,
- Loi dalg`ebre sur les ensembles
Distributivite : A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
Lois de Morgan : (A B)
= A
(A B)
= A
2. Notions de probabilites
Une probabilite = chances de realisations dun evenement.
frequence idealisee Ex : jeux de des, jeux de cartes,...
Les denitions en frequences contiennent des lacunes, cest pourquoi on utilise une
denition axiomatique :
- 0 P(A) 1
- P() = 1
- Si A B = alors P(A B) = P(A) + P(B)
Il en decoule que :
P() = 0
P(A) + P(A) = 1
P(A B) = P(A) + P(B) P(A B)
P(A B C) = P(A) + P(B) + P(C) P(A B) P(B C) P(A C)
+P(A B C)
3. Probabilites conditionnelles :
P(A|B) =
P(A B)
P(B)
si P(B) > 0
P(A B) = P(A|B)P(B) = P(B|A)P(A) si P(A), P(B) > 0
4. Incompatibilite
A B = P(A B) = 0
P(A B) = P(A) + P(B)
5. Theor`eme des probabilites totales
P(A) =
n
i=1
P(A|B
i
)P(B
i
)
avec lensemble {B
1
, . . . , B
n
} formant une partition et P(B
i
) = 0.
6. Independance
AB P(A B) = P(A)P(B)
`a condition que P(A) = 0 et P(B) = 0, on a egalement
- P(A|B) = P(A)
- P(B|A) = P(B)
7. Theor`eme de Bayes
P(B
i
|A) =
P(A|B
i
)P(B
i
)
n
j=1
P(A|B
j
)P(B
j
)
Exercices : 1.2.1 ; 2.2.2 ; 2.3.6 ; 2.2.9 ; 2.2.13 ; 2.2.16
Rappels theoriques
Les distributions discr`etes
1. La distribution de Bernouilli (ou indicatrice)
Soit p = P(A), la probabilite dun ev`enement A, alors
Y Be(p)
o` u Y = 0 pour tout resultat qui conduit ` a la non realisation de A et
Y = 1 pour tout resultat qui conduit ` a la realisation de A.
La fonction de probabilite secrit
y 0 1
p(y) q p
avec q = 1 p.
Ses proprietes sont :
E[Y ] = p
V ar[Y ] = pq
2. La distribution Binomiale
Conditions :
n repetitions dune epreuve elementaire,
Le resultat est classe dans une des deux categories : succ`es ou echec,
La probabilite de succ`es, notee p, est la meme pour chaque repetition,
Les n epreuves sont independantes,
alors
X Bi(n, p)
o` u la v.a. X est le nombre de succ`es sur les n epreuves. Vous remarquerez que
X = Y
1
+ Y
2
+ + Y
n
o` u Y
i
est lindicatrice de succ`es `a la i
`eme
epreuve.
Fonction de probabilite
p(X = x) = C
x
n
p
x
q
nx
avec x = 0, 1, . . . , n
o` u
C
x
n
=
n!
x!(n x)!
Dans la litterature, C
x
n
secrit parfois
n
k
x
x!
avec x = 0, 1, 2, . . .
Proprietes : E[X] = , V ar[X] =
Methode de Calcul :
Calcul manuel
Formule de recurrence :
p(0) = e
p(x) = p(x 1)
x
avec x=1,2,. . .
Utilisation des tables (fonction de probabilite, fonction de repartition)
Rappels theoriques
La distribution normale
Denition
La fonction de densite de probabilite dune variable aleatoire normale est donnee
par
f(x) =
1
2
e
1
2
(
x
)
2
x
On notera :
X N(,
2
)
o` u est la moyenne,
2
est la variance.
40 42 44 46 48 50 52 54 56 58 60
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
= 2
= 4
f
(
x
)
x
40 42 44 46 48 50 52 54 56 58 60
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
= 50 = 48
f
(
x
)
x
40 42 44 46 48 50 52 54 56 58 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
= 2
= 4
F
(
x
)
x
40 42 44 46 48 50 52 54 56 58 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
= 50 = 48
F
(
x
)
x
Proprietes
1. Fonction symetrique
f( a) = f( + a)
ma
f(x)dx =
m+a
f(x)dx
ce qui revient `a
P(X a) = P(X + a) F( a) = 1 F( + a)
2. Changement de variables
Si X N(,
2
) alors
Y = a + bX N(a + b, b
2
2
)
o` u a et b sont des constantes, (a, b) R
2
Methode de calcul
1. Calcul integral
2. Tables
Les valeurs ne sont tabulees que pour Z N(0, 1)
Pour toute autre v.a. normale X N(,
2
), on applique une transforma-
tion pour se rapporter ` a une v.a. normale Z N(0, 1).
Cette transformation est appelee reduction :
Z =
X
Rappels theoriques
Couple aleatoire
Variables simultanees, couples
(X, Y ) couple discret : 2 v.a. discr`etes (D)
couple continu : 2 v.a continues (C)
1. Fonction de (densite de) probabilites conjointes :
p(x, y) = P({X = x} {Y = y}) avec : 0 p(x, y) 1, (x, y) R
2
(D)
et
y
p(x, y) = 1
f(x, y) avec f(x, y) 0(x, y) (R)
2
(C)
et
f(x, y)dxdy = 1
2. Probabilite dun evenement
P(B) =
(x,y)B
p(x, y) (D)
P(B) =
x,yB
f(x, y)dydx (C)
3. Fonctions de (densite de) probabilites marginales (en X)
p
X
(x) = P(X = x) =
y
p(x, y) (D)
f
X
(x) =
x
xp(x) E[h(X)] =
x
h(x)p(x) (D)
E[X] =
xf(x)dx E[h(X)] =
h(x)f(x)dx (C)
En particulier, si h(X) = a + bX E[h(X)] = a + bE[X]
En general, pour des fonctions h
1
(.), h
2
(.), . . . , h
n
(.),
E[
n
i=1
h
i
(X)] =
n
i=1
E[h
i
(X)]
Variance
2
V ar[X] =
2
x
= E[(X )
2
] = E[X
2
] E
2
[X] = E[X
2
]
2
(C,D)
V ar[X] =
2
x
= E[(X )
2
] =
x
(x )
2
p(x) (D)
V ar[X] =
2
x
= E[(X )
2
] =
(x )
2
f(x)dx (C)
Dans le cas dune fonction :
V ar[h(X)] = E[(h(X)
2
E
2
[h(X)]] = E[h(X)
2
] E
2
[h(X)] (C,D)
En particulier si h(X) = a + bX V ar[a + bX] = b
2
Ecart-type =
2
Pour un couple de variables aleatoires
Moyenne Conjointe
E[h(X, Y )] =
y
h(x, y)p(x, y) (D)
E[h(X, Y )] =
x
h(x)p(x) =
x
h(x)
y
p(x, y) =
y
h(x)p(x, y) (D)
E[h(X)] =
h(x)f
x
(x)dx =
h(x)
f(x, y)dydx =
x
xp(x|y) (D)
E[X|y] =
xf(x|y)dx (C)
Variance conjointe
V ar[h(X, Y )] = E[h
2
(X, Y )] E
2
[h(X, Y )] (C,D)
Variance dune combinaison lineaire
V ar(aX + bY + c) = a
2
V ar(X) + b
2
V ar(Y ) + 2abCov(X, Y )
Covariance
Cov(X, Y ) = E[(X
x
)(Y
y
)] = E[XY ]
X
Y
=
XY
Coecient de correlation
XY
=
XY
Y
Rappels theoriques
Le vecteur aleatoire normal
Denition generale
X N
n
(E[X];
X
)
o` u
X =
X
1
X
2
.
.
.
X
n
le vecteur aleatoire
E[X] =
E[X
1
]
E[X
2
]
.
.
.
E[X
n
]
le vecteur desperance
X
=
2
1
12
1n
21
2
2
2n
.
.
.
.
.
.
.
.
.
.
.
.
n1
2
n
la matrice de covariance
on peut donc ecrire :
X
1
X
2
.
.
.
X
n
E[X
1
]
E[X
2
]
.
.
.
E[X
n
]
2
1
12
1n
21
2
2
2n
.
.
.
.
.
.
.
.
.
.
.
.
n1
2
n
Correlation
La matrice de correlation secrit :
(X) =
1
12
1n
21
1
2n
.
.
.
.
.
.
.
.
.
.
.
.
n1
1
Independance
Si X
i
X
j
, i, j, on a
X
=
2
1
0 0
0
2
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0
2
n
et
(X) =
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 1
= I
n
Distribution conditionnelle
- Pour un couple, on a
X
1
|x
2
N(
1
+
2
(x
2
2
); (1
2
)
2
1
)
- Pour un vecteur, on a
X
1
|x
2
N(
1
+
12
1
22
(x
2
2
);
11
12
1
22
21
)
Transformation lineaire
Soient une matrice de transformation A et le mod`ele lineaire suivant : Y = AX.
On peut facilement calculer le vecteur esperance de Y
E[Y] = AE[X]
ainsi que la matrice de covariance
Y
= A
X
A
Exemple : Soit (X
1
, X
2
, X
3
, X
4
)
Y
1
Y
2
Y
3
X
2
X
1
X
3
X
2
X
4
X
3
1 1 0 0
0 1 1 0
0 0 1 1
X
1
X
2
X
3
X
4