Probabilités I

Outline
Chapitre 1: lments de Probabilits 1 Introduction
Said, El Melhaoui
2 Exprience Alatoire et Univers dventualits
Facult des Sciences Juridiques, conomiques et Sociales Oujda
http://said-el-melhaoui.e-monsite.com 3 vnements
S., El Melhaoui (FSJESO) lments de Probabilits 03/2016 1 / 17 S., El Melhaoui (FSJESO) lments de Probabilits 03/2016 2 / 17
Introduction Introduction
Introduction Introduction (suite)
lorigine lexistence de lincertain: ignorance totale, partielle ou En conomie, il sagit de ltre humain, dont le comportement est
artificiel (tirage au sort) incertain: rationnel? Partiellement rationnel? Connaissances
"Lducation, cest lhomme qui progresse de la certitude limites
ignorante lincertitude rflchie" Issac Newton (1643-1727) qui avait perdu beaucoup
Don Clarks Scrapbook dargent dans le krach de South Sea Company, dclarait
quil pouvait "prvoir le mouvements des plantes" mais
Exemple: ractions et comportements des ennemis, des pas "la folie des hommes"
adverssaires, de la nature!...
"La guerre et le jeu enseignent ces calculs des
probabilits qui font saisir les chances sans suser les
attendre toutes"
A., France, Le jardin dEpicure
Introduction Introduction
Introduction (suite) Introduction (suite)
Le hasard induit lincertitude qui ncessite la connaissance des linfrence statistique : Dduction de lobservation dun
probabilits: qui sont la mesure du degr de certitude chantillon tir au hasard dune population la nature de cette
(vraisemblance) de la ralisation dun vnement dernire (vrit moindre cot, prvision...)
Thorie des probabilits : branche des mathmatiques Le calcul des probabilits (lois de probabilits) se fait par un
consacre la mesure de lincertitude et du hasard raisonnement invers : Dduction dune population connue des
Un peu dhistoire des Probabilits rsultats sappliquant un chantillon tir de cette population
Naissance: Jeux de hasard : paris, cartes, Problmes des partis... Les probabilits se calculent priori (avant lexprience); elles
Fondateurs: Pascal (1623), Fermat (1601) sont hypothtiques
Avance : la J. Bernoulli (1654-1705), Laplace (1749-1827), . . .
Succs au XX sicle: Justification de linfrence statistique Les frquences descriptives de lchantillon se calculent
posteriori (aprs lexprience); des traces dune vrit cherche
La distance entre les probabilits et les frquences renseigne sur
la vraisemblance des hypothses
Exprience Alatoire et Univers dventualits Exprience Alatoire et Univers dventualits
Exprience Alatoire Exprience Alatoire
Exprience Alatoire: Action qui produit un rsultat parmi plusieurs Exemples :

rsultats ou observations possibles telle que 1 Le lanc dune pice de monnaie (P ou F?)
tous les rsultats possibles sont connus davance 2 Le jet dun d (numros au-dessus?)
Le rsultat exact de lexprience est imprvisible (il ny a pas un
rsultat certain)
N.B. Lexprience alatoire dpend de laction et des rsultats
dintrts (la quesion?)
Exp. Ala : Le jet dune pice de monnaie, avec intrt Pile ou Face?
Exp. pas Ala: Le jet dune pice de monnaie, avec intrt elle tombe 3 Le tirage alatoire dune boule dune caisse (couleur?)
ou pas? 4 les tirs aux buts (combien de tirs il faudra pour dpartager les 2
quipes?)
5 lattente dun bus (dure dattente?)
6 la transaction futur dune action (cours de laction?)
Exprience Alatoire et Univers dventualits vnements
Univers des ventualits vnements
Lensemble des rsultats possibles est dit lUnivers des ventualits

Un vnement A est une partie de : (A )
(Ensemble fondamental), not
Exemple Jet du d ; A: "Avoir un nombre pair", A = {2, 4, 6}
Remarques:
Une ventualit est un vnement lmentaire : un vnement
1 peu varier selon lintrt de lobservateur couleur de la boule ou
compos dun seul rsultat
numro de la boule ou les deux
Exemple Jet du d ; B: "Avoir le numro six", B = {6}
dure dattente du bus ou son numro, ...)
Lvnement particulier est dit lvnement certain
2 peu tre fini ou infini
Lanc du d donne = {1, 2, 3, 4, 5, 6} fini Lvnement particulier est dit lvnement impossible
essayer de marquer donne = N infini discret Lensemble parties de (vnements) est note P()
la dure dattente dun bus donne = [0mn, 30mn] infini continu Exemple Jet du d :
P() = {{1}, {2}, ..., {6}, {1, 2}, ...{1, 6}, {1, 2, 3}, ..., }
Le couple (, P()) est dit espace dchantillonnage
vnements vnements
Oprations sur les vnements: la conjonction Oprations sur les vnements: la disjonction
La conjonction (intersection) des vnements A et B est lvnement La disjonction (union) des vnements A et B est lvnement qui se
qui se ralise quand les deux vnements sont raliss : ralise si au moins lun des deux vnements sest raliss :
A B = A et B = { | A et B} A B = A ou B = { | A ou B}

AB
A B
AB
N. B. A et B sont dits vnements incompatibles ssi ils ne peuvent
se raliser en mme temps: A B = A B
Exemple Jet du d : si A = {2, 4, 6}, D = {1, 2, 5} alors
A B A D = {2, 4, 6, 1, 5}
Exemple Les vnements A = {2, 4, 6} et B = {6} sont compatibles ;

les vnements A = {2, 4, 6} et C = {1, 5} sont incompatibles.
vnements vnements
Oprations sur les vnements: lvnement contraire Oprations sur les vnements: limplication
Lvnement contraire de A est lvnement qui se ralise quand A On dit que lvnement A implique B ssi la ralisation de A implique la
ne se ralise pas: ralisation de B: A B.
= { |
A / A}

B
A
A
A
Exemple Jet du d : si E = {2, 4}, alors E = {1, 3, 5, 6}

Remarques:
Exemple Jet du d : si A = {2, 4, 6}, G = {1, 2, 3, 4, 6} alors A
1 A A = et A A =
implique G
2 A=A
vnements vnements
Oprations sur les vnements: la diffrence Oprations sur les vnements: la partition
La diffrence de A et B est lvnement qui se ralise si A se ralise Une classe dvnements {E1 , . . . , Em } est dite partition de ssi
et B ne se ralise pas: [
m
A B = { | A et
/ B} = A B Ei Ej = i 6= j et Ei =
i=1

A
AB
AB A2 A3
A1 Am
A B
A E1 E2 E3 Em E1 Em

N. B. A, la classe dvnements {A1 = A E1 , . . . , Am = A Em } est
B AB une partition de A:
[
m
Ai Aj = i 6= j et Ai = A
i=1
Exemple si A = {2, 4, 6}, H = {1, 2, 3, 4, } alors H A = {1, 3}
implique G (FSJESO)
S., El Melhaoui lments de Probabilits 03/2016 15 / 17 S., El Melhaoui (FSJESO) lments de Probabilits 03/2016 16 / 17
vnements
Oprations sur les vnements: La partition (suite)
Exemple Jet du d : les vnements E1 = {2, 4, 6}, E2 = {1, 3},

E3 = {5} forment une partition de
Soit lvnement L = {1, 2, 4, 5} les vnements L1 = L E1 = {2, 4},
L2 = L E2 = {1}, L3 = L3 E3 = {5} forment une partition de L
Exemple Toujours un vnement A et son vnement contraire A

forment une partition de lunivers
Ainsi, chaque vnement L peut tre partitionn par L A et L A
S., El Melhaoui (FSJESO) lments de Probabilits 03/2016 17 / 17

vnements Mesure de Probabilit
Outline Mesure de Probabilit sous lhypothse dquiprobabilit
On suppose que est fini, et que tous les ventualits ont la mme
4 Mesure de Probabilit
chance dtre ralis :hypothse dquiprobabilit
5 Rgles de comptage
Dfinition. S,. Laplace(1749)
6 Probabilits conditionnelles
La probabilit dun vnement A est la proportion des ventualits
favorables parmi toutes les ventualits possibles:
card(A) nbr dlments deA

P(A) = =
card() nbr dlments de
Remarque En gnral tous y compris les infinis. Si est un

ensemble avec une mesure bien dfinie (en m, m2 , m3 , Dh) alors
mesure(A)
P(A) =
mesure()
Donc la probabilit est une mesure norme (parmi dautres) dfinie sur
des ensembles
Mesure de Probabilit Mesure de Probabilit
Mesure de Probabilit dans le cas gnral Cas particulier : Probabilit sous lhypothse dquiprobabilit
card(A)
Dfinition axiomatise des probabilits
X
En particulier si A = {w1 , . . . , wm } alors P(A) = P(wi ) Sous
Soit un espace dexprience, une application numrique P dfinie sur i=1
P() est appele mesure de probabilit si elle satisfait les trois lhypothse dquiprobabilit on retrouve
conditions: card(A)
X card(A)
(i) P(A) 0, A P(); P(A) = P(wi ) = card(A) P(w1 ) =

card()
P() = 1;

(ii) i=1
(iii) {Ai }1im classe dvnements incompatibles ona card()
[ X
P( A ) = P(Ai ).
X
En effet P() = P(wi ) = card() P(w1 ) = 1

i

i i i=1
P(w1 ) = 1/card()
Lespace (, P(), P) est dit espace probabilis
Multiplicits des Mesures de Probabilit Proprits dune mesure de probabilit
Remarque: On peut munir un espace dchantillonnage de plusieurs Proprit 1

probabilits: quiprobabilit,....
La mesure de probabilit est monotone est soustractive
existence de multitude de modles de probabilit
Question: Quelle est le modle le plus adquat? celui le plus proche Si B A alors P(B) P(A) et P(A B) = P(A) P(B)
de la ralit?
Exemple Jet dun d Corollaire 1
Modle 1: sous lhypothse quil est non pip (truqu) on a 1 A, P(A) 1 (car A )
P(1) = ... = P(6) = 1/6
Modle 2: Sous lhypothse quil est pip tel que les nombres pairs ont 2 A, P(A) = 1 P(A) (car A = A)
des chances double dapparatre: 3 P() = 0 (car = )
P(2) = P(4) = P(6) = 2P(1) = 2P(3) = 2P(5) Remarque. Si lespace est continu alors P(A) = 0 ; A = en effet
si = [a, b] et c [a, b]:
P(2) = P(4) = P(6) = 2/9 et P(1) = P(3) = P(5) = 1/9 1
=0
P(c) =
"Il faut utiliser les modles, non y croire." Henri Theil +
Le point est de poids ngligeable dans un segment!
Proprits dune mesure de probabilit Proprits dune mesure de probabilit (suite)
Proprit 2 Corollaire 2
1 Si A et B sont incompatibles alors La mesure de probabilit est sous additive
P(A B) = P(A) + P(B) P(A B) P(A) + P(B)
2 Si A et B sont deux vnements alors

P(A B) = P(A) + P(B) P(A B) La mesure mutuelle de lunion des vnements est infrieure la
somme des mesures individuelles de ces vnements
Preuve. A B = A (B A B)
= P(A) + P(B A B) = P(A) + P(B) P(A B) Les deux mesures sont gales lorsque les vnements sont
incompatibles

AB
A B
Rgles de comptage Rgles de comptage
Rgles de comptage: Dfinition Rgles de comptage: tirages successifs avec remise
A. Tirages successifs avec remise (au hasard) de n units dune

Dnombrer=calculer le nombre=compter
population contenant N units: : Aprs chaque tirage on observe
Comptage= dnombrement= ou analyse combinatoire lunit puis on la remet a place
But: dnombrer les rsultats dune exprience alatoire ou les Chaque rsultat est une selection ordonne et avec rptition de n
ventualits dun vnement (les lments dun ensemble) units
Exemples:
Les tirages successifs avec remise de n boules dune caisse
Nombre de rsultats possibles dune course?
contenant N boules
Nombre daffectations possibles des ouvriers aux diffrentes
taches? La slection dun chantillon Simple Avec Remise (ESAR) de
Nombres de prfrences (ordonnancement de marques) possibles taille n dune population de taille N
dun consommateur?...
nombre dchantillons possibles ayant une taille fix n Problme: Nombre des tirages possibles (card())? Nombre
Nombre de possibilit de constitution dun portefeuille dactions dchantillons possibles (ordonns avec rptition)?
avec un montant fix
Rgles de comptage: tirages successifs avec remise (suite) Rgle de comptage: tirages successifs sans remise
Solution Le premier tirage peut se faire de N faons diffrentes B. Tirages successifs sans remise de n units dune population
Pour chaque rsultat du premier tirage, le 2ime tirage se fait son contenant N units (n N): aprs chaque tirage on ne remet pas
tour de N faons diffrentes, donc les deux tirages se font de lunit a place
N N = N 2 faons diffrentes, Chaque rsultat est une slection ordonne et sans rptition de n
Ainsi les n tirages se font donc de N n faons diffrentes units: Arrangement
Rsultat La slection dun chantillon Simple Sans Remise (ESSR) de

taille n dune population de taille N
Le nombre des tirages successifs avec remise de n units parmi N
units est Problme: Nombre de tirages possibles (card())? Nombre
card() = N n dchantillons possibles?
Rgles de comptage: tirages successifs Sans remise (suite) Rgle de comptage: tirages simultans
Solution Le premier tirage peut se faire de N faons diffrentes C. Tirages simultans de n units dune population contenant N
Pour chaque rsultat du premier tirage, le 2ime tirage se fait son units (n N): tirages en mme temps des units
tour de N 1 faons diffrentes, donc les deux tirages se font de Chaque rsultat est une slection non ordonne et sans rptition de
N (N 1) = N!/(N 2)! faons diffrentes, n units: combinaison
Ainsi les n tirages se font donc de
N (N 1) . . . (N n + 1) = N!/(N n)! faons diffrentes
Problme: Nombre de rsultats possibles? Nombre dchantillons
Rsultat
possibles (non ordonns sans rptition)
Le nombre de tirages successifs sans remise de n units parmi N est
le nombre des arrangements:
N!
card() = AnN =
(N n)!
N!
N.B. AN
N = = N!, cest le nombre des permutations
(N N)!
possibles de N units
Rgle de comptage: tirages simultans (suite) Rgle de comptage: Exemple
Solution: Chaque combinaison peut produire n! arrangements des n Exemple. Dans une population constitu de 10 enfants, 6 filles et 4
units parmi N: garons. On slectionne 3 personnes. Quelle est la probabilit davoir
AnN = n! CNn trois filles?
63
Tirages successifs avec remise P(A) = 3 = 9.6%
Rsultat 10
C63
Le nombre des tirages simultans de n units parmi N est le nombre Tirages simultan P(A) = 3 = 16.66%
des combinaisons: C10
A3
AnN N! Tirages successifs sans remise P(A) = 36 = 16.66%
card() = CNn = = A10
n! n!(N n)! N.B. Pour le calcul de la probabilit dun vnements dont lordre nest
pas pris en considration le tirage successifs sans remise est
N. B. CN1 = N, CNN = 1, CNn = CNNn
quivalent au tirage simultan (utiliser les combinaisons)
Probabilits conditionnelles Probabilits conditionnelles
Probabilits conditionnelles: Exemple Probabilits conditionnelles: Exemple
Exemple. Pour un jet dun d soit les vnements Exemple. Pour un jet dun d soit les vnements
A: "obtention dun nombre impair" A: "obtention dun nombre impair"
B "obtention dun nombre infrieur 3 B "obtention dun nombre infrieur 3
Q1 Quelle est la probabilit de ralisation de A? Q1 Quelle est la probabilit de ralisation de A?
R1 A = {1, 3, 5} et = {1, 2, 3, 4, 5, 6} donc P(A) = 3/6 = 50% R1 A = {1, 3, 5} et = {1, 2, 3, 4, 5, 6} donc P(A) = 3/6 = 50%
Q2 Supposant quon sache que B sest ralis. La probabilit de la Q2 Supposant quon sache que B sest ralis. La probabilit de la
ralisation de A dans ce cas est dite la probabilit de A sachant ralisation de A dans ce cas est dite la probabilit de A sachant
B note P(A|B) B note P(A|B)
Quelle est la valeur de cette probabilit? Quelle est la valeur de cette probabilit?
Probabilits conditionnelles Probabilits conditionnelles
Probabilits conditionnelles: Exemple (suite) Probabilits conditionnelles
R2 Information supplmentaire: lvnement B = {1, 2, 3, } sest Dfinition

ralis La probabilit conditionnelle dun vnement A sachant un vnement
# Changement de lunivers des ventualits : B est devenu B, avec P(B) > 0, est dfinie par:
lvnement certain
P(A B)
= B = B = {1, 2, 3, } P(A|B) =
P(B)
# Changement des ventualits favorables la ralisation de A:
Loi de la multiplication des probabilits
A = A B = {1, 3}
Soit A et B deux vnement possibles alors
card(A ) card(A B) 2
P(A|B) = P(A ) = =

=
card( ) card( B) 3 P(A B) = P(B) P(A|B) = P(A) P(B|A)
card(A B)/card() P(A B)
P(A|B) = = N.B. Cette loi nous permet de schmatiser le calcul des probabilits
card(B)/card() P(B)
sous forme dun arbre des probabilits
N. B. P(A) = 1/2 6= P(A|B) = 2/3
Probabilits conditionnelles Indpendance stochastique Probabilits conditionnelles Indpendance stochastique
Indpendance stochastique Indpendance stochastique
Dfinition Proprits
Soit A et B deux vnement possibles. On dit que A est indpendant 1 "A est indpendant de B" "B est indpendant de A"
de B si
P(A|B) = P(A) P(A|B) = P(A) P(B|A) = P(B)
N. B. Linformation supplmentaire apporte par la ralisation de B na On dit que A et B sont indpendants

pas modifi la mesure de probabilit de lvnement A 2 A et B sont indpendants si et seulement si
P(A B) = P(A) P(B)
3 A, B et C sont indpendants ssi
P(A B) = P(A) P(B)

P(A C) = P(A) P(C)
P(B C) = P(B) P(C) et
P(A B C) = P(A) P(B) P(C)
Probabilits conditionnelles Indpendance stochastique Probabilits conditionnelles Calcul Bayesien
Indpendance stochastique: Exemple Probabilits Totales
Exemple. Lanons deux pices de monnaie bien quilibre.

Thorme des Probabilits Totales
Considrons les vnements suivants
F1 : "La pice 1 donne face" Soit {E1 , E2 , . . . , Em } une partition de telle que P(Ei ) > 0, i Alors,
F2 : "La pice 2 donne face" m
FF : "Les deux pices donnent faces"
X
A : P(A) = P(Ei ) P(A|Ei )
Q Les deux vnements F1 et F2 sont-ils indpendants? i=1
R Remarquons que = {(P, P), (P, F ), (F , P), (F , F )} Preuve. (A Ei )i est une partition de A ainsi
F1 = {(F , P), (F , F )} F2 = {(P, F ), (F , F )}
FF = F1 F2 = {(F , F )}
X X
P(A) = P(A Ei ) = P(Ei ) P(A|Ei )
ainsi P(F1 ) = P(F2 ) = 2/4 = 1/2 et P(F1 F2 ) = 1/4 i i
P(F1 F2 ) = 1/22 = P(F1 ) P(F2 )
Les vnements F1 et F2 sont indpendants
Probabilits conditionnelles Calcul Bayesien Probabilits conditionnelles Calcul Bayesien
Probabilits Totales: Exemple Probabilits Totales: Exemple (suite)
Exemple. Une socit ptrolire envisage lopportunit dun forage

Bas, Moyen, lev
sur un nouveau site. Trois cas sont possibles:
Prcision du test
rien :"Pas de ptrole"
peu : "Peu de ptrole" P(lev|rien) = 0.04
bcp : "Beaucoup de ptrole" P(lev|peu) = 0.02
Probabilit a priori (expriences passes): P(lev|bcp) = 0.96
P(rien) = 0.7 P(peu) = 0.2 P(bcp) = 0.1 Question 1. Quelle est la probabilit davoir un potentiel lev?
Question 2. Si le rsultat du test est que le potentiel est lev, quelle
Pour plus dinformation sur le site on fait un test sismique: la probabilit de ne rien trouver (le risque dune mauvaise dcision)?
3 rsultats sont possibles, le potentiel du terrain est :
Probabilits conditionnelles Calcul Bayesien Probabilits conditionnelles Calcul Bayesien
Probabilits Totales: Exemple (suite) Thorme de Bayes

Rponse 1
P(lev) = P(lev|rien)P(rien)+P(lev|peu)P(peu)+P(lev|bcp)P(bcp) Thorme de Bayes
Soit une partition de : {E1 , E2 , . . . , Em } telle que P(Ei ) > 0, i Alors,
= 0.04 0.7 + 0.02 0.2 + 0.96.0.1 = 12.8%
P(Ei ) P(A|Ei )
A : P(Ei |A) = m
X
P(Ei ) P(A|Ei )
i=1
Rponse la question 2.
P(rien) P(lev|rien) 0.7 0.04

P(rien|lev) = = = 21.875%
P(lev) 0.128
Figure: Arbre des probabilits

Outline
Chapitre 2: Variables Alatoires 1 Dfinition
Said, El Melhaoui 2 Variables alatoires discrtes

Lois de probabilit discrtes
Facult des Sciences Juridiques, conomiques et Sociales Oujda Fonction de rpartition
Esprance mathmatique
http://said-el-melhaoui.e-monsite.com Variance
Quelques lois discrtes usuelles
S., El Melhaoui (FSJESO) Variables Alatoires 04/2016 1 / 33 S., El Melhaoui (FSJESO) Variables Alatoires 04/2016 2 / 33
Dfinition Dfinition
Exemple A. Exemple A. (suite)
Un couple prvoit davoir 3 enfants, et sintresse au nombre de filles

Il faut revenir lespace probabilis de dpart : Lunivers des
quil pourrait avoir. Posons
ventualits est
X = Nombre de filles
= {(GGG), (GGF ), (GFG), (GFF ), (FGG), (FGF ), (FFG), (FFF )}
Sous lhypothse de lindpendance des naissances :

Supposant que la probabilit davoir un garon est 0.52:
P(G) = 0, 52 et P(F ) = 0, 48 P(GGG) = 0, 523 = 0, 14 et P(GGF ) = 0, 522 0, 48 = 0, 13
X peut prendre les valeurs 0, 1, 2, 3
Le tableau des probabilits est donc
Quelles sont les probabilits de ces valeurs ?
(GGG) (GGF) (GFG) (GFF)
P() 0,14 0,13 0,13 0,12
(FGG) (FGF) (FFG) (FFF)
P() 0,13 0,12 0,12 0,11
Dfinition Dfinition
Exemple A. (suite) Exemple A. (suite)
Utilisons le tableau prcdent pour calculer les probabilits des

valeurs possible de X
Lvnement (X = 0) : avoir 0 filles = (G, G, G)
P(X = 0) = 0.523 = 0,14
Lvnement
(X = 1) : avoir exactement 1 fille = {(GGF ), (GFG), (FGG)}
P(X = 1) = P((GGF )) + P((GFG)) + P((FGG)) = 3 0, 13 =
0,39
P(X = 2) = 3 0, 12 = 0,36
P(X = 3) = 0,11
En rsum
x 0 1 2 3
px 0,14 0,39 0,36 0,11
Dfinition Dfinition
Dfinition dune variable alatoire Dfinition dune variable alatoire (suite)
Remarque 2. Lvnement (X = x) est lensemble des ventualits

Dfinition
dont limage par la v.a. X est la valeur rel x
Une variable alatoire (v.a.) numrique X est une application dun
univers vers R: (X = x) = { |X() = x}
X : 7 R. On distingue 2 types de v.a.:

7 X() variable alatoire discrte lorsque X est fini ou dnombrable
variable alatoire continue lorsque X peut prendre nimporte
quelle valeur dun certain intervalle (X contient un intervalle)
Limage X() = X est lensemble des valeurs possible de X, il est Exemple X = la dure de vie dune certaine socit : X peut
muni de la probabilit induite par X note P prendre nimporte quelle nombre dans ]0, +[
Remarque 1. X est une description numrique de , il nous permet
de basculer vers un nouvel espace probabilis numrique plus petit
(moins gnral plus prcis)
Variables alatoires discrtes Lois de probabilit discrtes Variables alatoires discrtes Fonction de rpartition
Lois de probabilits discrtes Fonction de rpartition
Dfintion Dfinition
Lensemble des couples (x, px ) o x X et px = P(X = x) forme la La fonction de rpartition F (t), associe X est la fonction qui
loi (distribution) de probabilit de X chaque t R associe
F (t) = P(X t)
Exemple A. La loi de X est donne par le tableau
Exemple A. Les valeurs de F pour les valeurs x sont les cumules, F
x 0 1 2 3 est une fct en escalier
px 0,14 0,39 0,36 0,11 x 0 1 2 3
px 0,14 0,39 0,36 0,11
F (x) 0,14 0,53 0,89 1
F (t) = 0, t < 0;

F (t) = 0, 14, 0 t < 1;

F (t) = 0, 53, 1 t < 2;
F (t) = 0, 89, 2 t < 3

F (t) = 1, t 3.

Variables alatoires discrtes Fonction de rpartition Variables alatoires discrtes Esprance mathmatique
fonction de rpartition (suite) Esprance mathmatique
Dfinition
Figure: Graphe de la fonction de rpartition F
Lesprance mathmatique de la v.a. X, note E(X), est la moyenne
des valeurs possibles de X pondres par leurs probabilits respectifs.
X
E(X) = x px
x
Remarques
1 E(X) est dite aussi la moyenne de X et est alors note
2 Gnralement, pour r N le moment dordre r de X est
X
r = E(Xr ) = x r px
x
Variables alatoires discrtes Variance Variables alatoires discrtes Variance
Variance Variance (suite)
Dfinition 4 r N, le moment centr dordre r de X est

La variance de la v.a. X, note V (X), est la mesure de la dispersion X
de X autour de sa moyenne r = E[(X )r ] = (x )r px
x
V (X) = E[(X )2 ] = (x )2 px
X
En particulier la variance nest que le moment centr dordre 2
x
V (X) = 2
Remarques
1 Pour calculer la variance on utilise souvent la formule de Koenig Exemple A.
Lesprance de X est
V (X) = E(X2 ) [E(X)]2
= E(X ) = 0 0, 14 + 1 0, 39 + 2 0, 36 + 3 0, 11 = 1, 44
V (X) est dite lcart-type de X La variance de X est 2 = V (X ) =
p
2 (X) =
3 La variance et lcart-type sont toujours positives 02 0, 14 + 12 0, 39 + 22 0, 36 + 32 0, 11 1, 442 0, 75

Lcart-type de X est = V (X ) = 0, 75 0, 87
p
Variables alatoires discrtes Quelques lois discrtes usuelles Variables alatoires discrtes Quelques lois discrtes usuelles
Quelques lois discrtes usuelles Loi de Bernoulli B(p): caractrisation
Exprience de Bernoulli : Exprience dont lissue est un succs

S ou un chec E
Lobjet est de prsenter les principales lois permettant de modliser Variable de Bernoulli : v.a. X dfinie par X(S) = 1 et X(E) = 0
(capturer) des classes de variables alatoires discrtes trs utilises
Les probabilits respectifs de E et S sont
dans la pratique
P(X = 1) = P(S) = p et P(X = 0) = P(E) = q = 1 p
ou p est un rel ]0, 1[
Loi de Bernoulli: Exemples Loi de Bernoulli: Dfinition
Exemples:
1 Lance dune piece de monnaie :
avoir pile=S = (X = 1) Dfinition
avoir face=E = (X = 0)
Une v.a. suit la loi de Bernoulli de paramtre p ]0, 1[, si et seulement
si son support est X = {0, 1} et
P(X = 1) = 1/2 et P(X = 0) = 1/2
X suit la loi de Bernoulli de paramtre 1/2 P(X = 1) = p et P(X = 0) = q = 1 p
2 Une question dichotomique dont la rponse est oui ou non
On note X B(p)
oui=S = (X = 1)
non=E = (X = 0)
avec par exemple P(S) = 0, 57
X suit la loi de Bernoulli de paramtre 0, 57
Loi de Bernoulli: Esprance et variance Loi binomiale B(n, p): caractrisation
Esprance de X est E[X] = p

Exprience binomiale : Rptition n fois ; et dans les
En effet, E[X] = p 1 + q 0 = p mmes conditions ; de la mme exprience de Bernoulli de
Variance de X est V (X) = p (1 p) paramtre p
En effet, Variable binomiale : v.a. X gale au nombre de succs lissue
de lexprience binomiale
V (X) = E[X2 ] (E[X])2
Le support de X est X = {0, 1, . . . , n} et
= p 12 + q 02 p2
= p (1 p) k X , P(X = k ) = Cnk pk (1 p)nk
Exemple 1. Lanc dune pice de monnaie equilibre: N. B. Notons X1 , X2 , . . . , Xn les n variables de Bernoulli associes aux
expriences de Bernoulli. X est le nombre des succs (la somme des
E(X ) = p = 0.5 uns)
X = X1 + X2 . . . + Xn
V (X ) = p (1 p) = 0.5 0.5 = 0.25
Loi de binomiale: Exemples Loi binomiale: Dfinition
Dfinition
Exemples: Une v.a. suit la loi binomiale de paramtres n N et p ]0, 1[, si et
seulement si son support est X = {0, 1, . . . , n} et
1 Lance dune piece de monnaie 10 fois :
X = nombre de piles obtenues k X , P(X = k ) = Cnk pk (1 p)nk
X suit la loi binomiale de paramtre n = 10 et p = 1/2
2 Une machine produit en srie des pices de mme type dont 5% On note X B(n, p)
sont dfectueuses. On prend un lot de 30 pices
X = nombre des pices dfectueuses dans le lot N. B. La formule du binme de Newton assure que
X suit la loi binomiale de paramtres n = 30 et p = 0.05 n n
X X
P(X = k ) = Cnk pk (1 p)nk = (p + 1 p)n = 1
k =0 k =0
Loi binomiale: Esprance et variance Loi binimiale: Graphes
Esprance de X est E[X] = np

En effet
Xn
E[X] = E[ Xi ] = n E[X1 ] = np
i
Variance de X est V (X) = np(1 p)

En effet vu lindpendance des Xi on a
X
V [X] = V [ Xi ] = n V [X1 ] = np(1 p)
i
Loi gomtrique G(p): caractrisation Loi gomtrique : Exemples
Exemple:
Exprience : Rptons autant de fois ; dans les 1 Lance dune piece de monnaie autant de fois jusqua lobtention
mmes conditions ; une exprience de Bernoulli de paramtre p du pile :
jusqua lobtention du premier succs X = nombre de lancers prcdant le premier pile
Variable gomtrique : v.a. X gale au nombre dchecs X suit la loi gomtrique de paramtre p = 0.5
prcdant le 1er succs. 2 Dans le marketing tlphonique la probabilit de russir obtenir
Le support de X est X = {0, 1, . . . , n, . . .} = N et un rendez vous face face est 0.25
X = nombre des appels effectus avant le premier appel
k X , P(X = k ) = p q k concrtis par un rendez vous
X suit la loi gomtrique de paramtre p = 0.25
Loi gomtrique : Dfinition Loi gomtrique : Esprance et variance
Dfinition
Une v.a. suit la loi gomtrique de paramtres p ]0, 1[, si et
seulement si son support est X = N et
Esprance de X est E[X] = q/p
k
k X , P(X = k ) = p q
Variance de X est V (X) = q/p2
On note X G(p)
N.B. Y = X + 1 est dit aussi gomtrique avec
Remarques.
E[X] = q/p + 1 = 1/p
1 La formule de la somme dune suite gomtrique assure que
+ + V (X) = q/p2
X X 1 qn
P(X = k ) = p q k = p lim = p/(1 q) = 1
n7 1q
k =0 k =0
2 La variable Y = X + 1: le nombre dessais fait pour avoir le

succs est aussi dit suivre une loi gomtrique.
Loi de Poisson P(): caractrisation Loi de Poisson : Exemple
La loi de Poisson dcrit le comportement de la v.a. X= nombre Exemple: Une agence de location de vhicules estime que la
dvnements se produisant dans un laps de temps fix demande journalire X suit une loi de poisson de moyenne
conditions que E(X) = = 4, 5:
1. ces vnements se produisent avec une moyenne fini fix
4, 5k
>0 k N P(X = k ) = e4,5
k!
2. loccurrence dun vnement est indpendant du temps coul
depuis lvnement prcdent Ainsi
4, 50
Le support de X est X = N et P(X = 0) = e4,5 = 1, 1%
0!
k 4, 51
k X , P(X = k ) = e P(X = 1) = e4,5 = 5%...
k! 1!
Loi de poisson : Dfinition Loi de Poisson: Esprance et variance
Dfinition
Une v.a. suit la loi Poisson de paramtres ]0, +[, si et seulement
si son support est X = N et Esprance de X est E[X] =
k Variance de X est V (X) =

k X , P(X = k ) = e
k!
On note X P()
Variables alatoires discrtes Quelques lois discrtes usuelles
Loi de Poisson: Graphes
S., El Melhaoui (FSJESO) Variables Alatoires 04/2016 33 / 33

Outline
1 Vecteurs alatoires (Couple de variables)

La loi jointe dun couple de v.a.
Chapitre 3: Thormes fondamentaux
Distributions marginales et distributions conditionnelles
Variables alatoires indpendantes
Said, El Melhaoui
2 Thormes dadditions
Facult des Sciences Juridiques, conomiques et Sociales Oujda Proprits des oprateurs esprance et variance
Distribution daddition des v.a. indpendantes
http://said-el-melhaoui.e-monsite.com
3 Thormes asymptotiques
Loi des grands nombres
Thormes dapproximation en loi
Vecteurs alatoires (Couple de variables) La loi jointe dun couple de v.a. Vecteurs alatoires (Couple de variables) La loi jointe dun couple de v.a.
Problme Loi jointe
On considre deux variables alatoires X et Y . On aimerait Dfinition

connatre sil y a influence entre ces deux variables et la quantifier Soient X et Y deux v.a. La loi jointe de (X , Y ) est dfinie par sa
Exemple : On peut se poser la question de linfluence des fonction de rpartition
catastrophes mtorologiques (temptes, ouragans, tsunamis, ...)
sur le cours de la bourse. La variable X modlisera alors les F(X ,Y ) : R R 7 [0, 1]
catastrophes mtorologiques et la variable Y le cours de la (x, y ) 7 P(X x, Y y )
bourse
Les lois marginales du couple (X , Y ) sont la loi L(X ) de X , et la loi
L(Y ) de Y
N. B. partir des lois marginales, on ne peut pas connatre la loi du

couple.
Vecteurs alatoires (Couple de variables) La loi jointe dun couple de v.a. Vecteurs alatoires (Couple de variables) La loi jointe dun couple de v.a.
Cas de variables discrtes Cas de variables discrtes: Exemple A
Soient X et Y deux v.a.discrtes, de supports respectives X et Exemple A. On lance une pice truque 3 fois. Soit X le nombre
Y La loi du couple (X , Y ) est dfinie par lensemble des de Face obtenu dans les deux premiers jets et Y le nombre de
probabilits : Face obtenu dans les deux derniers jets. Donnons la loi jointe de
(X , Y ) et les lois marginales et conditionnelles ...
P(X = x, Y = y ) avec x X , y Y
Le tableau de contingence est
Dans le cas o les variables prennent un petit nombre de valeurs, X /Y 0 1 2 Px
on crit en gnral la loi du couple sous la forme dun tableau de 0 1/8 1/8 0 2/8
contingence (tableau double entre) 1 1/8 2/8 1/8 4/8
2 0 1/8 1/8 2/8
Py 2/8 4/8 2/8 1
Vecteurs alatoires (Couple de variables) Distributions marginales et distributions conditionnelles Vecteurs alatoires (Couple de variables) Distributions marginales et distributions conditionnelles
Cas de variables discrtes: Distributions marginales Cas de variables discrtes: Distributions conditionnelles
Distribution marginale de X : Distribution conditionnelle de Y sachant que X = x :
P(X = x, Y = y )
X
P(X = x) = P(X = x, Y = y ). P(Y = y |X = x) =
y P(X = x)
Lesprance marginale de X est pourvu que P(X = x) 6= 0

X LEsprance conditionnelle de Y sachant que X = x :
X = E[X ] = xP(X = x) X
x E[Y |X = x] = yP(Y = y |X = x)
y
La variance marginale de X est
X La variance de Y sachant que X = x :
X2 = V [X ] = x 2 P(X = x) 2X .
X
x
V [Y |X = x] = y 2 P(Y = y |X = x) (E[Y |X = x])2
y
Vecteurs alatoires (Couple de variables) Distributions marginales et distributions conditionnelles Vecteurs alatoires (Couple de variables) Distributions marginales et distributions conditionnelles
Variable alatoire bivarie continue Variable bivarie continue: Distributions marginales
Dfinition Distribution marginale de X :

La loi du couple de v.a. (X , Y ) admet une densit de probabilit sil Z +
existe une fonction bivarie f telle que fX (x) = f (x, y )dy
Z x Z y
F(X ,Y ) (x, y ) = f (u, v )dudv Lesprance marginale de X est

Z +
telle que X = E[X ] = xfX (x)dx

1 f (x, y ) 0, (x, y ) R2
R + R +
f (u, v )dudv = 1 La variance marginale de X est
2
Z +
X2 = V [X ] = x 2 fX (x)dx 2X

Vecteurs alatoires (Couple de variables) Distributions marginales et distributions conditionnelles Vecteurs alatoires (Couple de variables) Variables alatoires indpendantes
Variables bivarie continue: Distributions conditionnelles Couple de variables alatoires indpendantes
Densit conditionnelle de Y sachant que X = x : Dfinition

X et Y sont dites indpendantes ssi
f (x, y )
fY |X =x (y ) = ;
fX (x) x et y , P(X x et Y y ) = P(X x) P(Y y )
pourvu que fX (x) 6= 0
Esprance conditionnelle de Y sachant que X = x :
Z +
E[Y |X = x] = yfY |X =x (y )dy

Vecteurs alatoires (Couple de variables) Variables alatoires indpendantes Vecteurs alatoires (Couple de variables) Variables alatoires indpendantes
Couple de variables alatoires indpendantes Covariance
Proposition La covariance permet destimer la dpendance entre deux variables

alatoires
Deux v.a. X et Y sont indpendantes
La fonction de rpartition du couple vrifie Dfinition
La covariance entre X et Y est
F(X ,Y ) (x, y ) = FX (x) FY (y )
Cov (X , Y ) = XY = E[XY ] E[X ]E[Y ]
Dans le cas discret (x, y )
La matrice de variance-covariance du couple (X , Y ) est
P(X = x, Y = y ) = P(X = x) P(Y = y )
V (X ) Cov (X , Y )
Dans le cas continu, la densit du couple vrifie (x, y ) (X , Y ) =
Cov (X , Y ) V (Y )
f (x, y ) = fX (x) fY (y )
Vecteurs alatoires (Couple de variables) Variables alatoires indpendantes Vecteurs alatoires (Couple de variables) Variables alatoires indpendantes
Corrlation Exemple A (suite)
Dfinition La loi marginale de X est :

Le coefficient de corrlation entre X et Y est : x 0 1 2
P(X = x) 2/8 4/8 2/8
Cov (X , Y )
(X , Y ) = Lesprance et la variance marginaux de X sont
X Y
E(X ) = 0 2/8 + 1 4/8 + 2 2/8 = 1
Proprits
1 XY 1 V (X ) = 02 2/8 + 12 4/8 + 22 2/8 12 = 1/2
Si X et Y sont indpendantes, alors N. B.
Cov (X , Y ) = 0 et XY = 0 X B(2; 0.5) X = 2 0.5 = 1 et X2 = 2 0.5 0.5 = 1/2
Attention: Linverse de limplication ci-dessus nest pas vraie sauf Vu la symtrie le Y suit la mme loi que X
si les variables alatoires sont, en plus, normales
Vecteurs alatoires (Couple de variables) Variables alatoires indpendantes Thormes dadditions Proprits des oprateurs esprance et variance
Exemple A (suite) Proprits des oprateurs esprance et variance
La loi conditionnelle de Y |X = 2 est Thorme

P(Y = y |X = 2) = P(Y = y et X = 2)/P(X = 2) : Soit X et Y deux v.a. et a et b deux nombres rels, alors
y 0 1 2 1 E[aX + bY ] = aE[X ] + bE[Y ]
P(Y = y |X = 2) 0 1/2 1/2 2 Var (aX bY ) = a2 Var (X ) + b2 Var (Y ) 2ab Cov (X , Y )
Ainsi lesprance et variance conditionnelles de Y sont 3 Si en plus, X et Y sont indpendantes, alors,
E(Y |X = 2) = 0 0 + 1 1/2 + 2 1/2 = 3/2 Var (X + Y ) = Var (X ) + Var (Y )
V (X |Y = 2) = 02 0 + 12 1/2 + 22 1/2 (3/2)2 = 1/4 et
Cov (X , Y ) = 10/8 1 1 = 1/4 6= 0, ainsi X et Y ne sont pas Var (X Y ) = Var (X ) + Var (Y )
indpendantes 4 Cov (aX + b, Y ) = aCov (X , Y ), en particulier Cov (b, Y ) = 0
Thormes dadditions Distribution daddition des v.a. indpendantes Thormes dadditions Distribution daddition des v.a. indpendantes
Distribution daddition des v.a. indpendantes Exemple B.
Une boulangerie possde deux points de vente, assez loignes, A et

Thormes daddition
B. Soient XA et XB les nombres de pains vendus par jour par A et B
Soit X et Y deux v.a. indpendantes respectivement. Supposant que :
1 Si X B(nX , p) et Y B(nY , p) alors X + Y B(nX + nY , p)
2 Si X P(X ) et Y P(Y ) alors X + Y P(X + Y ) XA N (150, 252 ) et XB N (250, 502 )
3 Si X N (X , X2 ) et Y N (Y , Y2 ) alors
1 Quelle est distribution du total des ventes?
aX + bY N (aX + bY , a2 X2 + b2 Y2 )
2 Si la boulangerie fabrique 450 galettes de pains, quelle est la
4 Si X 2nX et Y 2nY alors X + Y 2nX +nY probabilit que cela puisse tre suffisant?
Thormes dadditions Distribution daddition des v.a. indpendantes Thormes asymptotiques Loi des grands nombres
Exemple B. (suite) Ingalit de Markov
1 Soit X le total des ventes de la boulangerie Thorme: Ingalit de Markov

X = XA + XB . Soit X une variable alatoire relle suppose presque srement
positive (P(X 0) = 1). Alors
Les deux variables alatoires X et Y sont indpendantes ; en
effet, vu lloignement des deux points de ventes E[X ]
> 0, P(X > ) 6
X N (150 + 250, 252 + 502 ) X N (400, 3125)
2 La probabilit que la production satisfait la demande est Preuve: On suppose que X admet une densit de probabilit f , alors
on a lingalit
X 400 450 400

P(X 450) = P Z +
3125 3125 E(X ) = xf (x)dx

50 0
= P Z Z +
55.9 f (x)dx
= FZ (0.894)
81%. = P(X ).
Thormes asymptotiques Loi des grands nombres Thormes asymptotiques Loi des grands nombres
Ingalit de Bienaym-Tchebychev Implications
Corollaire: Ingalit de Bienaym-Tchebychev (IBT) Pour k = 1 on a P(|X | > 1) 1 : aucun intrt

Si X est une variable alatoire de moyenne et de variance finie Pour k = 2 on a P(|X | > 2) 1/22 = 0.25 :
2 < alors Moins de 25% des valeurs dune v.a. sont loins de sa moyenne
1 plus de 2 carts-type
k > 0 P(|X | > k ) 2
k
Pour k = 3 on a P(|X | > 2) 1/9 :
Preuve: Il suffit dappliquer lingalit de Markov la v.a. |X | et Moins de 11.11% des valeurs dune v.a. sont loins de sa moyenne
prendre = k . plus de 3 carts-type
N. B. LIBT permet de majorer dune faon large la probabilit de
lloignement dune v.a. quelconque de sa moyenne par un rayon
donn
Thormes asymptotiques Loi des grands nombres Thormes asymptotiques Loi des grands nombres
Loi des grands nombres Loi des grands nombres
Preuve: Remarquons que

Thorme : Loi des grands nombres
X
Soient X1 , . . . , Xn une suite de variables alatoires indpendantes E(X ) = E(Xi )/n = n/n =
identiquement distribues (i.i.d.), desprance et de variance finie. i
Dsignons par X la moyenne empirique de lchantillon : et
X n 2 2
1
n V (X ) = X2 = V (Xi )/n2 = = .
X =
X
Xi n2 n
i
n
i=1 Soit > 0, posons k = /X2 , lingalit IBT donne
Alors X tend en probabilit vers lorsque n +: 2 (X ) 2 n
P(|X | > ) 0.
> 0, lim P(|X | > ) = 0. 2 n2
n+
N. B. Le fait que la moyenne empirique de lchantillon X converge en
probabilit vers (la moyenne de X pratiquement inconnu) le favorise
pour tre un estimateur qui se rapproche assez bien du paramtre
pour une taille de lchantillon assez suffisante
Thormes asymptotiques Thormes dapproximation en loi Thormes asymptotiques Thormes dapproximation en loi
Approximation normale de la binomiale Approximation de la binomiale par la loi de poisson
Thorme: Moivre-Laplace Thorme

Soit X une v.a qui suit la loi B(n, p) alors, lorsque n 7 + Soit X une v.a qui suit la loi B(n, p) alors, lorsque n 7 +
X np X np
p N (0, 1) p P()
np(1 p) np(1 p)
N. B. : suit approximativement la loi o = np
N. B. Lapplication en pratique (en dimension finie) est valable lorsque N. B. La conditions dapplication en pratique est :
lune des deux conditions suivantes est vrifie :
n 20 et np 0.10
1 n 20, np 10 et nq 10
2 npq 10
Approximation normale de la poissonnienne Rsum des approximations
BC (n, p) et PC () dsignent respectivement les lois binomiale et de

Thorme
Poisson centres rduites
Soit X une v.a qui suit la loi P() alors, quand 7 +
X
p N (0, 1)
)
N. B. La condition dapplication en pratique est 15
Gnralisation : Thorme Central Limite Gnralisation : Thorme Central Limite (suite)
Thorme Central Limite (TCL) Remarque

Soient X1 , . . . , Xn une suite de variables alatoires indpendantes Le TCL est gnralement formul pour une moyenne X , mais on peut
identiquement distribues (i.i.d.), desprance et de variance n
X
2 < . On a lutiliser sous une autre forme. Soit XT = Xi la somme de n
X i=1
N (0, 1). variables alatoires, il suffit de factoriser par 1/n pour verifier que
/ n
XT n
N. B. La condition dapplication du TCL en pratique est n 30 N (0, 1).
n

Probabilités I

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Probabilités I

Încărcat de

Drepturi de autor:

Formate disponibile

Outline

Chapitre 1: lments de Probabilits 1 Introduction

Introduction Introduction (suite)

Introduction (suite) Introduction (suite)

Exprience Alatoire Exprience Alatoire

Exprience Alatoire: Action qui produit un rsultat parmi plusieurs Exemples :

Univers des ventualits vnements

Lensemble des rsultats possibles est dit lUnivers des ventualits

Le couple (, P()) est dit espace dchantillonnage

Exemple Les vnements A = {2, 4, 6} et B = {6} sont compatibles ;

Exemple Jet du d : si E = {2, 4}, alors E = {1, 3, 5, 6}

Oprations sur les vnements: La partition (suite)

Exemple Jet du d : les vnements E1 = {2, 4, 6}, E2 = {1, 3},

Exemple Toujours un vnement A et son vnement contraire A

S., El Melhaoui (FSJESO) lments de Probabilits 03/2016 17 / 17

Outline Mesure de Probabilit sous lhypothse dquiprobabilit

card(A) nbr dlments deA

Remarque En gnral tous y compris les infinis. Si est un

Multiplicits des Mesures de Probabilit Proprits dune mesure de probabilit

Remarque: On peut munir un espace dchantillonnage de plusieurs Proprit 1

Proprits dune mesure de probabilit Proprits dune mesure de probabilit (suite)

P(A B) = P(A) + P(B) P(A B) P(A) + P(B)

2 Si A et B sont deux vnements alors

Rgles de comptage: Dfinition Rgles de comptage: tirages successifs avec remise

A. Tirages successifs avec remise (au hasard) de n units dune

Rsultat La slection dun chantillon Simple Sans Remise (ESSR) de

Rgle de comptage: tirages simultans (suite) Rgle de comptage: Exemple

Probabilits conditionnelles: Exemple Probabilits conditionnelles: Exemple

Probabilits conditionnelles: Exemple (suite) Probabilits conditionnelles

R2 Information supplmentaire: lvnement B = {1, 2, 3, } sest Dfinition

Indpendance stochastique Indpendance stochastique

N. B. Linformation supplmentaire apporte par la ralisation de B na On dit que A et B sont indpendants

P(A B) = P(A) P(B)

Indpendance stochastique: Exemple Probabilits Totales

Exemple. Lanons deux pices de monnaie bien quilibre.

P(F1 F2 ) = 1/22 = P(F1 ) P(F2 )

Les vnements F1 et F2 sont indpendants

Probabilits Totales: Exemple Probabilits Totales: Exemple (suite)

Exemple. Une socit ptrolire envisage lopportunit dun forage

Probabilits Totales: Exemple (suite) Thorme de Bayes

P(rien) P(lev|rien) 0.7 0.04

Figure: Arbre des probabilits

Chapitre 2: Variables Alatoires 1 Dfinition

Said, El Melhaoui 2 Variables alatoires discrtes

Exemple A. Exemple A. (suite)

Un couple prvoit davoir 3 enfants, et sintresse au nombre de filles

Sous lhypothse de lindpendance des naissances :

Exemple A. (suite) Exemple A. (suite)

Utilisons le tableau prcdent pour calculer les probabilits des

Dfinition dune variable alatoire Dfinition dune variable alatoire (suite)

Remarque 2. Lvnement (X = x) est lensemble des ventualits

X : 7 R. On distingue 2 types de v.a.:

Lois de probabilits discrtes Fonction de rpartition

fonction de rpartition (suite) Esprance mathmatique

Variance Variance (suite)

Dfinition 4 r N, le moment centr dordre r de X est

Quelques lois discrtes usuelles Loi de Bernoulli B(p): caractrisation

Exprience de Bernoulli : Exprience dont lissue est un succs

ou p est un rel ]0, 1[

Loi de Bernoulli: Exemples Loi de Bernoulli: Dfinition

Loi de Bernoulli: Esprance et variance Loi binomiale B(n, p): caractrisation

Esprance de X est E[X] = p

Loi de binomiale: Exemples Loi binomiale: Dfinition

Loi binomiale: Esprance et variance Loi binimiale: Graphes