Professional Documents
Culture Documents
Espace de probabilité
Intégration
Cas ⌦ fini ou dénombrable
Séance 1
26 septembre 2017
1/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
2/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
3/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
3/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
3/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
3/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
3/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
3/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
3/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
3/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
4/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
5/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
6/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
a. 2 à 2 disjoints signifie : i 6= j ) Ai \ Aj = ;
7/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
P : P(⌦) ! [0, 1]
1 X Card(A)
A 7! A (!) = .
Card(⌦) Card(⌦)
!2⌦
a :F ! [0, 1]
⇢
1 si a 2 A
A !
7
0 sinon.
8/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
9/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
Proposition 1.1.6
Supposons A, B 2 F. Les propriétés suivantes sont vérifiées
P(Ac ) = 1 P(A)
9/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
Proposition 1.1.7
Si (An )n2 est une suite croissante dans F alors
!
[
P An = lim P(An ).
n!1
n2
10/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
Définition 1.1.8
Soit (⌦, F, P) un espace probabilisé et B 2 F tel que P(B) 6= 0.
On définit la probabilité conditionnelle de A 2 F sachant B par
P(A \ B)
P(A | B) = .
P(B)
11/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
P(A | En )P(En )
8n 2 , P(En | A) = P .
m P(A | Em )P(Em )
12/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
Définition 1.1.13
Deux événements A et B d’un espace de probabilité (⌦, F, P) sont
dits indépendants si
P(A \ B) = P(A)P(B).
13/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
Définition 1.1.13
Deux événements A et B d’un espace de probabilité (⌦, F, P) sont
dits indépendants si
P(A \ B) = P(A)P(B).
Définition 1.1.14
Des événements (Ai )i2I d’un espace probabilisé (⌦, F, P) sont dits
indépendants si pour toute partie finie J ⇢ I
!
\ Y
P Ai = P(Ai ).
i2J i2J
13/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Evénements, probabilités
Espace de probabilité Propriétés
Intégration Probabilités conditionnelles élémentaires
Cas ⌦ fini ou dénombrable Indépendance entre événements
Proposition 1.1.16
Si A et B sont des événements d’un espace probabilisé (⌦, F, P),
avec P(B) > 0, alors A et B sont indépendants si et seulement si
P(A | B) = P(A).
14/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction
Rappel de théorie de la mesure
Espace de probabilité
Cas particuliers
Intégration
Mesures discrètes
Cas ⌦ fini ou dénombrable
Z
Construction de Iµ (f ) = f (!) µ(d!), pour une fonction
⌦
mesurable f : (⌦, F) ! ( , B( )) et une mesure µ définie sur F.
15/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction
Rappel de théorie de la mesure
Espace de probabilité
Cas particuliers
Intégration
Mesures discrètes
Cas ⌦ fini ou dénombrable
Z
Construction de Iµ (f ) = f (!) µ(d!), pour une fonction
⌦
mesurable f : (⌦, F) ! ( , B( )) et une mesure µ définie sur F.
Pn
Pour f = i=1 ↵i 1Ai , où Ai 2 F et ↵i 2 pour tout 1 i n,
Z Xn
Iµ (f ) = f (!) µ(d!) = ↵i µ(Ai ).
⌦ i=1
15/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction
Rappel de théorie de la mesure
Espace de probabilité
Cas particuliers
Intégration
Mesures discrètes
Cas ⌦ fini ou dénombrable
Z
Construction de Iµ (f ) = f (!) µ(d!), pour une fonction
⌦
mesurable f : (⌦, F) ! ( , B( )) et une mesure µ définie sur F.
Pn
Pour f = i=1 ↵i 1Ai , où Ai 2 F et ↵i 2 pour tout 1 i n,
Z Xn
Iµ (f ) = f (!) µ(d!) = ↵i µ(Ai ).
⌦ i=1
15/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction
Rappel de théorie de la mesure
Espace de probabilité
Cas particuliers
Intégration
Mesures discrètes
Cas ⌦ fini ou dénombrable
Z
Construction de Iµ (f ) = f (!) µ(d!), pour une fonction
⌦
mesurable f : (⌦, F) ! ( , B( )) et une mesure µ définie sur F.
Pn
Pour f = i=1 ↵i 1Ai , où Ai 2 F et ↵i 2 pour tout 1 i n,
Z Xn
Iµ (f ) = f (!) µ(d!) = ↵i µ(Ai ).
⌦ i=1
16/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction
Rappel de théorie de la mesure
Espace de probabilité
Cas particuliers
Intégration
Mesures discrètes
Cas ⌦ fini ou dénombrable
16/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction
Rappel de théorie de la mesure
Espace de probabilité
Cas particuliers
Intégration
Mesures discrètes
Cas ⌦ fini ou dénombrable
Définition
Une mesure µ est dite discrète s’il existe une suite (an )n2
(éventuellement finie) telle que µ {an ; n 2 }c = 0.
17/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction
Rappel de théorie de la mesure
Espace de probabilité
Cas particuliers
Intégration
Mesures discrètes
Cas ⌦ fini ou dénombrable
P
On considère une mesure discrète µ = 1 n=0 ↵n an .
Pour tout n 2 , on a
Z
I an (f ) = f (!) an (d!) = f (an ).
⌦
18/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Théorème 1.3.1
Dans l’espace probabilisé dénombrable (⌦, F = P(⌦), P), la
mesure de probabilité P est caractérisée par ses valeurs sur les
atomes : p! = P({!}), ! 2 ⌦.
19/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Théorème 1.3.1
Dans l’espace probabilisé dénombrable (⌦, F = P(⌦), P), la
mesure de probabilité P est caractérisée par ses valeurs sur les
atomes : p! = P({!}), ! 2 ⌦.
Réciproquement, soit ⌦ = {!n ; n 2 } un ensemble
dénombrable et (pn )n2 une suite de réels.
Alors, il existe une probabilité P telle que P({!n }) = pn (8n)
si et seulement si
8n 2 ; pn 0
1
X
et pn = 1.
n=0
La probabilité P est alors unique.
19/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Définition 1.3.2
Soient (⌦, F, P) un espace probabilisé fini ou dénombrable et E un
ensemble muni de la tribu P(E ).
On appelle variable aléatoire (v. a.) à valeurs dans E , toute
application mesurable X : (⌦, F) ! (E , P(E )).
20/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Définition 1.3.2
Soient (⌦, F, P) un espace probabilisé fini ou dénombrable et E un
ensemble muni de la tribu P(E ).
On appelle variable aléatoire (v. a.) à valeurs dans E , toute
application mesurable X : (⌦, F) ! (E , P(E )).
20/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
21/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Définition 1.3.5
Soit X une variable aléatoire à valeurs réelles, définie sur (⌦, F, P)
discret.
P
Si !2⌦ |X (!)|P({!}) < 1, on dit que X admet un moment
d’ordre 1, et on pose
X
E[X ] = X (!)P({!}).
!2⌦
22/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Définition 1.3.6
Soit X une variable aléatoire discrète à valeurs réelles. On note
{xi ; i 2 } l’ensemble des valeurs prises par X et pi = P(X = xi )
P tout i 2 ).
(pour
Si i |xi |pi < 1, on dit que X admet un moment d’ordre 1, et on
pose X
E[X ] = xi p i .
i
23/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Définition 1.3.7
Si X admet un moment d’ordre 2, alors X admet également un
moment d’ordre 1. On peut alors définir la variance de X par
24/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Définition 1.3.7
Si X admet un moment d’ordre 2, alors X admet également un
moment d’ordre 1. On peut alors définir la variance de X par
Proposition 1.3.8
P
Si i |g (xi )|pi < 1, alors la variable aléatoire g X notée g (X )
admet un moment d’ordre 1,
X
E[g (X )] = g (xi )pi .
i
24/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
1
8k 2 {1, . . . , n}, P(X = k) = .
n
n+1
On a alors E[X ] = .
2
25/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
1
8k 2 {1, . . . , n}, P(X = k) = .
n
n+1
On a alors E[X ] = .
2
Loi de Bernoulli
X suit une loi de Bernoulli de paramètre p 2 [0, 1]
si 8! 2 ⌦, X (!) 2 {0, 1} et
P(X = 1) = p; P(X = 0) = 1 p.
Loi binomiale
N suit une loi binomiale B(n, p) où n 2 ⇤ et p 2 [0, 1]
si 8! 2 ⌦, N(!) 2 {0, 1, . . . , n} et
N = X1 + X2 + · · · + Xn ,
26/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Loi géométrique
N suit une loi géométrique de paramètre p 2 [0, 1]
si 8! 2 ⌦, N(!) 2 et
8n 2 , P(N = n) = p n (1 p).
p p
On a alors E[N] = et Var(N) = .
1 p (1 p)2
27/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Loi géométrique
N suit une loi géométrique de paramètre p 2 [0, 1]
si 8! 2 ⌦, N(!) 2 et
8n 2 , P(N = n) = p n (1 p).
p p
On a alors E[N] = et Var(N) = .
1 p (1 p)2
Distribution de Poisson
X suit une loi de Poisson de paramètre >0
si 8! 2 ⌦, X (!) 2 et
n
8n 2 , P(X = n) = e .
n!
On a alors E[X ] = et Var(X ) = .
27/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
28/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes
Format pédagogique
Le cours est dense : Amphi, Polycopié et TD sont complémentaires
29/30
Séance 1 Cours de Mathématiques - partie Probabilités
Introduction Probabilité sur un espace fini ou dénombrable
Espace de probabilité Variables aléatoires sur un espace discret
Intégration Moments d’une variable aléatoire sur ⌦ discret
Cas ⌦ fini ou dénombrable Exemples de lois discrètes