Professional Documents
Culture Documents
A- Notions de base
B- Variables alatoires
C- Lois classiques
D-Convergence de v.a.
A- Notions de base
Thorie des probabilits
Dcrit le comportement de phnomnes dont le rsultat est soumis au
hasard
permet de modliser la frquence de ralisation d vnements
alatoires.
Rsultat lmentaire de E =
rsultat possible de E. Cest un
lment de . On le note
Ex1 :
A se ralise A
CP : A= se ralise toujours. On
lappelle vnement certain.
A= ne se ralise jamais. On
lappelle vnement impossible.
A={w} sappelle vnement
lmentaire.
Ex0 : Si = { a, b, c } , P ( ) a 8
lments.
l'ensemble vide :
les parties un lt. : { a },{b}, {c}
les parties deux lts. : {b,c},{a,c},{a,b}
les parties trois lments : {a,b, c}=
Ex1 : A= le lancer est pair ={2,4,6}.
A = { , A}
A B = { , A ou B}
( A B se ralise ssi A se ralise ou B se ralise : A ou B).
A B = { , A et B}
( A B se ralise ssi A et B se ralisent : A et B).
B
A
A B ( A B )
A
B
A et B disjoints (A B = )
(A et B disjoints : A et B sont incompatibles).
A
B
A2
A1
A4
A3
Ap =
p =1
Ex :
( A, A)
0 P ( A) 1, A A
P ( ) = 1
P( Ai ) = P( Ai ),
iN
iN
B A , P ( B ) = P ( B Ai )
i =1
A1 A2 A3 A4
P( A) = pi
iA
P( A) =
| A|
||
P ( A B ) = P ( A) P ( B )
P ( A / B ) = P ( A)
I P (2,..n), P ( Ai ) = P ( Ai )
I
P( A / B) =
P( B / A) P( A)
P( B)
P ( B ) = P ( B / Ai ) P ( Ai )
i =1
P ( Ai / B ) =
P ( B / Ai ) P ( Ai )
n
P( B / A ) P( A )
i =1
Dfinition : On suppose une exprience dont lunivers est muni dune tribu A
dvnements et dune probabilit P ( (,A,P) espace probabilis) . Une variable
alatoire relle X est une caractre quantitatif, discret ou continu, dont la valeur
est fonction du rsultat de lexprience :
X : E
X ( ) = x
(E est lensemble des valeurs possibles de X)
qui est mesurable, cest dire telle que limage rciproque X 1 ( B ) = { , X ( ) B}
de tout lment B de la tribu B associe E est un vnement de A.
Rq : Notation :
1
1
B B , X ( B ) A
X ( B) = { X B}
B B , PX ( B) = P( X 1 ( B)) = P( X B)
Loi : x E , P ( X = x ) = 0
Par contre P ( X [ x, x + dx[) 0
La loi de X est dfinie via la fonction
f de R dans R, appel densit de
probabilit : f ( x ) dx = P ( X [ x, x + dx[)
p X ( x) = P( X = x), x E
Proprits :
0 p X ( x) 1
p X ( x) = 1
xE
B B , p X ( B ) = p X ( x )
xB
Proprits : 0 f ( x )
f ( x ) dx = 1
B R , p X ( B ) = f ( x ) dx
B
F : R [0,1]
x P( X x)
F ( x) = 0
F ( x) =
p X ( y)
y x, yE
P ( a X < b ) = F (b ) F ( a )
P( X > x) = 1 F ( x)
Variable continue
F est une fonction continue
F '( x ) = f ( x )
x
F ( x ) = f (t ) dt = Aire sous la courbe de la densit avant x
b
P ( a X < b ) = P ( a X b ) = F (b ) F ( a ) = a f ( x ) dx
+
P ( X > x ) = P ( X x ) = 1 F ( x ) = x f (t ) dt
X U [0, l ]
1/l
l
1.0
fd r d e X
0.6
0.8
0.0
0.2
0.4
f(x)
-1
1
x
E ( X ) = xp X ( x)
E ( X ) = xf ( x)dx
R
xE
E (Y ) = g ( x) p X ( x)
xE
Proprits :
E (Y ) = g ( x) f ( x) dx
R
V ( X ) = X2 = E ( ( X E ( X )) )
Variance de X
Ecart-type de X
X = V (X )
Proprits :
Thorme de Koenig :
Autres
V ( X ) = E ( X ) ( E ( X ))
V ( X + a) = V ( X )
V ( aX + b) = a V ( X )
V ( X ) = 0 X = cste p.s.
V (X ) 0
X 0
k = E ( ( X E ( X )) k )
1 = 0, 2 = Var ( X )
Pour une loi symtrique : 2 k +1 = 0 k 0
Moment non centr dordre k :
mk = E ( X k )
m1 = E ( X )
1 = 33
2 =
4
4
k > 0, P (| X |> k )
E (| X |)
k
k > 0, P (| X E ( X ) |> k )
E (| XY |) E (| X | p )1/ p E (| Y |q )1/ q
CP : Ingalit de Cauchy-Schwarz
E (| XY |) E ( X ) E (Y ) , E (| X |) E ( X )
V (X )
k
( P({ X = x} {Y = y}) )
xE , yF
Cas continu : cest la fonction f de R dans R, appele densit jointe telle que
f ( x, y )dxdy = P ( X [ x, x + dx ] Y [ y, y + dy ]
Lois marginales de X
Cas discret : P ( X = x ) =
P ( X = x, Y = y )
yF
Cas continu :
f ( x) =
f ( x, y )dy
P(Y = y / X = x) =
Cas continu
f ( y / x) =
f ( x, y )
f ( x)
P ( X = x, Y = y )
P( X = x)
y R
y F
E(Y/X)
E(Y/X=x1)
..
E(Y/X=xn)
P(E(Y/X)=x)
P(X=x1)
P(X=xn)
Cas continu
E ( E (Y / X )) = E (Y )
Cov( X , Y ) = E ( ( X E ( X ))(Y E (Y ) )
Proprits
Thorme de Koenig gnralis Cov ( X , Y ) = E ( XY ) E ( X ) E (Y )
Autres
Cov( X , Y ) = Cov(Y , X )
Cov(aX + bY , Z ) = aCov( X , Z ) + bCov(Y , Z )
Cov( X , aY + bZ ) = aCov( X , Y ) + bCov( X , Z )
Cov(a, Y ) = Cov(Y , a ) = 0
V (aX + bY ) = a V ( X ) + b V (Y ) + 2abCov( X , Y )
E( X )
M ( X ,Y ) =
E
(
Y
)
Matrice de variance-covariance
Cov( X , Y )
V (X )
( X , Y ) =
(
,
)
(
)
Cov
X
Y
V
Y
( X ,Y ) =
Cov( X , Y )
( X ) (Y )
( X , Y ) = Cov( X *, Y *)
1 ( X , Y ) 1
( X ,Y ) = 1
( X ,Y ) = 0
Dautant plus proche de 1 en valeur absolu que le lien linaire est fort
entre X et Y.
Lien linaire parfait : Y=aX+b
Absence de lien linaire (pas forcement indpendance entre X et Y)
Cov( X , Y ) = 0
V ( X + Y ) = V ( X ) + V (Y )
E ( XY ) = E ( X ) E (Y )
( x, y ) E F , P( X = x, Y = y ) = P ( X = x) P (Y = y )
( x, y ) R , f ( x, y ) = f ( x) f ( y )
Cas continu
( x, y ) E F , P(Y = y / X = x) = P (Y = y )
( x, y ) R , f ( y / x) = f ( y )
Proprit : Deux variables alatoires indpendantes sont non corrles, la
rciproque tant fausse (deux variables nayant pas de lien du tout nont en
particulier pas de lien linaire, linverse tant faux)
X Y cov( X , Y ) = r ( X , Y ) = 0
V ( X + Y ) = V ( X ) + V (Y )