PHENOMENE ALEATOIRE

GUEZGUEZ YAHYA

I - Element de Calcul de Probabilité

1 triplet de probabilité:

Le calcul des probabilité débute par la dénition d'un triplet de probabilités.

(E, C, P )
Une probabilité se dénit sur un ensemble E auquel est associé un ensemble C de partie E vériant :
• E ∈C
• si A ∈ C , Ā ∈ C
• toute union intersection d'élement de C appartient à C

V Vocabulaire :

? Les éléments de E sont appelés sont  les résultats d'expérience  ou événement

élémentaires.

? Les élements de C sont des événements.

?E est appelé événement certain.

? Ā est l'événement contraire de A.

? A et B sont incompatible lorsque A∩B = ∅

? { A1 ,A2 ,...,An } est un système dévénement complet s'ils sont non vides, dijoints et
leur union est E.

? Les languages probabilistes et  courant se correspondesnt.

∩ de deux événement se traduit par et

∪ de deux événement se traduit par ou

? Le dernier ingrédient du triplet est la probabilité P qui est une application de C
dans [ 0,1 ].

Elle vérie pour tout ensemble disjoint:

P(E ) = 1
S P
P( j∈J Aj ) = j ∈ J .P (Aj )

1
 RMQ :

•P(∅) = 0 =⇒ P(A ∪ ∅) = P(A) + P(∅)

•P(A) = 1 − P(Ā) =⇒ P(A ∪ Ā) = P(A) + P(Ā) = 1

•A ⊂ B =⇒ P(A) 6 P(B)

•P(A ∩ B) 6 P(A) 6 P(A ∪ B)

II - Probabilité conditionnelle:

Déf:

soit (E, C, P ) un espace de probabilité et A un évnt de C tel que la probabilité de A 6= 0.

P(A ∩ B)
P(B|A) =
| {z } P(A)
c'ést la probabilité conditionnelle de B par rapport à A.

◦ Formule de Bayes:

P(B|A).P(A)
?P(A|B) =
P(B)
? soit un système complet { Aj avec j ∈ J }

P(B|Aj ).P(Aj ) P(B|Aj ).P(Aj )

P(Aj |B) = =P
P(B) P(B|Aj ).P(Aj )
◦ Indépendance:

P (B|A) = P (B)
On dit deux évnt indépendant si
P (A|B) = P (A)
Déf:
Une dénition équivalente est :

P(A ∩ B) = P(A).P(B)

2
III - Variable aléatoire

Déf:
1/ Une variable aléatoire (V.a) X est une fonction de E dans R.

Cette fonction doit vérié:

{w|X(w) 6 x} ∈ E
RMQ :

On distingue les V.a continue et les V.a discrèts.

discrèts: X(w) prend un nbre ni au dénombrable de valeur

continues: X(w) ∈R prend un nbre inni de valeur

2/ La fonction de répartition de X est noté:

Fx (x) = P ({w|X(w) 6 x})

RMQ :

les deux propriètés de Fx (x) sont:

Fx (+∞) = 1 et Fx (−∞) = 0
si x1 6 x2 =⇒ Fx (x1 ) 6 Fx (x2 )

3/ Si la dérivé de Fx (x) existe alors:

dFx (x)
fx (x) =
dx
fx (x) est la densité de probabilité

RMQ :

les propriètés de fx (x) sont :

1. fx (x) > 0 pour tout x∈R

Rx
2. Fx (x) = −∞
fx (u)du

R +∞
3.
−∞
fx (u)du = 1

R x2
4.
x1
fx (u)du = Fx (x2 ) − Fx (x1 ) = P ({w|x1 ≤ X(w) 6 x2 })

5. fX (x)dx = P(x ≤ X ≤ x + dx)

3
1 Loi U niforme sur [a,b]:

f (x) F (x)

1

b−a
∀ x ∈ [a, b]
fx (x) =
0 sinon 1

x x
a b a b

2 Loi N ormal ou gaussienne:

f (x)

b=1

2 b=2
fx (x) = √1
b 2π
exp − (x−a)
2b2
∀b > 0 a x

plus b est grand plus la largeur de la gaussienne est grand.

3 Loi B inomiale :

La loi Binomiale correspond à la probabilité que B soit réalisé K fois exactement.

 
n k n−k
p(k) = P (X = k) = p q
k
avec  
n n!
=
k k!(n − k)!
RMQ :
n
X
P (X = K) = (p + q)n = 1
k=0

4
4 Loi de P oisson :

∀k ∈ N
λk
p(k) = P (N = k) = e−λ
k!
avec
λ>0

IV - Fonction d'une V.A

Déf: soit X une variable aléatoire et g(x) une fontion de R ds R

ψ = g(x) est une nouvelle variable aléatoire.

E −→ R −→ R
w −→ X(w) −→ g(X(w)) = y(w)

Sa fonction de répartition est FY (y)

Moyenne d'une v.a: La valeur moyenne de X notée:

R +∞
E[X] =
−∞
x ∗ fX (x)dx

Variance d'une v.a:

On considère g(x) = (x − E[X])2

R +∞
E[g(x)] = E[(X − E[X])2 ] = −∞
(X − E[X])2 ∗ fX (x)dx = σ 2 X

V - couple de Variable aléatoire

1. Déf: soit X(w) et Y (w) une paire de v.a sur (E, C, P )

{w|X(w) 6 x, Y (w) 6} =⇒ est un événement dont la probabilité dénit la fonction

de répartition jointe de la v.a(X,Y)

E −→ RxR
w −→ (X(w), Y (w))

FXY (x, y) = P({w|X(w) ≤ x, Y (w) ≤ y}) = P({X ≤ x, Y ≤ y})

Propiété:

1. FXY (−∞, y) = 0 ; FXY (x, −∞) = 0

2. FXY (+∞, +∞) = 1

5
 3. dans l'etudes des couples de v.a, on appelle marginales les v.a individuelles.

FXY (x, y) : fonction de répartition jointe

 
FX (x)
fonction de répartition marginales
FY (y)

FXY (+∞, y) = FY (y) and FXY (x, +∞) = FX (x)

2. Déf:

si la dérivée de FXY (x, y) existe alor :

∂ 2 FXY (x, y)
fXY (x, y) =
∂x∂y
fXY (x, y) est la densité de probabilité du couple (x,y).

Propriété:

R +∞ R +∞
1. fXY (x, y) ≥ 0 et −∞ −∞ fXY (u, v)dudv = 1
Rx Ry
2. FXY (x, y) = −∞ −∞ fXY (u, v)dudv

R +∞ R +∞
−∞
fXY (x, y)dx = fY (y) and
−∞
fXY (x, y)dy = fX (x)

3. Indépendance:

Soit deux événements indépendantes =⇒ P(A ∩ B) = P(A).P(B)

Soit deux v.a indépendant =⇒ {X ∈ A} et {Y ∈ B} sont indépendant ∀ ensemble A, B
de l'axe réel.

4. Déf:

X et Y deux v.a indépendants si et seulement si :

∀(x, y)
FXY (x, y) = FX (x).FY (y)
fXY (x, y) = fX (x).fY (y)
4. Distribution conditionnelle:

soit M un événement, on a déni:

P({Z ≤ z}, M)
P({Z ≤ z}|M) =
P(M)

6
 P({Z ≤ z}, M)
FZ|M (z) =
P(M)
FZ|M (z) est la fonction de répartition de Z conditionnelleà l'événementde M

Propriété:

fXY (x,y)
1. fY |X=x (y|x) =
fX (x)

densité de proba de Y conditionné à X=x

2. si X et Y sont deux v.a indépendant sig:

fY |X=x (y|x) = fY (y)

thèoréme de Bayes pour les v.a:

fY |X=x (y|x).fX (x)

fX|Y =y (x|y) =
fY (y)