Cours et exercices de mathématiques : [Link]

com/

I. Espaces probabilités finis

1) Univers, événements
L’ensemble des résultats possibles d’une expérience aléatoire est un ensemble Ω appelé univers. Ω est l’ensemble des cas
possibles ou des éventualités ou des issues. En sup, Ω est fini.
Si Ω est un univers fini. Une partie de Ω est un événement. L’ensemble des événements est donc P(Ω).
Ω est l’événement certain, ∅ est l’événement impossible, un singleton {ω} (où ω ∈ Ω) est un événement élémentaire.
2) Opérations sur les événements
Si A et B sont deux événements, CΩ A est l’événement contraire de A, A∪B est la réunion de A et B, A∩B est l’intersection
de A et B.
A et B sont incompatibles ssi A ∩ B = ∅. Si A ⊂ B, on dit que A implique B.
[
Un système complet d’événements est une famille (Ai )16i6n telle que ∀i 6= j, Ai ∩ Aj = ∅ et Ai = Ω.
16i6n

3) Probabilité
Soit Ω un univers fini. Une probabilité sur Ω est une application P de P(Ω) dans [0, 1] telle que
1) P(Ω) = 1
2) pour tous événements A et B tels que A ∩ B = ∅, P(A ∪ B) = P(A) + P(B).
Dans ce cas, (Ω, P) est un espace probabilisé.
4) Calculs de probabilités
Théorème.
• P(∅)
= 0.
• P A = 1 − P(A).
• Si A ⊂ B, P(A) 6 P(B) (croissance d’une probabilité). Dans ce cas, P(B \ A) = P(B) − P(A).
• P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
• Si A1 , . . . An sont deux à deux incompatibles, P (A1 ∪ . . . ∪ An ) = P (A1 ) + . . . + P (An )
Si de plus (Ai )16i6n est un système complet d’événements, alors P (A1 ) + . . . + P (An ) = 1 et pour tout événement B,
n
X
P(B) = P (B ∩ Ai ).
i=1

Théorème. Pour tout ω de Ω, on pose pω = P ({ω}).

X
• pω = 1
ω∈Ω
X
• ∀A ∈ P(Ω), P(A) = pω .
ω∈A

1
Théorème (cas de l’équiprobabilité des cas possibles).
1 card(A) nombre de cas favorables
Si ∀ω ∈ Ω, pω = , alors ∀A ∈ P(Ω), P(A) = = .
card(Ω) card(Ω) nombre de cas possibles

II. Probabilités conditionnelles

P(B ∩ A)
Soit A un événement tel que P(A) 6= 0. La probabilité de B sachant A est PA (B) = .
P(A)
Théorème. L’application PA : P(Ω) → R est une probabilité sur Ω.
B 7→ PA (B)
Théorème. Pour tous A et B, P(A ∩ B) = PA (B) × P(A) si P(A) 6= 0 .
= PB (A) × P(B) si P(B) 6= 0
Théorème (formule des probabilités totales). Soit (Ai )16i6n un système complet d’événements tels que ∀i ∈ J1, nK,
P (Ai ) 6= 0, alors
n
X
∀B ∈ P(Ω), P(B) = P (Ai ) × PAi (B).
i=1



En particulier, si P(A) 6= 0 et P A 6= 0, P(B) = P(A) × PA (B) + P A × PA (B).

Théorème (formule de Bayes (inversion d’une probabilité conditionnelle)). Soit (Ai )16i6n un système complet
d’événements tels que ∀i ∈ J1, nK, P (Ai ) 6= 0, alors pour tout B tel que P(B) 6= 0,

P (Ai ) × PAi (B)

∀i ∈ J1, nK, PB (Ai ) = n .
X
P (Ai ) × PAi (B)
i=1

P (A) × PA (B)
En particulier, PB (A) =
.
P(A) × PA (B) + P A × PA (B)

III. Indépendance
A et B sont indépendants si et seulement si P(A∩B) = P(A)× P(B). Si P(A) 6= 0, il revient au même de dire PA (B) = P(B).
Théorème. Si A et B sont indépendants, alors A et B, A et B, A et B sont indépendants.
Soient A1 , . . . , An , n événements.
A1 , . . . , An sont deux à deux indépendants ⇔ ∀i 6= j, !
P (Ai ∩ Aj ) = P (Ai ) × P (Aj ).
\ Y
A1 , . . . , An sont indépendants ⇔ ∀I ⊂ J1, nK, P Ai = P (Ai ).
i∈I i∈I

Théorème. indépendants ⇒ deux à deux indépendants.

6⇐

IV. Variables aléatoires sur un univers fini

1) Variables aléatoires. Loi d’une variable aléatoire
Soit Ω un univers fini. Une variable aléatoire associée à cet univers est une application X de Ω dans un certain ensemble
E. Si E = R, X est une variable aléatoire réelle.
Variable indicatrice. Soit A un événement. La variable X : →  Ω R est la variable indicatrice de
1 si ω ∈ A
ω 7→
0 si ω ∈/A
l’événement A. On peut la noter 1A . Elle est utilisée dans une démonstration de l’inégalité de Bienaymé-Tchebychev.
Quelques notations.
• Si X est une variable
√ aléatoire sur Ω et f une application définie sur X(Ω), on peut définir f ◦ X (souvent notée f(X)).
Par exemple, X2 , X, eX . . .
• Si A est une partie de E (E = R en général), l’événement {X ∈ A} est l’événement X−1 (A) = {ω ∈ Ω/ X(ω) ∈ A}.
Si x est un élément de E, l’événement {X = x} est l’événement X−1 ({x}) = {ω ∈ Ω/ X(ω) = x}.
Si X est une variable réelle, {X 6 x} = X−1 (] − ∞, x]) = {ω ∈ Ω/ X(ω) 6 x}.

2
Loi de probabilité d’une variable aléatoire. Soit X une variable aléatoire sur un espace probabilisé fini (Ω, P).
L’application X(Ω) → [0, 1] est une probabilité sur X(Ω) appelée loi de X. La loi de X peut aussi être l’application
x 7→ P(X = x)
plus générale P(X(Ω)) → [0, 1] . On note PX la loi de X.
A 7→ P(X ∈ A)
X X
Théorème. P(X = x) = 1. Pour toute partie A de X(Ω), P(X ∈ A) = P(X = x).
x∈X(Ω) x∈A

Théorème (loi de f(X)). La loi de f(X) est :

X
∀y ∈ f(X(Ω)), P(f(X) = y) = P(X = x).
x∈f−1 ({y})


Par exemple, si Y = X2 , P (Y = 1) = P X2 = 1 = P(X = 1) + P(X = −1).
2) Espérance, variance, écart-type
a) Espérance Si X prend les valeurs x1 , . . . , xn , l’espérance de X est
n
X X
E(X) = xk P (X = xk ) = xP(X = x).
k=1 x∈X(Ω)

L’espérance de la variable indicatrice 1A d’un événement A est P(A).

Théorème (linéarité). L’espérance est une forme linéaire c’est-à-dire E(X + Y) = E(X) + E(Y) et E(λX) = λE(X).
En particulier, E(aX + b) = aE(X) + b.
Si X est d’espérance nulle, X est centrée. Si X est une variable réelle quelconque, X − E(X) est la variable centrée associé
à X.
Théorème (positivité, croissance). Si X est une variable aléatoire réelle positive, alors E(X) > 0.
Si X est Y sont des variables aléatoires telles que X 6 Y, alors E(X) 6 E(Y).
Théorème (inégalité de Markov). Si X est une variable réelle positive,

E(X)
∀a > 0, P(X > a) 6 .
a
Démonstration. Soit a > 0. Soit A = {X > a}. Soit ω ∈ Ω.
X X(ω) a
• Si ω ∈ A, 1A (ω) = 1 et (ω) = > = 1 = 1A (ω).
a a a
X(ω)
• Si ω ∈
/ A, 1A (ω) = 0 6 .
a  
X X X E(X)
Donc, ∀ω ∈ Ω, 1A (ω) 6 (ω) ou encore 1A 6 . Par croissance de l’espérance, E (1A ) 6 E = avec
a a a a
E (1A ) = P(A) = E(X > a).
X
Théorème de transfert. L’espérance de f(X) est E(f(X)) = f(x)P(X = x).
x∈X(Ω)

b) Variance, écart-type.
X
Définition. Le moment d’ordre k de X est E Xk = xk P(X = x).

x∈X(Ω)
X
Définition. La variance de X est V(X) = E (X − E(X))2 = P(X = x) × (x − E(X))2 .

x∈X(Ω)

Théorème (formule de Koenig-Huygens). V(X) = E (X − E(X))2 = E X2 − (E(X))2 .

Théorème. V(aX + b) = a2 V(X).

p
Définition. L’écart-type de X est σ(X) = V(X). Une variable X telle que E(X) = 0 et σ(X) = 1 est dite centrée réduite.
X − E(X)
Si X est une variable d’écart-type non nul, est centrée réduite et est la variable centré réduite associée à X.
σ(X)

3
Théorème (inégalité de Bienaymé-Tchebychev).

V(X)
∀ε > 0, P(|X − E(X)| > ε) 6 .
ε2
 2
X − E(X)
Démonstration. On applique l’inégalité de Markov à la variable . L’événement {|X − E(X)| > ε} est
  ε
2  2
X − E(X) X − E(X)
l’événement > 1 . Puisque la variable est positive et que 1 > 0,
ε ε
 2 !
1 X − E(X) 1
V(X)
P{|X − E(X)| > ε} 6 E = 2 E (X − E(X))2 = 2 .
1 ε ε ε

V. Couples de variables aléatoires, n-uplets de variables aléatoires

1) Couples, n-uplets
Définition. Soient Ω un univers fini et X et Y deux variables aléatoires sur Ω à valeurs dans E et E ′ respectivement.
L’application (X, Y) : Ω → E × E′ est un couple de variables aléatoires sur Ω. Si E = E ′ = R, (X, Y) est
ω 7→ (X(ω), Y(ω))
une couple de variables aléatoires réelles sur Ω.
Plus généralement, un n-uplet de variables aléatoires réelles sur Ω est (X1 , . . . , Xn ) : Ω → Rn
ω 7→ (X1 (ω), . . . , Xn (ω))

Définition. Si X et Y sont deux variables aléatoires sur l’espace probabilisé fini (Ω, P), alors la loi conjointe de X et Y est
la loi du couple (X, Y). Donner la loi conjointe du couple (X, Y), c’est donner les P((X, Y) = (x, y)) = P({X = x} ∩ {Y = y}),
x ∈ X(Ω), y ∈ Y(Ω). Les lois marginales (car on les retrouve en marge) du couple (X, Y) sont les lois de X et de Y.
Théorème. La loi conjointe détermine les lois marginales :
X
∀x ∈ X(Ω), P(X = x) = P({X = x} ∩ {Y = y}).
y∈Y(Ω)
X
∀y ∈ Y(Ω), P(Y = y) = P({X = x} ∩ {Y = y}).
x∈X(Ω)

Par exemple, si la loi du couple (X, Y) est

Y c d
X
1 1
a 12 6
1 5
b 8 8

1 1 1
la première loi marginale du couple (X, Y) est P(X = a) = P((X = A) ∩ (Y = c)) + P(X = a) ∩ (Y = d)) = + = ,
12 6 4
1 5 3
P(X = b) = + = ...
8 8 4

Y c d loi de X
X
1 1 1
a 12 6 4
1 5 3
b 8 8 4
5 19
loi de Y 24 24 1

Définition (lois conditionnelles). Si pour tout y ∈ Y(Ω), P(Y = y) 6= 0, on peut définir la loi de X sachant que Y = y :
P((X = x) ∩ (Y = y)) P((X, Y) = (x, y))
∀x ∈ X(Ω), PY=y (X = x) = = .
p(Y = y) p(Y = y)
Si pour tout x ∈ X(Ω), P(X = x) 6= 0, on peut définir la loi de Y sachant que X = x : ∀y ∈ Y(Ω),
P((X = x) ∩ (Y = y))
PX=x (Y = y) = .
p(X = x)
Les lois conditionnelles sont déterminées par la loi conjointe et les lois marginale et donc par la loi conjointe uniquement.

4
2) Indépendance
a) de deux variables
Définition. X et Y sont indépendantes si et seulement si ∀(x, y) ∈ X(Ω) × Y(Ω), P((X = x) ∩ (Y = y)) = P(X = x) × P(Y = y).

b) d’un n-uplet de variables

Définition. X1 , . . . ,Xn sont deux à deux indépendantes si et seulement si ∀i 6= j, Xi et Xj sont indépendantes. Ceci
équivaut à ∀i 6= j, ∀(xi , xj ) ∈ Xi (Ω) × Xj (Ω), P((Xi = xi ) ∩ (Xj = xj )) = P(Xi = xi ) × P(Xj = xj ).
Définition. X1 , . . . ,Xn sont indépendantes si et seulement si ∀(x1 , . . . , xn ) ∈ X1 (Ω) × Xn (Ω), les événements {X1 = x1 },
. . . {Xn = xn } sont indépendants.
Théorème. Si les variables X1 , . . . , Xn sont indépendantes, alors les variables X1 , . . . , Xn sont deux à deux indépendantes.
Réciproque fausse.
Théorème. Si les variables X1 , . . . , Xn sont indépendantes, alors pour toutes fonctions f1 , . . . , fn , les variables f1 (X1 ),
. . . , fn (Xn ) sont indépendantes.
3) Covariance
a) Cas général
Définition. La covariance du couple (X, Y) est cov(X, Y) = E((X − E(X))(Y − E(Y))).
X
Théorème. cov(X, Y) = E(XY) − E(X)E(Y) avec E(XY) = xy P((X = x) ∩ (Y = y)).
(x,y)∈X(Ω)×Y(Ω)

1
Théorème. V(X + Y) = V(X) + V(Y) + 2cov(X, Y) et donc aussi cov(X, Y) = (V(X + Y) − V(X) − V(Y)).
2
n
X X
Plus généralement, V (X1 + . . . + Xn ) = V (Xi ) + 2 cov (Xi , Xj ).
i=1 16i<j6n

Théorème. |cov(X, Y)| 6 σ(X)σ(Y).

b) Cas de variables indépendantes
Théorème. Si X et Y sont indépendantes,
• E(XY) = E(X)E(Y) ;
• cov(X, Y) = 0 ;
• V(X + Y) = V(X) + V(Y).
Théorème. Si X1 , . . . ,Xn sont deux à deux indépendantes (et en particulier si X1 , . . . ,Xn sont indépendantes),

V (X1 + . . . + Xn ) = V (X1 ) + . . . + V (Xn ) .

Si X1 , . . . ,Xn sont indépendantes (et pas seulement deux à deux indépendantes),

E (X1 . . . Xn ) = E (X1 ) × . . . × E (Xn ) .