Professional Documents
Culture Documents
Chapitre I : Calcul des probabilits Chapitre II : variables alatoires une dimension Le but des probabilits est de dgager des mthodes permettant de faire des prdictions sur le droulement des faits qui sont rgis par le hasard.
11] Exprience alatoire Le phnomne tudi doit tre conu comme une exprience dont les rsultats sont alatoires ; lorsquon reproduit lexprience, le rsultat varie et semble dpendre du hasard ; on dit quil sagit dune exprience alatoire et on la reprsente par la lettre . Exemple 1.1 : On jette deux ds : le rsultat de lexprience est exprim par les nombres affichs par chacun des ds. Exemple 1.2 : on tire au hasard successivement et sans remise deux boules dune urine contenant 10 boules numrotes de 1 10 : le rsultat sexprime par la succession des deux numros des boules tires. Exemple 1.3 : on note la taille dun individu pris au hasard dans une population donne : le rsultat tant un rel. Pour tudier les faits alatoires, il faut dabord les assimiler des expriences alatoires.
2 12] Lensemble alatoire : On appelle ensemble alatoire associ , tout ensemble dont les lments reprsentent toutes les issues (ou rsultats ) possibles de . Pour les exemples mentionnes : Exemple 1.1 : =
Exemple 1.3 :
beaucoup plus rduits que a Exemple 1.4 : Jeu de pile ou face ; consiste jeter une pice pile ou face 2 fois.
= { PP PF FP FF }
Ou F signifie face et P signifie Face on a la mme chose si on choisit une famille de 2 enfants et on note le sexe des enfants ; celui du plus jeune , puis celui de lan. Dans ce cas est similaire au jet deux fois dune pice pile ou face :
= { FF GF FG GG }
Ou F signifie Fille et G signifie Garon.
Si on note seulement le sexe sans se soucier de lordre de naissance on aura un ensemble diffrent :
= { FF FG GG}
13] les vnements Considrant une proprit E lie au rsultats (ou une issue) de lexprience alatoire , ou bien E se ralise ou bien E ne se ralise pas. Dans lexemple 1.1 E = les deux ds affichent des nombres pairs. Dans lexemple 1.2 on a E = on a tir au moins une boule de numro impair E peut donc partager lensemble fondamental en deux parties ; dune part, lensemble AE des points reprsentant un rsultat de lexprience pour laquelle E se ralise (a lieu), et dautre part, la partie AE
Formes des points associs un rsultat ne ralisant pas E. on dit que AE est lvnement associ E. On voit immdiatement que
est aussi un vnement reprsentant la non ralisation de E. Dans lexemple 1.1 : lvnement la somme des nombres obtenus est est lensemble :
AE
Evnement certain : Cest lvnement qui se ralise toujours lorsque on effectue une exprience ; cet vnement est lensemble tout entier. Evnement impossible : cest lvnement qui ne se ralise jamais ; on le note
est
Evnement lmentaire : On qualifie dvnement lmentaire un vnements li une exprience qui ne se ralise que pour une seul issue de . Ce sont des parties de qui se rduisent un point.
14] Lalgbre des vnement 141] Lalgbre de Boole, -algbre la notion dalgbre de Boole est entre dans le calcul des probabilits en raison de la rgle de laddition des probabilits. Considrons une famille des parties de lensemble fondamental et envisageons les proprits suivantes : Si une partie A de la partie complmentaire A de A par rapport appartient aussi
: ( A ) ( A )
2) si A1, A2,.,An est une suite finie de , alors la runion de ces parties appartient aussi :
2) si A1, A2,.,An est une suite infinie de infinie de ces parties appartient aussi
, alors la runion
Si
Boole ; Si
Si a un lment de
donc
, il en est de mme
A1 , A2 ,...., An appartiennent
et en vertu de 2, la runion :
appartient aussi
La runion : Si A et B sont deux vnements, lvnement A ou B est la partie de runion des parties de A et B et on note cet vnement AUB Lintersection : Lvnement A et B est la partie de intersection de A et B et on a A et B = AB Exemple 1.5 : Sur le jeu de pile ou face, avec deux lancers ; lvnement lmentaire PP est lvnement intersection de lvnement A =
7 Dabord pile = { PP PF} , avec lvnement B = pile au 2me lancer= { PP FP} Lvnement runion AUB est lvnement au moins une fois pile ; lvnement complmentaire pile Lensemble A des vnements est donc muni des oprations de complmentation, de runion et dintersection ; on traduit ce fait en disant que A est une algbre des parties de . Evnement incompatible : On dit que les vnements A et B sont incompatibles si, ils ne peuvent se raliss simultanment, autrement dit AB = Systme complet dvnements : On appelle ainsi toute suite A1 , A2..An dvnements 2 2 incompatibles telle que A1 U A2 U..U An = ; les vnements Ai : 1 i forment alors une partition de .
AUB
15] La probabilit On admet que chaque vnement A est associ un nombre P(A) compris entre 0 et 1 et qui mesure la probabilit de ralisation de A. P est une application dfinie sur valeurs dans lintervalle [0 1] : P : [0 1] Il est clair que lon doit avoir : P() = 0 et P() = 1
8 Considrons maintenant 2 vnements incompatibles A et B et imaginons quon effectue une exprience n fois (n trs grand) et quon note nA et nB le nombre de fois ou on a observ A et B respectivement au cours des n ralisations de . Comme A et B sont incompatibles, il est clair que le nombre nAUB des ralisations de AUB est exactement nAUB
nAUB nA nB = + = nA + nB do n n n
Ce rsonnement conduit la proprit suivante : Si A et B sont deux vnement incompatibles alors : P(AUB) = P(A) + P(B) Plus gnralement si A1 , A2 ,An sont des vnements deux deux incompatibles : P(A1UA2U..UAn) = P(A1) + P(A2) + .. + P(An) Consquences Pour tout vnement A P(A) = 1-P(A) P(AUB) + P(AB) = P(A) + P(B) En particulier P(AUB) P(A) +P(B) Si A B alors P(A) P(B) 151) Notion despace de probabilit On dit que le triplet {, , P} est un ensemble probabilis
9 Supposons lensemble fini et supposons que tous les rsultats ont la mme probabilit ( on dit quils sont quiprobable), il est alors facile de dterminer P ; notons card(A) le nombre dlments de la partie de A de . Comme P() est la somme des probabilits des vnements lmentaires {} et P() sont gales entre elles, on obtient
P( ) =
1 card ()
P(A) =P({}) do :
P( A) =
P( A B) P( A)
10 Exemple 1.7 : on jet un d : si on sait que le nombre obtenu est pair, la probabilit davoir 2 est intuitivement = 1/3. Soit A = Le chiffre obtenu est pair Soit B = Le chiffre obtenu est gal 2
P( B / A) =
P( B A) 1/ 6 1 = = P( A) 3/ 6 3
Les formules suivantes dcoulent immdiatement de la dfinition de la probabilit conditionnelle : Si A et B ; P(AB) = P(A)P(B/A) Si A, B et C P(ABC) = P(A)P(B/A)P(C/AB) Et plus gnralement si A1, A2,An ; A1A2An) = P(A1)P(A2/A1)P(A3/A1A2)P(An/A1A2An1)
Exemple 1.8 Supposons quon tire 3fois boules dune urne sans remise parmi 10 dont 5 rouges, 3 noires et 2 blanches, calculer la probabilit dobtenir un rouge puis une noire Et puis une blanche. Soit A1 la 1re boule est rouge Soit A2 la 2me boule est noire Soit A3 la 3me boule est blanche P(A1) = 5/10 = 1/2 , P(A2/A1) =3/9 = 1/3 et P(A3/A1A2)=2/8 = Dou
1 1 = P(RNB) = 2 3 4 24
11 172] Formule de BAYES La formule des vnements permet dcrire que pour tout A on a P(A) +P( A )=1
p( A / B) =
P( A) P( B / A) P( A) P( B / A) + P( A) P( B / A)
Cette formule sappelle la formule de BAYES ; on parle aussi de probabilit de causes. Exemples 1.9 : On a mis au point un test permettant de dpister une maladie. Ce test ntant pas infaillible. On sait connatre la probabilit dtre atteint par la maladie pour un individu prsentant un test positif. On suppose connues : La probabilit de la population atteinte par la maladie La probabilit pour un sujet malade de prsenter un test positif La probabilit pour un individu sain de fournir un test positif Lexprience alatoire consiste ici prendre au hasard un individu dans la population et de lui faire subir le test. On note T le test est positif, M lindividu est malade et S lindividu est sain. Le problme est de trouver P(M/T) :: connaissant P(M), P(T/M) et PT/S) on a :
P( M / T ) =
Si P(M) = 1/100
P( M / T ) =
18] Indpendance
12
181] indpendance de 2 vnements : on dit que A et B sont indpendants sssi P(AB) = P(A)P(B) il revient au mme de dire A et indpendant de B sssi P(B/A) = P(B), ainsi savoir que A sest ralis ne modifie pas la ralisation de B Attention ne pas confondre indpendance et incompatibilit Si A et B sont incompatibles, AB) = et P(AB) = 0 ; A et B ne pourront tre indpendants que si P(A) = 0 et P(B)= 0
B , pour A et
A et B
182] Indpendance de plusieurs vnements Considrons dabord le cas de trois vnements A, B , C on dira quils sont indpendants 2 2 si P(ABC) = P(A)P(B)P(C) On peut dmontrer que cette dfinition signifie que toute information sur la ralisation des 2 vnements ne modifie pas la probabilit de ralisation de la 3me . Calculons par exemple P( A / B C ) = indpendants donc
P( A B C ) B et C sont P( B C )
13
P( B C ) = P( B) P(C )
Dautre part P( A B C ) = P( A B) P( A B C ) Dou
P( A B C ) = P( A) P( B) P( A) P( B) P(C )
P( A / B C ) = P( A)
Finalement
Si les vnements A, B , C sont 2 2 indpendants, on ne peut pas en dduire en gnral quils sont indpendants dans leur ensemble. Exemple 1.10 : On jette deux fois un d : A : on obtient un 6 au premier essai B : on obtient un 6 au 2me essai C : on obtient le mme rsultat les deux fois P(A) = P(B) = P(C) = 1/6 1 2 3 4 5 6
1 2 3 4 5 6
11 21 31 41 51 61
12 22 32 42 52 62
13 23 33 43 53 63
14 24 34 44 54 64
15 25 35 45 55 65
16 26 36 46 56 66
P(AB) = P(BC) =P(AC) = 1/36 Par contre P(BC) = 1/36 alors que p(A)P(B)P(C) = 1/216
14 Dune manire gnrale, on dit que les vnements A1, A2,An sont indpendants dans leur ensemble ssi P(A1A2.An) = P(A1)P(A2)P(An) Il est important de noter que : Si les vnements A1, A2,An sont indpendants, il est de mme pour A1, A2,
vnements par leur complmentaire indpendants Ai sans perdre la proprit de lindpendance. Si A1, A2,An sont indpendants toute sous suite (Ai1, Ai2.Aik) avec
{i1 , i2 ,..ik } {1, 2...n)} est encore une suite dvnements indpendants
19] Tirage exhaustif et tirage de Bernouilli Soit une urne contenant N1 boules de couleur 1, N2 boules de couleur 2Nk boules de couleur k. On tire n boules. Quelle la probabilit dobtenir n1 de couleur 1, n2 de couleur 2.nk de couleur k ; note P(n1, n2 nk) La rponse cette question dpend de la nature du tirage 191] Tirage sans remise on dit aussi tirage exhaustif ce qui est quivalent un tirage simultan :
P(n1 , n2 ...nk ) =
Exemple 1.11 : Une urne contient 3 boules rouges, 4 boules blanches et 3 boules noires. On tire de cette urne 3 boules dune manire simultane. Caler la probabilit davoir : Trois boules rouges Trois boules blanches Trois boules noires Deux boules rouges et une boule blanche Deux boules rouges et une boule noire Une boule rouge et deux boules blanches Une boule rouge et deux boules noires Deux boules blanches et une boule noire Une boule blanche et deux boules noires Une boule de chaque couleur Rponse 1)
3 0 C3 C4 C30 1 P (3, 0, 0) = = 3 C10 120
2)
3)
4)
16
192] Tirage avec remise on dit aussi tirage de Bernouilli ou tirage indpendant
P(n1 , n2 ...nk ) =
Avec P = i
17
Rponse P1 = 3/10
P2 = 4/10
P3 = 3/10
3! 64 (3 /10)0 (4 /10)3 (3 /10) 0 = 0!3!0! 1000 3! 27 (3 /10)0 (4 /10) 0 (3 /10)3 = 0!0!3! 1000
18
6) P (1, 2, 0) =
3! 81 P (1, 0, 2) = (3 /10)1 (4 /10)0 (3 /10) 2 = 7) 1!0!2! 1000 3! 144 P (0, 2,1) = (3 /10) 0 (4 /10) 2 (3 /10)1 = 8) 0!2!1! 1000
3! 108 P (0,1, 2) = (3 /10)0 (4 /10)1 (3 /10) 2 = 9) 0!1!2! 1000
10) P (1,1,1) =
19
Chapitre II : Variables alatoires une dimensions 21] Variables alatoires valeurs dans R Dfinition 2.1 : Soit un espace de probabilit , , P associ une exprience alatoire, on appelle variable alatoire valeurs dans R, une application x de dans R possdant la proprit suivante : Pour tout intervalle
IR
{ /X( ) I}
Cette dfinition comporte 3 points : 1. Une variable alatoire permet dassocier tout vnement lmentaire un nombre rel X() : ceci permet de traduire une observation par un nombre rel. Lensemble X() sappelle lensemble des observations 2. on peut distinguer plusieurs types dintervalles - Si - Si - Si
Nanmoins, ce qui est essentiel cest que lintroduction dune variable permet tout intervalle, ventuellement rduit un point, de reprsenter un vnement.
20
3. La dfinition dune variable alatoire permet dattribuer tout intervalle I identifie lvnement dont il est limage.
212] Loi de probabilit La loi de probabilit dune variable alatoire, on dit aussi la distribution de X, est le mode de rpartition de la probabilit de sur lensemble des observables.
213] variables alatoires discrtes 2131] Fonction de rpartition un premier type de distribution est caractris par une fonction de rpartition F(x) dite en escalier, le graphe de F(x) prsente une suite croissante (finie ou non) de discontinuits : x1 , x2 ,.., xn et est constitu de paliers successifs dordonnes croissantes compte tenu des proprits de F(x) :
x 0 x1 x2 xn
21 Les proprits de F(x) - F(x) est continue - F(x) est monotone - F(x) est cumule croissante - Lorsque x + - Lorsque x - F(x) 1 F(x) 0
a
F (a) = P( X < a) = P( X = k )
k =1
Exemple 2.1 La fonction de rpartition dune variable alatoire est dfinie par :
22 xi pi xi x2 p1 p2 xn pn 1
mk = E ( X k ) = xik Pi
-
m0 = E ( X 0 ) = xi0 Pi = Pi = 1
m1 = E ( X ) = xi Pi
lesprance mathmatique de X
m2 = E ( X 2 ) = xi2 Pi simples
etc
Gnralement, on a besoin au maximum des 4 premiers moments - Proprits de lesprance mathmatique de x : E(X) P1 : si a une constante E(a) = a P2 : E est un oprateur linaire ; cest dire que E(a X + b) = aE(X) + b P3 : E(X1 + X2) = E(X1) + E(X2) et E(X1 - X2) = E(X1) - E(X2). Dont on dduit : E(aX1 + bX2) = E(aX1) + E(bX2) = aE(X) +bE(Y) E(aX1 - bX2) = E(aX1) - E(bX2) =aE(X) bE(Y)
23
+
P4 Si
m1 = E ( X ) = xi Pi
i =0
cette limite converge. Ceci est valable pour tout moment k b) les moments centrs dordre k
k = ( xi m) k pi = E ( X m) k
0 = ( xi m) 0 pi = E ( X m)0 = 1
1 = ( xi m)1 pi = E ( X m)1 = 0
k = ( xi m) 2 pi = E ( X m) 2 = V ( X ) = 2
La variance est le moment centr dordre 2
24
2 = V ( X ) = ( xi m) 2 pi
= (x i2 2mxi + m 2 ) pi = x i2 pi 2mxi pi + m 2 pi =m 2 -2m 2 +m 2 = m 2 -m 2
Donc V(X) = 2 = m2 m2 Les proprits de la variance P1 : La variance est toujours positive : 2 0 P2 : Soit a une constante V(a) = 0 P3 : La variance est un oprateur quadratique ie V(aX) = a2V(X) P4 : soient a et b deux constantes et X Y deux variables alatoires V(aX + b Y ) = a2V(X) + b2V(Y) SSSI X est indpendante de Y V(aX - b Y ) = a2V(X) + b2V(Y) SSSI X est indpendante de Y
Lcart type est la racine carre de la variance not cest indicateur de dispersion, dans ce sens , il est toujours positif car il signifie la longueur dun segment allant de m ,un cart type ngatif signifie que le segment est du cot gauche de m et un cart type positif signifie que le segment est du cot droit de m.
25
Reprenant lexemple 2.1 et calculons : E(X) = 2/6*1 + 3/6*2 + 1/6*4 = 2 E(X2) = 2/6*12 + 3/6*22 + 1/6*42 = 5 V(X) = 5 4 = 1 =1 214] Variable de Bernouilli Soit X une variable alatoire de Bernouilli ; Sa loi de probabilit est 1 xi pi 0 p q E(X) = P E(X2) = P V(X) = P P2 = pq =
pq
215] Loi uniforme La loi uniforme admet comme loi de probabilit : P(X= xi) = 1/n n 1, 2 , ,n
26 Exemple 2.2: Dans un jeu de d rgulier, si X est la variable alatoire qui associe la face obtenue, le nombre de points quelle reprsente, la loi de probabilit de X est dfinie : X Pi 1 6 1/6 1/6 1/6 1/6 1/6 1/6 La loi de X est uniforme sur 1, 2, 3, 4, 5, 6 m1 = E(xipi) = xipi = (1/n)xi m2 = E(x2) = x2 pi = (1/n)xi2 1 2 3 4 5
22] Variables alatoires continues Un deuxime type de distribution est caractris par sa fonction de rpartition continues sur R. On dit alors que la variable alatoire est de distribution continue. Soit X une telle variable de fonction de rpartition F(x) alors : P(x X< x +x) = F(x +x) F(x) On en dduit P(X=x) = Lim P(x X< x +x)) x0 Lim F(x+x) F(x) x0 P(X= x) = F(x) F(x) =0
27
Pour une variable alatoire continue la probabilit dun point est nulle. Les vnements de probabilit non nulle seront donc obligatoirement reprsents par des intervalles.
x +x
On peut dduire que si X est de distribution continue on a : P(a X < b) = F(b) F(a) = P(a < X b) = P(a <X< b) avec b > a 221] La fonction de rpartition la fonction de rpartition se dfinit :
F ( x) = P( X < x) =
f (t ) dt
est jouit des proprits suivantes P1 : F(x) est une probabilit cumule P2 : F(x) est une fonction croissante et monotone P3 : F(x) tend vers zro lorsque x tend vers moins linfini et tend vers un lorsque x tend vers plus linfini . 222] La fonction de densit Soit X une variable alatoire valeurs dans R, de fonction de rpartition F(x) sil existe une fonction f telle que :
28
F ( x) =
f (t ) dt
On dit alors que f est la fonction de densit de X note f(x) Si f(x) existe alors f(x) 0
f ( x)dx = 1
f(x) tend vers zro lorsqu x tend vers plus ou moins linfini 223] Fonction de densit et loi de probabilit Une densit dfinie parfaitement la distribution dune variable alatoire X valeurs dans R. Connaissant la densit, on peut dterminer la fonction de rpartition :
F ( x) = P( X < x) =
f (t )dt
b a
P ( X [ a, b ]) = P( a X < b) = f ( x)dx
Exemple 2.3 : Soit X une variable alatoire continue de fonction de rpartition
0 si x 0 1 F ( x) = x si 0<x 2 2 1 si x>2
29
0 si x 0 ou x>2 f ( x) = 1 2 si 0<x 2
Exemple 2.4 : Soit Y une variable alatoire continue de densit :
0 y<0 f ( y ) = 1 y si y 0 2 e 2
La fonction de rpartition y est :
P( X < 0) = 0dt si x 0
F ( x) = 0dt + e t / 2 dt
0
=0+ -e-t/2 = 1 e y / 2 0
On obtient finalement
30
ou bien
mk = E ( X ) =
k
x k f ( x)dx
x 0 f ( x)dx = 1
m0 = E ( X ) =
0
m1 = E ( X ) =
1
x1 f ( x)dx = E ( X )
x 2 f ( x)dx = E ( X 2 )
m2 = E ( X ) =
2
31
E( X ) =
xf ( x)dx
0 2 1 + = x0dx+ x dx + x0dx - 0 0 2
x2 1 x dx = =1 2 4 0
k = E ( x m) = ( x m) k f ( x)dx
k
1 = E ( x m) = ( x m)1 f ( x)dx = 0
1
2 = E ( x m) = ( x m) 2 f ( x)dx = 2 = V ( X )
2
32
+
V ( x) = ( x 1) 2 f ( x)dx
2 1 = ( x 2 2 x + 1) dx 0 2
x2 1 x3 = 2 + x 2 3 2 0 V(X) = 1 1 = 1 + 1 = 1/ 3 2 3 1 2 = 3
Proprit de la variance V(X) 0 V(a) = 0 ou a est une constante V(aX) = a2V(X) V(aX bY) = a2V(X) + b2 V(Y) si X est indpendante de Y
23] La loi uniforme On dit quune variable alatoire est uniforme sur [a b] ; a et b tant des rels vrifiant a < b ; si sa densit de probabilit est dfinit par :
0 si x [ a,b ] f ( x) = 1 si x [ a , b ] a b
2331] La fonction de rpartition
33
F ( x) = P( x < x) =
on en dduit :
f (t )dt
Si x<a
F(x) = 0dt = 0
- 0 x - a
1 xa dt = ba ba
E( X ) =
f ( x)dx =
b
1 xdx ba
1 x 2 b+a = = b-a 2 a 2
E( X 2 ) =
+
x 2 f ( x)dx =
b
1 2 x dx ba
1 x 3 b 2 +ab+a 2 = = b-a 3 a 3
34