,1 ....................................................................61
3.4.1. DeIinition..........................................................................................................61
3.4.2. Esperance, variance et Ionction generatrice des moments................................62
3.4.3. Relation entre variable Normale et variable Normale Centree Reduite............62
3.4.4. Etude de la densite d`une variable Normale Centree Reduite ..........................62
3.4.5. Etude de la Ionction de repartition d`une variable Normale Centree Reduite..63
3.4.6. Utilisation de la table de
( )
F x de
( )
X ~ N 0,1 en statistiques.....................64
3.4.6.1. Intervalle de conIiance
] ]
, x ...............................................................64
3.4.6.2. Intervalle de conIiance
[ ]
x, x ................................................................64
3.5. La loi Log-Normale
( )
0
LN , , x ..........................................................................65
3.5.1. DeIinition..........................................................................................................65
3.5.2. Esperance et variance........................................................................................66
3.6. Loi Binomiale (2 dimensions) et Multinomiale (n dimensions)...............................66
4. LOI GAMMA G( , ) ...................................................................................................67
4.1. DeIinition..................................................................................................................67
4.2. Esperance, variance et Ionction generatrice des moments .......................................68
5. LOI DE ERLANG E( , ) .............................................................................................69
5.1. DeIinition..................................................................................................................69
5.2. Esperance, variance et Ionction generatrice des moments .......................................69
6. LOI BETA B( , ) .........................................................................................................70
6.1. DeIinition..................................................................................................................70
6.2. Esperance et variance ...............................................................................................70
7. LOI DE LAPLACE L.......................................................................................................71
7.1. DeIinition..................................................................................................................71
7.2. Esperance, variance et Ionction generatrice des moments .......................................71
8. LOI DU KHI-DEUX
2
n
..................................................................................................72
8.1. DeIinition..................................................................................................................72
8.2. Esperance, variance et Ionction generatrice des moments .......................................73
8.3. Propriete....................................................................................................................73
9. LOI DE STUDENT
n
t .....................................................................................................74
Christian MICHEL Probabilites

vi
9.1. DeIinition..................................................................................................................74
9.2. Esperance et variance ...............................................................................................75
9.3. Propriete....................................................................................................................75
10. LOI DE FISCHER-SNEDECOR
m,n
F ...........................................................................76
10.1. DeIinition................................................................................................................76
10.2. Esperance et variance .............................................................................................77
10.3. Proprietes................................................................................................................77

Christian MICHEL Probabilites

1
CP1: ANALYSE COMBINATOIRE

1. INTRODUCTION

L`analyse combinatoire a pour but le denombrement des dispositions que l`on peut
Iormer a l`aide des elements d`un ensemble Iini.

2. PAIRES

DeI
Soient 2 ensembles distincts A et B d`elements discernables
( )

=
1 2 i
A a ,a , ,a, ,a
et
( )

=
1 2 j
B b ,b ,b , ,b . A comporte elements
i
a et B comporte elements
j
b .
On appelle paire une disposition ordonnee de 2 elements dont le 1er element
appartient a l`ensemble A et dont le 2eme element appartient a l`ensemble B. Une
paire est notee
( )
i j
a,b .

Res
Soit P le nombre de paires, alors
= P

Christian MICHEL Probabilites

2
3. MULTIPLETS

DeI
C'est une generalisation des paires a ensembles distincts A, B, ..., S d`elements
discernables
( )
1
1 2 i
A a ,a , ,a , ,a

= ,
( )
2
1 2 i
B b ,b , ,b , ,b

= , ., et
( )
1 2 i
S s ,s , ,s , ,s

= . A comporte elements
1
i
a , B comporte elements
2
i
b , ...,
S comporte elements

i
s .
On appelle multiplet une disposition ordonnee de elements dont le 1er element
appartient a l`ensemble A, le 2eme element appartient a l`ensemble B, ..., le ieme
element appartient a l`ensemble S. Un multiplet est note
( )

1 2
i i i
a ,b , ,s .

Res
Soit

M le nombre de multiplets a elements, alors

= M

Christian MICHEL Probabilites

3
4. ARRANGEMENTS AVEC REPETITIONS

DeI
Soit un ensemble E de n elements discernables,
( )
= E a,b, ,s .
On appelle arrangement avec repetitions de p elements choisis parmi n elements,
une disposition ordonnee avec repetitions de p d`entre les n elements: il y a p
elements au total dans un ordre determine, certains des elements pouvant y Iigurer
plusieurs Iois, jusqu`a p Iois.

Res
Soit
p
n
A le nombre d`arrangements avec repetitions de p elements parmi n, alors
p p
n
n = A

Christian MICHEL Probabilites

4
5. ARRANGEMENTS SANS REPETITION

DeI
Soit un ensemble E de n elements discernables,
( )
= E a,b, ,s .
On appelle arrangement sans repetition de p elements choisis parmi n elements, une
disposition ordonnee sans repetition de p d`entre les n elements.

Res
Soit
p
n
A le nombre d`arrangements sans repetition de p elements parmi n, alors
( )
=

p
n
n!
A
n p !

avec 1 p n

Christian MICHEL Probabilites

5
6. PERMUTATIONS SANS REPETITION

DeI
Soit un ensemble E de n elements discernables,
( )
= E a,b, ,s .
On appelle permutation sans repetition de ces n elements, une disposition ordonnee
de l`ensemble des n elements: chacun des elements Iigure dans un ordre determine,
une Iois et une seule.

Res
Soit
n
P le nombre de permutations sans repetition, alors
=
n
P n!

Christian MICHEL Probabilites

6
7. PERMUTATIONS AVEC REPETITIONS

DeI
Soit un ensemble E de n elements Iorme de v groupes discernables d`elements
indiscernables,

| |
|
=
|
|
\ .


groupe1 groupe2 groupev
avec lettres a avec lettres b avec lettres s
E a,a, ,a , b,b, ,b , , s,s, ,s avec + + + = n.
On appelle permutation avec repetitions de ces n elements, une disposition ordonnee
de l`ensemble des n elements: la lettre a Iigure Iois, ..., la lettre s Iigure Iois et
ceci dans un ordre determine.

Res
Soit
v
P le nombre de permutations avec repetitions, alors
v
n!
! ! !
=

P

Christian MICHEL Probabilites

7
8. COMBINAISONS SANS REPETITION

DeI
Soit un ensemble E de n elements discernables,
( )
= E a,b, ,s .
On appelle combinaison sans repetition de p elements parmi n elements, une
disposition non ordonnee sans repetition de p d`entre les n elements.

Res
Soit
p
n
C ou
| |
|
\ .
n
p
le nombre de combinaisons sans repetition, alors
( )
=

p
n
n!
C
p! n p !

avec 1 p n

Christian MICHEL Probabilites

8
9. COMBINAISONS AVEC REPETITIONS

DeI
Soit un ensemble E de n elements discernables,
( )
= E a,b, ,s .
On appelle combinaison avec repetitions de p elements parmi n elements, une
disposition non ordonnee avec repetitions de p d`entre les n elements: il y a p
elements au total, certains des elements pouvant y Iigurer plusieurs Iois, jusqu`a p
Iois.

Res
Soit
p
n
C le nombre de combinaisons avec repetitions, alors
( )
( )
p p
n n p 1
n p 1 !
C
p! n 1 !
+
+
= =

C
avec n,p 1

Christian MICHEL Probabilites

9
10. PARTIES D`UN ENSEMBLE

DeI
Soit un ensemble E de n elements discernables,
( )
= E a,b, ,s . Les parties
( )
E P
d`un ensemble E Iorment l`ensemble
{ } { } { } { }
,a,b, ,s, a,b , , r,s , a,b,c , ,E .

Res
Soit
( ) ( )
Card E P le nombre de parties de
( )
E P de l`ensemble E, alors
( ) ( )
n
Card E 2 = P

Christian MICHEL Probabilites

10
CP2: ESPACE PROBABILISE

1. ESPACE

Le calcul des probabilites intervient dans l`etude des phenomenes pour lesquels il
existe des elements d`incertitude et qui pour cette raison sont dits aleatoires. Par
exemple, un jet de de.

1.1. Expriences alatoires et preuves

Les phenomenes etudies doivent tre bien deIinis et reproductibles. Les phenomenes
ayant ces caracteristiques sont appeles experiences. Ainsi, une experience est deIinie
par un certain nombre d'observations a Iaire dans des conditions precises. Par
exemple, un jet de de doit rebondir plusieurs Iois avant qu'il ne s'immobilise.
L'experience est dite aleatoire quand on ne connait pas le resultat a l'avance. Cette
situation est Irequente quand on ne connait pas les causes ou les lois qui regissent
l'experience.
Apres avoir deIini une experience, on peut eIIectuer une realisation de cette
experience, on dit qu'on eIIectue une epreuve relative a cette experience. Par
exemple, un jet de de.

1.2. Rsultats d'une exprience et d'une preuve

Les resultats dune experience sont determines par l'ensemble des valeurs possibles
prises par les observations qui deIinissent l'experience. Cet ensemble est appele
espace (espace Iondamental) et note . Par exemple, un jet de de:
{ }
= 1,2,3,4,5,6 .
L'ensemble peut tre Iini (par exemple le de), inIini (par exemple les valeurs
comprises dans un intervalle), unique (l'experience est dite deterministe: on est sr
d'obtenir le resultat).
Le resultat dune epreuve relative a une experience, appele evenement, est un
Christian MICHEL Probabilites

11
element de l'ensemble .

1.3. Extension de la notion d'exprience

Un processus est une experience en plusieurs etapes. Par exemple, 2 jets successiIs
d'un de. Un ensemble possible est le couple
( )
i,j signiIiant que le 1er jet a donne
le resultat i et le 2eme jet, le resultat j:
( ) ( ) ( ) ( ) ( ) { }
= 1,1 , 1,2 , , 1,6 , 2,1 , , 6,6 .

1.4. Objectif du calcul des probabilits

Apres avoir deIini une experience, on peut s'interroger sur les chances de voir tel ou
tel evenement (resultat) se produire a la suite d'une epreuve que l'on se propose
d'eIIectuer. C'est le calcul des probabilites qui permet de determiner les chances de
voir tel ou tel evenement.

Christian MICHEL Probabilites

12
2. EVENEMENT

2.1. Extension de la notion d'vnement

L'evenement (resultat) d'une epreuve relative a une experience, deIini comme etant
un element de l'ensemble , est generalise a un sous-ensemble quelconque (partie)
A de . Par exemple, l'evenement "obtenir un point pair" lors du jet de de est le
sous-ensemble
{ }
= A 2,4,6 de l'ensemble
{ }
= 1,2,3,4,5,6 .

2.2. Correspondance entre le langage des vnements et le langage
ensembliste

EVENEMENT ENSEMBLE
Contraire "non A" ou A A et A complementaires: = A A
"A et B" Intersection A B
"A ou B" Reunion A B
Certain "" Partie pleine de
Impossible "" Partie vide de
Elementaire
Sous-ensembles de Iormes d'un unique
element
"A" incompatible avec "B"
("A et B" impossibles)
A et B disjoints: = A B
"A" implique "B" Inclusion A B

2.3. Tribu

Soient l'ensemble non vide des evenements, A un sous-ensemble quelconque de
et
( )
P l'ensemble des sous-ensembles de (parties de).
(i) Quand est Iini: On peut s'interesser a tous les evenements de
( )
P .
( )
P est
alors appele tribu A.
Christian MICHEL Probabilites

13
(ii) Quand est inIini: On se restreint a une classe d'evenements plus petite que
( )
P . Cette classe est appelee tribu A si elle veriIie les proprietes suivantes
et A A
A A A A
Si
1 2
A ,A , est une suite inIinie (ou Iinie) d'evenements de A, alors les evenements
n
n 1
A

A et
n
n 1
A

A.

Christian MICHEL Probabilites

14
3. PROBABILITE D'UN EVENEMENT

Soient l'ensemble non vide des evenements et A une tribu de , alors la
probabilite d'un evenement A, notee
( )
P A , est un nombre mesurant le pourcentage
de chances qu'a l'evenement A de se realiser lors d'une epreuve relative a une
experience; cette probabilite veriIie les axiomes naturels suivants

Axiome 1
( )
0 P A 1

Axiome 2
( )
= P 1

Axiome 3 (additivite Iinie)
Si
1 2 n
A ,A , ,A est une suite Iinie d'evenements 2 a 2 disjoints, alors
( )

| |
=
|
\ .
n n
n N n N
P A P A

Axiome 4 (additivite denombrable)
Si
1 2
A ,A , est une suite inIinie d'evenements 2 a 2 disjoints, alors
( )

= =
| |
=
|
\ .
n n
n 1 n 1
P A P A

Christian MICHEL Probabilites

15
4. ESPACE PROBABILISE

DeI
Soient l'ensemble non vide des evenements, A une tribu de et P une Ionction
deIinie sur A et veriIiant les axiomes 1, 2, 3 et 4 (cI 3), alors le triplet
( )
, ,P A
constitue un espace probabilise. La Ionction P est appelee loi de probabilites sur
ou sur l'espace probabilisable Iorme par le couple
( )
, A .

Christian MICHEL Probabilites

16
5. LOIS DE PROBABILITES

5.1. Lois de probabilits discrtes

DeI
Une loi de probabilite P sur est discrete si toute la probabilite est concentree sur
une suite Iinie ou inIinie denombrable d'evenements elementaires.

5.1.1. Espace fini

Soient n elements
i
w de ,
{ }
=
1 2 n
w ,w , ,w . Un evenement A etant une reunion
d'evenements elementaires et 2 evenements elementaires etant disjoints, il resulte de
l'axiome 3 que
( ) ( )

=

i
i
w A
P A P w .
La loi de probabilites P est donc entierement deIinie par les probabilites
elementaires
( )
i
P w (notees egalement
i
p ) et veriIie de plus

Axiome 1
( )

i
0 P w 1

Axiome 2
( )
=
=

n
i
i 1
P w 1

5.1.2. Espace infini dnombrable

L'ensemble est inIini denombrable si ses elements peuvent tre ranges en une
suite inIinie
1 2
w ,w , Un evenement A etant une reunion d'evenements elementaires
et 2 evenements elementaires etant disjoints, il resulte de l'axiome 4
( ) ( )

=

i
i
w A
P A P w .
Christian MICHEL Probabilites

17
La loi de probabilites P est donc entierement deIinie par les probabilites
elementaires
( )
i
P w (notees egalement
i
p ) et veriIie de plus

Axiome 1
( )

i
0 P w 1

Axiome 2
( )

=
=
i
i 1
P w 1

5.1.3. Espace quelconque

On peut considerer des lois discretes sur un ensemble quelconque. La probabilite
est alors concentree sur un sous-ensemble Iini ou inIini denombrable.

5.2. Lois de probabilits continues

DeI
Une loi de probabilites P sur est continue si tous les evenements elementaires ont
une probabilite nulle.

Christian MICHEL Probabilites

18
6. PROBABILITE CONDITIONNELLE

6.1. Dfinition

Soit un espace probabilise
( )
, ,P A sous-jacent a une experience aleatoire. Pour
deIinir la probabilite conditionnelle d'un evenement A sachant que l'evenement B est
realise, notee
( )
P A|B , on sait que
(i) l'ensemble des resultats possibles n'est plus mais B
(ii) l'evenement etudie n'est plus A mais A B.
La probabilite conditionnelle
( )
P A|B se deIinit donc par
( )
( )
( )

=
P A B
P A|B
P B

avec
( )
P B 0

La probabilite conditionnelle
( )
P A|B veriIie bien les axiomes

Axiome 1
( )
0 P A|B 1

Axiome 2
( )
= P |B 1

Axiome 3
( )
= =
| |
=
|
\ .

n n
i i
i 1 i 1
P A |B P A|B

Christian MICHEL Probabilites

19
6.2. Dduction de la formule des probabilits composes

(i) Pour 2 evenements A et B
( ) ( ) ( ) ( ) ( )
= = P A B P A P B|A P B P A|B

(ii) Pour 3 evenements A, B, C
( ) ( ) ( ) ( )
= P A B C P A P B|A P C|A B

(iii) Pour n evenements
1 2 n
A ,A , ,A
( ) ( ) ( ) ( )
( )
1 2 n 1 2 1 3 1 2
n 1 n 1
P A A A P A P A |A P A |A A
P A |A A

=

6.3. Dduction de la formule de Bayes

(i) Pour 2 evenements A et B
( )
( ) ( )
( ) ( ) ( ) ( )

=
+
P A P B|A
P A|B
P A P B|A P A P B|A

avec
( ) ( )
+ = P A P A 1
Dans ce contexte, on interprete l'evenement A comme etant une cause possible de
l'evenement B.
( )
P A est alors appele la probabilite a priori de A et
( )
P A|B , la
probabilite a posteriori de A (point de vue introduit par Bayes).

(ii) Pour n evenements
1 2 n
A ,A , ,A
( )
( ) ( )
( ) ( )
=

i i
i n
i i
i 1
P A P B|A
P A|B
P A P B|A

avec
( )
=
=

n
i
i 1
P A 1
Christian MICHEL Probabilites

20
7. INDEPENDANCE D'EVENEMENTS

7.1. Dfinition de l'indpendance de 2 vnements

Soit un espace probabilise
( )
, ,P A sous-jacent a une experience aleatoire. 2
evenements A et B sont independants s'ils veriIient la condition
( ) ( ) ( )
= P A B P A P B
Si
( )
> P A 0 et
( )
> P B 0, cette condition est equivalente a l'une ou l'autre des
conditions
( ) ( )
P A|B P A =
et
( ) ( )
P B|A P B =

L'independance de 2 evenements signiIie que la realisation de l'un des evenements
n'a aucune inIluence sur la realisation de l'autre.

7.2. Dfinition de l'indpendance de plusieurs vnements

Soit un espace probabilise
( )
, ,P A sous-jacent a une experience aleatoire. n
evenements
1 2 n
A ,A , ,A sont independants si tout sous-ensemble
1 2 j
i i i
A ,A , ,A de j
evenements parmi n, = j 2,3, ,n, veriIie la condition
( ) ( ) ( ) ( )
=
1 2 j 1 2 j
i i i i i i
P A A A P A P A P A
En particulier, pour = j n, on a
( ) ( ) ( ) ( )
=
1 2 n 1 2 n
P A A A P A P A P A

Christian MICHEL Probabilites

21
CP3: VARIABLES ALEATOIRES

1. INTRODUCTION

Dans le but d'utiliser les methodes des mathematiques numeriques, on Iait
correspondre a un espace probabilisable quelconque, un espace probabilisable
particulier d'univers R. C'est-a-dire, une Ionction X appelee variable aleatoire
(reelle) (v.a.) associera un reel
( )
X w au resultat w de l'experience aleatoire.

Christian MICHEL Probabilites

22
2. RAPPEL: IMAGE RECIPROQUE D'UN INTERVALLE

2.1. Dfinition

Soit un ensemble et une Ionction X: R.
On appelle image reciproque d'un intervalle I de R par la Ionction X, notee
( )
1
X I ,
l'ensemble des antecedents des elements de I par X
( ) ( ) { }
1
X I w; x I / X w x

= =
Si
( )

= =
1
I R, X I et si
( )

= =
1
I , X I

2.2. Notations

Par convention,
( )
= X w X
] ] ( ) ( )

= <
1
X x,y x X y
] ] ( ) ( )

=
1
X ,x X x
] [ ( ) ( )

= >
1
X x, X x
( ) ( )

= =
1
X x X x
R
I
w

X (I)
-1
x
X
X
-1


2.3. Image rciproque d'une runion et d'une intersection d'intervalles

Soient
1 2
I ,I , une suite inIinie (denombrable) d'intervalles de R, alors
( )


= =
| |
=
|
\ .

1 1
i i
i 0 i 0
X I X I et
( )


= =
| |
=
|
\ .

1 1
i i
i 0 i 0
X I X I
L'image reciproque d'une reunion d'intervalles est la reunion des images reciproques
des intervalles. L'image reciproque d'une intersection d'intervalles est l'intersection
des images reciproques des intervalles.

Christian MICHEL Probabilites

23
3. VARIABLE ALEATOIRE

3.1. Dfinition

Soit un espace probabilisable
( )
, A et une Ionction
( )
X: , R A .
X est une variable aleatoire (reelle) (v.a.) si pour tout intervalle I de R, l'image
reciproque de l'intervalle appartient a la tribu
( )
1
I R, X I

A.

3.2. Variable alatoire discrte

X est une v.a. discrete si l'ensemble
( )
X est Iini ou inIini denombrable.

3.3. Variable alatoire continue

X est une v.a. continue si l'ensemble
( )
X est un intervalle de R non reduit a un
point.

3.4. Exemples

3.4.1. Variable alatoire constante (ou certaine)

3.4.2. Variable alatoire indicatrice (ou de Bernoulli)

3.5. Probabilit image

Etant donne un espace probabilise
( )
, ,P A et une v.a. X sur
( )
, A , alors la Ionction
p deIinie par
( ) ( ) ( )

=
1
I R, p I P X I
Christian MICHEL Probabilites

24
est une probabilite. p est appelee probabilite image de P (avec P deIini au 3 de
CP2).
La probabilite image p veriIie les axiomes de probabilite

Axiome 1
( )
0 p I 1

Axiome 2
( )
= p R 1

Axiomes 3 et 4
( )

= =
| |
=
|
\ .
i i
i 0 i 0
p I p I

3.6. Conclusion

La Ionction
( )
p I , notee dans
la suite probabilite
( )
P I , est
tres interessante parce qu'elle
permet des calculs de
probabilites de la v.a. X sans
continuer a se reIerer
explicitement a l'espace
probabilise
( )
, ,P A .

R
I

X
-1
Probabilite
0
1
P
p
p(I)P(
X
(I))
-1
X (I)
-1
Probabilite

Une probabilite
( )
P I tres importante est la probabilite associee a l'intervalle
] ]
= I ,x , c'est-a-dire associee a l'evenement X x (
] ] ( ) ( )

=
1
X ,x X x ). La
probabilite
( )
P X x est appelee Ionction de repartition.

Christian MICHEL Probabilites

25
4. FONCTION DE REPARTITION D'UNE VARIABLE ALEATOIRE

4.1. Dfinition

On appelle Ionction de repartition de la v.a. X, la Ionction
[ ]
F:R R 0,1 telle que
( ) ( )
= F x P X x
Cette Ionction de repartition est deIinie pour une v.a. discrete ou continue.

4.2. Proprits

P1
( )
0 F x 1

P2
( )
F x est une Ionction croissante

P3
( )

=
x
limF x 1
Dem

P4
( )

=
x
lim F x 0

P5
( )
F x est continue a D:
( ) ( )
+
= F x F x

Christian MICHEL Probabilites

26
4.3. Calcul de probabilits avec la fonction de rpartition

Quand la Ionction de repartition
( )
F x d'une v.a. X est connue, on peut alors
determiner la probabilite que X soit dans un certain intervalle.

P1
( ) ( )
> = P X x 1 F x

P2
( ) ( ) ( )
< =
1 2 2 1
P x X x F x F x

P3
( )
< P X x est continue a G:
( ) ( )

< = P X x F x

P4
( ) ( ) ( )
+
= = P X x F x F x

Consequences importantes de la propriete P4: v.a. continues et v.a. discretes
(i) Si F est continue en x, alors
( ) ( ) ( )
+
= F x F x =F x et donc
( )
= = P X x 0
La probabilite attachee a un point d'une v.a. continue est nulle.
(ii) Si F n'est pas continue en x, alors
( ) ( )
+
> F x F x et donc
( )
= > P X x 0
La probabilite attachee a un point d'une v.a. discrete est non nulle.

4.4. Exemple d'une fonction de rpartition

Christian MICHEL Probabilites

27
4.5. Fonction de rpartition et loi de probabilits d'une variable alatoire
discrte

4.5.1. Probabilits attaches un point et un intervalle d'une
variable alatoire discrte

4.5.1.1. Rappel de la dfinition d'une variable alatoire discrte

X est une v.a. discrete si l'ensemble
( )
X est Iini ou inIini denombrable, c'est-a-dire
si les diIIerentes valeurs x de X sont en nombre Iini ou inIini denombrable.
On indicera les valeurs x en cas de necessite.

4.5.1.2. Probabilit attache un point d'une variable alatoire
discrte

D'apres la propriete P4 du 4.3 de CP3
( ) ( ) ( )
+
= = > P X x F x F x 0
La probabilite attachee a un point d'une v.a. discrete est non nulle.

4.5.1.3. Probabilit attache un intervalle d'une variable
alatoire discrte

D'apres la propriete P3 du 4.3 de CP3
( ) ( ) ( ) ( ) ( ) ( ) ( )
i i 1 i 1 i i 1 i i i
P x X x P X x P X x F x F x F x F x 0

+ + +
< < = < = = =
La probabilite attachee a un intervalle d'une v.a. discrete est nulle.

4.5.2. Fonction de rpartition

La Ionction de repartition
( ) ( )
= F x P X x veriIie les proprietes P1, P2, P3, P4 et
P5 du 4.2 de CP3 et est en escalier d'apres les 4.5.1.2 et 4.5.1.3 de CP3.
Christian MICHEL Probabilites

28
4.5.3. Loi de probabilits

( )
= P X x est appelee loi de probabilites et veriIie les axiomes, en particulier

Axiome 1
( )
= 0 P X x 1

Axiome 2
( )
= =

x
P X x 1

4.5.4. Relation entre la fonction de rpartition et la loi de probabilits

( ) ( )

= =

i
i
x x
F x P X x

4.5.5. Distribution d'une variable alatoire discrte

La distribution d'une v.a. discrete peut tre representee de Iaon equivalente par sa
loi de probabilites
( )
= P X x ou par sa Ionction de repartition
( ) ( )
= F x P X x .

4.6. Fonction de rpartition et densit de probabilits d'une variable
alatoire continue

4.6.1. Probabilits attaches un point et un intervalle d'une
variable alatoire continue

4.6.1.1. Rappel de la dfinition d'une variable alatoire continue

X est une v.a. continue si l'ensemble
( )
X est un intervalle de R non reduit a un
Christian MICHEL Probabilites

29
point.

4.6.1.2. Probabilit attache un point d'une variable alatoire
continue

D'apres la propriete P4 du 4.3 de CP3
( ) ( ) ( )
+
= = = P X x F x F x 0
La probabilite attachee a un point d'une v.a. continue est nulle.

4.6.1.3. Probabilit attache un intervalle d'une variable
alatoire continue

D'apres le 4.6.1.2, les probabilites attachees a un intervalle Ierme
[ ]
a,b , semi-
ouvert
] ]
a,b ou
[ [
a,b , ouvert
] [
a,b sont egales. D'apres la propriete P2 du 4.3 de
CP3
( ) ( ) ( ) ( ) ( ) ( )
= < = < = < < = P a X b P a X b P a X b P a X b F b F a
La probabilite attachee a un intervalle d'une v.a. continue est egale a la diIIerence
des valeurs prises par la Ionction de repartition aux extremites de l'intervalle.

4.6.2. Fonction de rpartition

La Ionction de repartition
( ) ( )
= F x P X x veriIie les proprietes P1, P2, P3, P4 et
P5 du 4.2 de CP3 et est sans saut d'apres les 4.5.1.2 et 4.5.1.3 de CP3.

4.6.3. Densit de probabilits

Dans le cas discret, la probabilite attachee a un point est etudiee avec la loi de
probabilites. Dans le cas continu, cette probabilite est nulle mais on peut se
rapprocher du cas discret en etudiant un intervalle
[ ]
a,b inIinitesimal. La probabilite
Christian MICHEL Probabilites

30
attachee a un intervalle inIinitesimal est egale a
( ) ( ) ( )
( =

F b F a d F x , c'est-a-dire
egale a la diIIerentielle de
( )
F x . Or,
( ) ( )
( =

d F x F x dx. Ainsi, la distribution
d'une v.a. continue peut tre egalement etudiee avec la derivee
( )
F x de la Ionction
de repartition
( )
F x .
( )
F x est notee
( )
f x et est appelee densite de probabilites.

P1
( ) ( ) ( ) ( )

= =
}
x
F x f x F x f t dt

P2
( )
f x 0

P3
( )
+

=
}
f x dx 1

P4
( ) ( ) ( ) ( )
= =
}
b
a
P a X b F b F a f x dx

4.6.4. Relation entre la fonction de rpartition et la densit de
probabilits

( ) ( )

=
}
x
F x f t dt

4.6.5. Distribution d'une v.a. continue
La distribution d'une v.a. continue peut tre representee de Iaon equivalente par sa
densite de probabilites
( )
f x ou par sa Ionction de repartition
( ) ( )
= F x P X x
Christian MICHEL Probabilites

31
5. ESPERANCE D'UNE VARIABLE ALEATOIRE

5.1. Dfinition

L'esperance (ou moyenne) est la caracteristique de tendance centrale la plus
importante pour une v.a. (la mediane et le mode sont 2 autres caracteristique de
tendance centrale).

L'esperance d'une v.a. X est un nombre note
( )
E X qui est deIinie pour une v.a.
discrete et pour une v.a. continue.

5.1.1. Esprance d'une v.a. discrte

( ) ( )
= =

x
E X xP X x
( )
E X peut ne pas exister (si la serie n'est pas convergente).
Interpretation graphique de
( )
E X avec
( )
F x

1
x
0
F(x)
(
1
x
2
x
(
i
x
( )
2
P X x =

( )
i
P X x =
(
(
( )
1
P X x =


5.1.2. Esprance d'une v.a. continue

( ) ( )
+

=
}
E X xf x dx
Christian MICHEL Probabilites

32
( )
E X peut ne pas exister (si l'integrale n'est pas convergente).
Interpretation graphique de
( )
E X avec
( )
F x
Fonction de Distribution de Probabilit
p=inormal(x;0;1)
-3 -2 -1 0 1 2 3
0,0
0,2
0,4
0,6
0,8
1,0
x
d[F(x)]=f(x)dx


5.2. Proprits

P1
Soient une v.a. X et 2 constantes a et b, alors
( ) ( )
+ = + E aX b aE X b

P2
Soit a une constante, alors
( )
= E a a

P3
Si il existe une constante a telle que
( )
= P X a 1, alors
( )
E X a
Christian MICHEL Probabilites

33

P4
Si il existe une constante b telle que
( )
= P X b 1, alors
( )
E X b

P5
Si il existe 2 constantes a et b telles que
( )
= P a X b 1, alors
( )
a E X b

P6
Si
( )
= P X a 1 et
( )
= E X a, alors
( ) ( )
= = > = P X a 1et P X a 0 ou
( ) ( ) ( ) ( )
= = > = P X E X 1et P X E X 0

Christian MICHEL Probabilites

34
6. VARIANCE ET ECART-TYPE D'UNE VARIABLE ALEATOIRE

6.1. Dfinition

La variance est la caracteristique de dispersion la plus importante pour une v.a.
(l'etendue et l'ecart-moyen sont 2 autres caracteristiques de dispersion).

La variance d'une v.a. X est un nombre note
( )
V X egale a
( ) ( )
( )
( ) ( )
( = =

2
2
2
V X E X E X E X E X
L'ecart-type d'une v.a. X est un nombre note
( )
X egal a
( ) ( )
= X V X

( )
V X est la moyenne des carres des ecarts a la moyenne.
Interpretation de
( )
V X . La variance peut tre interpretee comme le moment d'inertie
d'un ensemble de points autour du centre de gravite
( )
E X .

6.1.1. Variance d'une v.a. discrte

( ) ( )
( )
( ) ( ) ( )
( = = =


2 2
x
V X E X E X x E X P X x
( ) ( ) ( ) ( ) ( )
= = =

2 2
2 2
x
V X E X E X x P X x E X

6.1.2. Variance d'une v.a. continue

( ) ( )
( )
( ) ( ) ( )
+

( = =
}
2 2
V X E X E X x E X f x dx
( ) ( ) ( ) ( ) ( )
+

= =
}
2 2
2 2
V X E X E X x f x dx E X
Christian MICHEL Probabilites

35
6.1.3. Remarque sur le calcul de la variance

En general, il est plus simple et plus rapide de calculer la variance avec la Iormule
( ) ( ) ( )
=
2
2
V X E X E X , que ce soit avec une v.a. discrete ou continue.

6.2. Proprits

Les proprietes de la variance se demontrent a l'aide des proprietes de l'esperance.

P1
( )
V X 0

P2
Soient une v.a. X et deux constantes a et b, alors
( ) ( )
+ =
2
V aX b a V X

P3
Soit a une constante, alors
( )
= V a 0

P4
Soit une v.a. X, alors
( ) ( )
= V X V X

P5
Si
( )
= = P X a 1 alors
( )
= V X 0
Christian MICHEL Probabilites

36
7. VARIABLE ALEATOIRE A PLUSIEURS DIMENSIONS

7.1. Dfinition

On generalise les deIinitions et les resultats precedents au cas d`une v.a. a n
dimensions (vecteur aleatoire a n composantes ou n v.a.).

Soit un espace probabilisable
( )
, A et une Ionction
( )
n
X: , R A . X est une
variable aleatoire (reelle) (v.a.) a n dimensions si pour tout intervalle I de
n
R , l'image
reciproque de l'intervalle appartient a la tribu
( )
n 1
I R , X I

A
avec
( ) {

=
1
1 1 i i n n
X I w; x I , , x I , , x I /

( ) ( ) ( ) }
= = =
1 1 i i n n
X w x , , X w x , , X w x

Rem
( )
X w est le vecteur
( ) ( ) ( ) ( )

1 i n
X w , ,X w , ,X w et I est le vecteur
( )

1 i n
I , ,I , ,I .

7.2. Fonction de rpartition d`une variable alatoire plusieurs dimensions

( ) { } { } { } ( )
( )
1 i n 1 1 i i n n
1 1 i i n n
F x , ,x , ,x P X x X x X x
P X x , ,X x , ,X x
=
=




P1
( )

1 i n
0 F x , ,x , ,x 1

P2
( )

1 i n
F x , ,x , ,x est une Ionction croissante par rapport a chacune des variables
i
x .

Christian MICHEL Probabilites

37
P3
( )

=
=

i
1 i n
x
i 1, ,n
lim F x , ,x , ,x 1

P4
( )

=
=

i
1 i n
x
i 1, ,n
lim F x , ,x , ,x 0

P5
( )

1 i n
F x , ,x , ,x est continue a D:
( ) ( )
+ + +
=
1 i n 1 i n
F x , ,x , ,x F x , ,x , ,x

7.3. Loi de probabilits d`une variable alatoire discrte plusieurs
dimensions

( )
= = =
1 1 i i n n
P X x , ,X x , ,X x est appelee loi de probabilites et veriIie en
particulier

Axiome 1
( )
= = =
1 1 i i n n
0 P X x , ,X x , ,X x 1

Axiome 2
( )
= = = =


1 i n
1 1 i i n n
x x x
P X x , ,X x , ,X x 1

( )
( )

= = = =


j j j
1 1 i i n n
j j j
1 i n 1 1 i i n n
x x x x x x
F x , ,x , ,x P X x , ,X x , ,X x

Christian MICHEL Probabilites

38
7.4. Densit de probabilits d`une variable alatoire continue plusieurs
dimensions

( ) ( )

=
} } }

1 i n
x x x
1 i n 1 i n 1 i n
F x , ,x , ,x f t , ,t , ,t dt dt dt

P1
( )
( )

=




n
1 i n
1 i n
1 i n
F x , ,x , ,x
f x , ,x , ,x
x x x

(diIIerentielle d`une Ionction a plusieurs variables)
On est donc amene a rechercher le jacobien, c`est-a-dire le determinant de la matrice
de changement de variables.

P2
( )

1 i n
f x , ,x , ,x 0

P3
( )
+ + +

=
} } }

1 i n 1 i n
f x , ,x , ,x dx dx dx 1

P4
( )
1 1 1 i i i n n n
P a X b , ,a X b, ,a X b

( )
1 i n
1 i n
b b b
1 i n 1 i n
a a a
f x , ,x , ,x dx dx dx =
} } }



Christian MICHEL Probabilites

39
7.5. Variables alatoires indpendantes

7.5.1. Dfinition

Les v.a.
1 i n
X , ,X, ,X sont independantes si
( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( )
1 i n 1 1 i i n n
1 1 i i n n
n
1 i n i
i 1
F x , ,x , ,x P X x , ,X x , ,X x
P X x P X x P X x
F x F x F x F x
=
=
=
= =

La Ionction de repartition de n v.a. (v.a. a n dimensions) est egale au produit des
Ionctions de repartition marginales.

7.5.2. Variable alatoires discrtes indpendantes

D`apres la deIinition
( ) ( )
=
= = = = =

n
1 1 i i n n i i
i 1
P X x , ,X x , ,X x P X x
( ) ( ) ( )
= =
= =


n n
1 i n i i i
i 1 i 1
F x , ,x , ,x P X x F x

7.5.3. Variable alatoires continues indpendantes

D`apres la deIinition
( ) ( ) ( )
= =

= =

}

i
x
n n
1 i n i i i
i 1 i 1
F x , ,x , ,x f t dt F x
( ) ( )
=
=

n
1 i n i
i 1
f x , ,x , ,x f x

Christian MICHEL Probabilites

40
7.6. Esprance de plusieurs variables alatoires

P1
Si
1 i n
X , ,X, ,X sont n v.a., alors
( )
= =
| |
=
|
\ .

n n
i i
i 1 i 1
E X E X

P2
Si
1 i n
X , ,X, ,X sont n v.a.,
1 i n
a , ,a, ,a et b, des constantes, alors
( )
= =
| |
+ = +
|
\ .

n n
i i i i
i 1 i 1
E a X b aE X b

P3
Si
1 i n
X , ,X, ,X sont n v.a. independantes, alors
( )
= =
| |
=
|
\ .

n n
i i
i 1 i 1
E X E X

P4: DeIinition de la covariance de 2 v.a.
( ) ( ) ( ) ( )
=
1 2 1 2 1 2
Cov X ,X E X X E X E X

P5
Si
1
X et
2
X sont independants, alors
( ) ( ) ( )
=
1 2 1 2
E X X E X E X et
( )
=
1 2
Cov X ,X 0

7.7. Variance de plusieurs variables alatoires

Les proprietes de la variance se demontrent a l`aide des proprietes de l`esperance.

Christian MICHEL Probabilites

41
P1
Si
1 i n
X , ,X, ,X sont n v.a. independantes, alors
( )
= =
| |
=
|
\ .

n n
i i
i 1 i 1
V X V X

P2
Si
1 i n
X , ,X, ,X sont n v.a. independantes,
1 i n
a , ,a, ,a et b des constantes, alors
( )
= =
| |
+ =
|
\ .

n n
2
i i i i
i 1 i 1
V a X b a V X

P3
Si
1
X et
2
X sont 2 v.a. independantes telles que
( ) ( )
=
1 2
E X E X , alors
[ ]
( )
( ) ( )
= +
2
1 2 1 2
E X X V X V X

Christian MICHEL Probabilites

42
8. FONCTION GENERATRICE DES MOMENTS

8.1. Dfinition

Soit X une v.a. et pour tout nombre reel t, on deIinit la Ionction generatrice des
moments
( )

X
t telle que
( ) ( )
=
tX
X
t E e
( )
E X peut ne pas exister (cI 5.1) donc
( )

X
t peut ne pas exister.

8.1.1. Fonction gnratrice des moments pour une variable alatoire
discrte

( ) ( ) ( )
= = =

tX tx
X
x
t E e e P X x

8.1.2. Fonction gnratrice des moments pour une variable alatoire
continue

( ) ( ) ( )
+

= =
}
tX tx
X
t E e e f x dx

8.2. Proprits

P1
( )
( ) ( )
=
n n
X
0 E X

Consequences importantes
( ) ( )
=
X
0 E X
La derivee premiere de la Ionction generatrice des moments en 0 est egale a
Christian MICHEL Probabilites

43
l'esperance.
( ) ( )
=
2
X
0 E X
La derivee seconde de la Ionction generatrice des moments en 0 est egale a
( )
2
E X .
Donc
( )

X
0 et
( )

X
0 permettent de calculer l`esperance
( )
E X et la variance
( )
V X d`une v.a. X.

P2
Soient X une v.a. avec une Ionction generatrice des moments
( )

X
t et a et b, 2
constantes, alors
( ) ( )
+
=
bt
aX b X
t e at

P3
Soient
1 i n
X , ,X, ,X n v.a. independantes aves des Ionctions generatrices des
moments
( ) ( ) ( )

1 i n
X X X
t , , t , , t respectivement, alors
( ) ( )
=
=
=

n
i
i
i 1
n
X
X
i 1
t t

Christian MICHEL Probabilites

44
CP4: LOIS DE PROBABILITES DISCRETES USUELLES

1. LOI DE BERNOULLI B(p)

1.1. Dfinition

Soit une experience ne possedant que 2 resultats possibles A et A de probabilites
respectives p et = q 1 p. Soit X la v.a. qui est egale a 1 si A est realise, a 0 si A est
realise
( )
( )
= =
= = =
P X 1 p
P X 0 q 1 p


Loi de probabilites
( )

= = =
x 1 x
P X x p q x 0,1

1.2. Esprance, variance et fonction gnratrice des moments

( )
= E X p,
( )
= V X pq,
( )
= +
t
t pe q

Christian MICHEL Probabilites

45
2. LOI BINOMIALE B(n,p)

2.1. Dfinition (une gnralisation de la loi de Bernoulli)

Soit une experience ne possedant que 2 resultats possibles A et A de probabilites
respectives p et = q 1 p. Soit X la v.a. qui est egale au nombre x de realisations de
A au cours de n epreuves independantes (probleme de tirages successiIs avec
remise).
La probabilite que A soit realise x Iois, est egale
x
p (evenements independants). A
est donc realise n x Iois. La probabilite que A soit realise n x Iois, est egale
n x
q (evenements independants). La probabilite que = X x est donc egale a
x n x
p q
(evenements independants) Iois le nombre de combinaisons sans repetition de x
parmi n,
x
n
C .

Loi de probabilites
( )
x x n x
n
P X x C p q x 0,...,n

= = =

Une variable Binomiale X est une somme de n variables de Bernoulli
i
X
independantes et de mme parametre p:
=
=

n
i
i 1
X X
( ) ( )

= = = =
x x 1 x x n x
1
B p B 1, p C p q p q x 0,1

Christian MICHEL Probabilites

46
B(10,1/ 4)
Loi de probabilites

Fonction de repartition


2.2. Esprance, variance et fonction gnratrice des moments

( )
= E X np,
( )
= V X npq,
( ) ( )
= +
n
t
t pe q

Christian MICHEL Probabilites

47
3. LOI MULTINOMINALE M(n,p,k)

3.1. Dfinition (une gnralisation de la loi Binomiale)

Soit une experience possedant k resultats possibles
1 i k
A , , A , , A de probabilites
respectives
1 i k
p , ,p, ,p . Soit
i
X la v.a. qui est egale au nombre
i
x de realisations
de
i
A au cours de n epreuves independantes (probleme de tirages successiIs avec
remise).
La probabilite que
i
A soit realise
i
x Iois, est egale a
i
x
i
p (evenements independants).
La probabilite que les k
i
A soient realises, est egale a
=

i
k
x
i
i 1
p Iois le nombre de
permutations avec repetitions des
i
x parmi
=
=

k
i
i 1
n x , c`est-a-dire Iois
=

k
i
i 1
n!
x !
;
=
=

k
i
i 1
p 1.

Loi de probabilites
( ) ( )
=
=
= = = = = =

i
k
x
1 1 i i n n i k
i 1
i
i 1
n!
P X x P X x , , X x , , X x p
x !

avec
=
=

k
i
i 1
x n et
=
=

k
i
i 1
p 1.

3.2. Esprance et variance

( )
E X a pour composantes les esperances marginales
( )
i
E X
( )
V X a pour composantes les variances marginales
( )
i
V X

Christian MICHEL Probabilites

48
4. LOI GEOMETRIQUE G(p)

4.1. Dfinition

Soit une experience ne possedant que 2 resultats possibles A et A de probabilites
respectives p et = q 1 p. Soit X la v.a. qui est egale au nombre x de realisations de
A avant la 1ere realisation de A au cours d`un nombre inIini d`epreuves
independantes (probleme de tirages successiIs avec remise).
Si = x 0, il y a realisation de A a la 1ere epreuve avec la probabilite p,
( )
= = P X 0 p.
Si = x 1, il y a realisation de A a la 1ere epreuve avec la probabilite q et realisation
de A a la 2eme epreuve avec la probabilite p,
( )
= = P X 1 pq.

Loi de probabilites
( )
= = =
x
P X x pq x 0,

Christian MICHEL Probabilites

49
G(1/ 4)
Loi de probabilites


Fonction de repartition


4.2. Esprance, variance et fonction gnratrice des moments

( )
=
q
E X
p
,
( )
=
2
q
V X
p
,
( )
= < <

t
t
p
t 0 qe 1
1 qe

Christian MICHEL Probabilites

50
5. LOI BINOMIALE NEGATIVE B(r,p)

5.1. Dfinition (une gnralisation de la loi Gomtrique)

Soit une experience ne possedant que 2 resultats possibles A et A de probabilites
respectives p et = q 1 p. Soit X la v.a. qui est egale au nombre x de realisations de
A avant la r ieme realisation de A au cours de + r x epreuves independantes
(probleme de tirages successiIs avec remise).
La probabilite que A soit realise x Iois, est egale a
x
q (evenements independants).
La probabilite que A soit realise r Iois, est egale a
r
p (evenements independants). La
probabilite que = X x est donc egale a
r x
p q (evenements independants) Iois le
nombre de combinaisons sans repetition de r 1 parmi + r x 1,

+
r 1
r x 1
C .

Loi de probabilites
( )

+
= = =
r 1 r x
r x 1
P X x C p q x 0,

Une variable Binomiale Negative X est une somme de r variables Geometriques
i
X
independantes et de mme parametre p:
=
=

r
i
i 1
X X .
( ) ( )
= = =
o x x
x
G p B 1,p C pq pq

Christian MICHEL Probabilites

51
B(5,1/ 4)
Loi de probabilites


Fonction de repartition


5.2. Esprance, variance et fonction gnratrice des moments

( )
=
r q
E X
p
,
( )
=
2
r q
V X
p
,
( )
| |
=
|

\ .
r
t
p
t
1 qe

Christian MICHEL Probabilites

52
6. LOI HYPERGEOMETRIQUE H(N,n,p)

6.1. Dfinition

Soit une urne contenant N boules avec une probabilite p de boules blanches et une
probabilite = q 1 p de boules non blanches. n boules sont prelevees sans remise
dans cette urne, n N. Soit X la v.a. qui est egale au nombre x de boules blanches
parmi les n boules prelevees (probleme de tirages successiIs sans remise).
Nombre de possibilites d`obtenir n boules prelevees parmi N boules de l`urne:
n
N
C
Nombre de possibilites d`obtenir x boules blanches parmi les Np boules blanches de
l`urne:
x
Np
C .
Nombre de possibilites d`obtenir n x boules non blanches parmi les Nq boules
non blanches de l`urne:
n x
Nq
C .

Loi de probabilites
( )

= = =
x n x
Np Nq
n
N
C C
P X x x 0, ,n
C


6.2. Esprance et variance

( )
= E X np,
( )

=

N n
V X npq
N 1


Christian MICHEL Probabilites

53
7. LOI UNIFORME DIRECTE U(n)

7.1. Dfinition

Soit X la v.a. prenant les valeurs 1,2, ,n avec la probabilite
1
n
.

Loi de probabilites
( )
= = =
1
P X x x 1, ,n
n


U(10)
Loi de probabilites


Fonction de repartition


7.2. Esprance, variance et fonction gnratrice des moments

( )
+
=
n 1
E X
2
,
( )

=
2
n 1
V X
12
,
( )
=
=

n
tx
x 1
1
t e
n

Christian MICHEL Probabilites

54
8. LOI DE POISSON P( )

8.1. Dfinition

Loi de probabilites
( )

= = =
x
e
P X x x 0,
x!


P(10)
Loi de probabilites


Fonction de repartition


8.2. Esprance, variance et fonction gnratrice des moments

( )
= E X ,
( )
= V X ,
( )

=
t
e
t e
Christian MICHEL Probabilites

55
CP5: LOIS DE PROBABILITES CONTINUES USUELLES

1. LOI UNIFORME CONTINUE U(a,b)

1.1. Dfinition

La variable UniIorme continue X a une densite de probabilites et une Ionction de
repartition
( )

1
a x b
f x
b a
0 autrement

( )
<

>

0 x a
x a
F x a x b
b a
1 x b


U(1,11)
Loi de probabilites


Christian MICHEL Probabilites

56
Fonction de repartition


1.2. Esprance, variance et fonction gnratrice des moments

( )
+
=
b a
E X
2
,
( )
( )

=
2
a b
V X
12


Christian MICHEL Probabilites

57
2. LOI EXPONENTIELLE E( )

2.1. Dfinition

La variable Exponentielle X de parametre a une densite de probabilites et une
Ionction de repartition
( )

>

x
e x 0, 0
f x
0 autrement

( )

<
=

>

x
0 x 0
F x
1 e x 0, 0


E(1)
Loi de probabilites


Fonction de repartition


2.2. Esprance, variance et fonction gnratrice des moments

( )
=

1
E X ,
( )
=

2
1
V X ,
( )
t
t

=


Christian MICHEL Probabilites

58
3. LOI NORMALE (LOI DE GAUSS) N( , )

3.1. Dfinition

La variable Normale X de parametres (moyenne) et (ecart-type) a une densite
de probabilites et une Ionction de repartition
( )
2
1 x
2
1
f x e x , , 0
2
| |

\ .
= < < + < < + >


( ) ( )
x
F x f t dt

=
}


Somme des probabilites
( )
| | + +

\ .

= =

} }
2
1 x
2
1
I f x dx e dx
2

Faire le changement de variable:

=

x
y . Puis, la primitive de

2
1
y
2
e ne pouvant
pas tre calculee, on etudie
2
I . EnIin, Iaire un changement par coordonnees polaires.

N(3,0.5)
Loi de probabilites


Christian MICHEL Probabilites

59
Fonction de repartition


3.2. Esprance, variance et fonction gnratrice des moments

( )
= E X ,
( )
=
2
V X ,
( )
+
=
2 2
1
t t
2
t e

3.3 Proprits

P1
Si X est une v.a. qui suit une loi Normale de moyenne et d`ecart-type , alors la
v.a. = + Y aX b (a et b constants et a 0) suit une loi Normale de moyenne + a b
et d`ecart-type a
Si
( )
X ~ N , alors
( )
= + + Y aX b ~ N a b,a

P2
Si
1 n
X , , X sont n v.a. independantes et si
i
X suit une loi Normale de moyenne
i

et d`ecart-type
i
, alors la v.a.
n
i
i 1
Y X
=
=

suit une loi Normale de moyenne
=

n
i
i 1
et
d`ecart-type
=

n
2
i
i 1

Si
( )

i i i
X ~ N , alors
= = =
| |
=
|
|
\ .

n n n
2
i i i
i 1 i 1 i 1
Y X ~ N ,

Christian MICHEL Probabilites

60
P3
Si
1 n
X , , X sont n v.a. independantes et si
i
X suit une loi Normale de moyenne
i

et d`ecart-type
i
, alors la v.a.
=
= +

n
i i
i 1
Y a X b (
1 n
a , ,a et b constants et
i
a 0)
suit une loi Normale de moyenne
=
+

n
i i
i 1
a b et d`ecart-type
=

n
2 2
i i
i 1
a
Si
( )

i i i
X ~ N , alors
= = =
| |
= + +
|
|
\ .

n n n
2 2
i i i i i i
i 1 i 1 i 1
Y a X b ~ N a b, a

P4
Si
1 n
X , , X sont n v.a. independantes et si
i
X suit une loi Normale de moyenne
et d`ecart-type , alors la v.a.
=
=

n
n
i
i 1
1
X X
n
suit une loi Normale de moyenne et
d`ecart-type

2
n

Si
( )

i
X ~ N , alors
=
| |

= |
|
\ .

2 n
n
i
i 1
1
X X ~ N ,
n n

Les v.a.
1 n
X , , X Iorment un echantillon issu d`une population.

Christian MICHEL Probabilites

61
3.4. Loi Normale Centre Rduite
( )
N 0,1

3.4.1. Dfinition

La loi Normale Centree Reduite
( )
N 0,1 est un cas particulier de la loi Normale
( )
N , avec une moyenne = 0 et un ecart-type = 1.

La variable Normale Centree Reduite X de parametres = 0 (moyenne) et = 1
(ecart-type) a une densite de probabilites et une Ionction de repartition
( )

=

2
1
x
2
1
f x e
2
< < + x
( ) ( )

=
}
x
F x f t dt

N(0,1)
Loi de probabilites


Christian MICHEL Probabilites

62
Fonction de repartition


3.4.2. Esprance, variance et fonction gnratrice des moments

( )
= E X 0,
( )
= V X 1,
( )
=
2
1
t
2
t e

3.4.3. Relation entre variable Normale et variable Normale Centre
Rduite

Si X est une v.a. qui suit une loi Normale de moyenne et d`ecart-type , alors la
v.a.

=

X
Y suit une loi Normale de moyenne = 0 et d`ecart-type = 1, c`est-
a-dire Y suit une loi Normale Centree Reduite
Si
( )
X ~ N , alors
( )

=

X
Y ~ N 0,1

3.4.4. Etude de la densit d`une variable Normale Centre Rduite

( )

=

2
1
x
2
1
f x e
2


(i)
( )
> f x 0
Christian MICHEL Probabilites

63
(ii)
( )
f x est paire:
( ) ( )
= f x f x
(iii)
( ) ( )
+
= =
x x
lim f x lim f x 0
(iv)
( )
f x a un maximum en
( ) ( )
1
x 0,f 0 ~ 0,0.4
2
| |
= =
|

\ .

(v)
+ +


= =

} }
2 2
1 1
x x
2 2
1
e dx 1 e dx 2
2
(
( )
f x est une densite de probabilite)
(vi)
( ) ( ) ( )
x
f x dx P X x P X x

= =
}

( ) ( ) ( )
x
f x dx P x X P X x
+

= = + =
}
((ii) et P4 de 4.6.3)
(vii)
( ) ( ) ( ) ( )
= = = P X x F x P X x 1 F x (P1 de 4.3)

3.4.5. Etude de la fonction de rpartition d`une variable Normale
Centre Rduite

La Ionction de repartition
( )
F x donnant les probabilites de la variable Normale
Centree Reduite est determinee par approximation numerique puisque la primitive de

2
1
x
2
e ne peut pas tre calculee. Ces probabilites sont donnees dans des tables qui
sont importantes en statistiques.
La table de
( )
F x de
( )
X ~ N 0,1 permet de determiner la probabilite
( ) ( )
= F x P X x pour une valeur x de la variable Normale Centree Reduite et
reciproquement. Par exemple,
( )
= F x 0.99 pour = x 2.33, c'est-a-dire
( )
= P X 2.33 0.99. En general, la table de
( )
F x de
( )
X ~ N 0,1 ne donne les
probabilites
( )
F x que pour les valeurs positives de x. Les probabilites
( )
F x pour
des valeurs negatives de x s`obtiennent avec la relation (vii) en remplaant x par -x:
( ) ( ) ( ) ( )
= = = P X x F x P X x 1 F x .

Christian MICHEL Probabilites

64
3.4.6. Utilisation de la table de
( )
F x de
( )
X ~ N 0,1 en statistiques

En statistiques, par exemple dans l`estimation par intervalle ou dans les tests
d`hypothese, un intervalle de conIiance
] ]
, x ou
[ ]
x, x est aIIecte a une
probabilite de conIiance 1 ou est la probabilite d`erreur (souvent exprimee en
pourcentage). est donne et x doit tre determine avec la table. 2 situations selon
que l`intervalle de conIiance est
] ]
, x (test d`hypothese unilateral) ou
[ ]
x, x (test
d`hypothese bilateral).

3.4.6.1. Intervalle de confiance
] ]
, x

Au seuil = 1%, = x 2.33
Au seuil = 5%, = x 1.64

3.4.6.2. Intervalle de confiance
[ ]
x, x

La probabilite d`erreur se divise en 2 probabilites d`erreur egales a 2 quand
x et + x pour avoir une probabilite de conIiance egale a 1 .
Au seuil = 1%, = x 2.58
Au seuil = 5%, = x 1.96

En conclusion, les tables pour des intervalles de conIiance
] ]
, x (x est associe a
1 ou ) peuvent tre utilisees pour des intervalles de conIiance
[ ]
x, x mais x
est associe a

+ 1
2
ou

2
. Il existe des tables pour des intervalles de conIiance
[ ]
x, x (x est associe a 1 ou ) qu`il ne Iaut pas conIondre avec les tables pour
des intervalles de conIiance
] ]
, x que l`on rencontre le plus souvent.

Christian MICHEL Probabilites

65
3.5. La loi Log-Normale
( )
0
LN , , x

3.5.1. Dfinition

La variable Log-Normale X de parametres (moyenne), (ecart-type) et
0
x (une
valeur donnee de x) est egale a la variable Normale
( )
0
ln X x (logarithme
neperien) de parametres et et egalement egale a la variable Normale Centree
Reduite
( )
0
ln X x
Y

=

de parametres = 0 et = 1. X et Y sont donc de la

Iorme
( )
Y
0 0
X x e ~ LN , , x
+
= +

La variable Log-Normale X de parametres (moyenne), (ecart-type) et
0
x a une
densite de probabilites et une Ionction de repartition
( )
( )
( )
2
0
ln x x 1
2
0
0
1
e x x , , 0
f x
2 x x
0 autrement
(

< < + >

=

( ) ( )

=
}
x
F x f t dt

( )
LN 0,1,0
Loi de probabilites

Christian MICHEL Probabilites

66
Fonction de repartition


3.5.2. Esprance et variance

( )
+
= +
2
1
2
0
E X x e ,
( )
( )
( )
+

=
2
2 2
V X 1 e e

3.6. Loi Binomiale (2 dimensions) et Multinomiale (n dimensions)
cI livres.
Christian MICHEL Probabilites

67
4. LOI GAMMA G( , )

4.1. Dfinition

La variable Gamma X de parametres et a une densite de probabilites et une
Ionction de repartition
( ) ( )
1 x
x e x 0, 0, 0
f x
0 autrement

> >

avec
( )


= >
}
1 x
0
x e dx 0
( ) ( )

=
}
x
F x f t dt

La loi
( )
G 1, = est une loi exponentielle de parametre
( ) [ ]

( = = = = =
} }
x x x
0
0 0
1 e dx e dx e 0 1 1
( )

=
x
f x e

Rappel: proprietes de la Ionction
( )

P1
( )


=
}
1 x
0
x e dx
P2
( ) ( ) ( )
= 1 1 > 1
P3
( ) ( )
= n n 1 !
+
n N
P4
| |
=
|
\ .
1
2


Christian MICHEL Probabilites

68
G(2,1)
Loi de probabilites


Fonction de repartition


4.2. Esprance, variance et fonction gnratrice des moments

( )

=

E X ,
( )

=

2
V X ,
( )

| |
=
|

\ .
t
t


Christian MICHEL Probabilites

69
5. LOI DE ERLANG E( , )

5.1. Dfinition

La loi de Erlang
( )
E , de parametres et est une loi Gamma
( )
G , de
parametres et = . La variable de Erlang X de parametres et a une
densite de probabilites et une Ionction de repartition
( )
( )
( )

> >
=

1 x
x e x 0, 0, 0
f x
0 autrement

( ) ( )

=
}
x
F x f t dt

5.2. Esprance, variance et fonction gnratrice des moments

( )
=

1
E X ,
( )
=

2
1
V X ,
( )

| |
=
|

\ .
t
t


Christian MICHEL Probabilites

70
6. LOI BETA B( , )

6.1. Dfinition

La variable Beta X de parametres et a une densite de probabilites et une
Ionction de repartition
( )
( )
( ) ( )
( )

+
> >

1
1
x 1 x 0 x 1, 0, 0
f x
0

( ) ( )

=
}
x
F x f t dt

B(2,2)
Loi de probabilites


Fonction de repartition


6.2. Esprance et variance

( )

=
+
E X ,
( )
( ) ( )

=
+ + +
2
V X
1

Christian MICHEL Probabilites

71
7. LOI DE LAPLACE L

7.1. Dfinition

La variable de Laplace X a une densite de probabilites et une Ionction de repartition
( )

= < < +
x
1
f x e x
2
c'est-a-dire
( )

x
x
1
e x 0
2
f x
1
e x 0
2

( )

+ =

x
x
x
1
e x 0
2
F x
1 e 1 1
1 e x 0
2 2 2


Loi de probabilites

Fonction de repartition


7.2. Esprance, variance et fonction gnratrice des moments

( )
= E X 0,
( )
= V X 2,
( )
1 1 1
t
2 1 t 1 t
| |
= +
|
+
\ .

Christian MICHEL Probabilites

72
8. LOI DU KHI-DEUX
2
n


8.1. Dfinition

La variable du Khi-Deux a n degres de liberte est une variable Gamma de parametres
=
n
2
et =
1
2
avec une densite de probabilites et une Ionction de repartition
( )
( ) ( )

| |

\ .

>
=

| |

|
\ .

=
}
n
2
n x
1
2 2
x
1
2
x e x 0, n 2
f x
n
2
0 autrement
F x f t dt


2
3
a 3 degre de liberte
Loi de probabilites


Fonction de repartition

Christian MICHEL Probabilites

73
8.2. Esprance, variance et fonction gnratrice des moments

( )
= E X n,
( )
= V X 2n,
( )
| |
=
|

\ .
n
2
1
t
1 2t


8.3. Proprit

Si
( )
i
X ~ N 0, 1 et si
i
X independants alors
n
2 2
i n
i 1
Y X ~
=
=

Christian MICHEL Probabilites

74
9. LOI DE STUDENT
n
t

9.1. Dfinition

La variable de Student a n degres de liberte a une densite de probabilite et une
Ionction de repartition
( )
( )
( )
( ) ( )
+

+ | |

|
| |
\ .
= + < < +
|
| |
\ .

|
\ .
=
}
n 1
2
2
1
2
x
n 1
x 2
f x 1 x
n n
n
2
F x f t dt


5
t a 5 degres de liberte
Loi de probabilites


Fonction de repartition

Christian MICHEL Probabilites

75
9.2. Esprance et variance

( )
E X 0 n 1 = > ,
( )
n
V X n 2
n 2
= >

9.3. Proprit

Si
( )
X ~ N 0, 1 et si
2
n
Y ~ alors
n
X
Z ~ t
Y
n
=

Christian MICHEL Probabilites

76
10. LOI DE FISCHER-SNEDECOR
m,n
F

10.1. Dfinition

La variable de Student-Snedecor a m et n degres de liberte a une densite de
probabilites et une Ionction de repartition
( )
( )

+ | |

|
\ .

=
| | | |

+
| |

\ . \ .

m n
m
2 2
1
2
m n
2
m n
m n
x 2
f x x 0 m n
mx n
2 2
0 autrement

( ) ( )

=
}
x
F x f t dt

3,5
F a 3 et 5 degres de liberte
Loi de probabilites


Fonction de repartition

Christian MICHEL Probabilites

77
10.2. Esprance et variance

( )
n
E X n 2
n 2
= >

,
( )
( )
( ) ( )
2
2
2n m n 2
V X n 4
m n 2 n 4
+
= >



10.3. Proprits

Si
2
m
X ~ et si
2
n
Y ~ alors
m,n
X
m
Z ~ F
Y
n
=