You are on page 1of 128

COURS DE MATHEMATIQUES PROBABILITES ET STATISTIQUES Troisi` eme ann ee : Fili` ere Oshoring.

Option : qualit e logicielle


LAKHEL El Hassan

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa www.ensasa.ma Ann ee Universitaire : 2006-2007

Table des mati` eres


I Probabilit es
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4
5 5 5 6 6 7 9 10 11 12 14 15 18 18 18 21 21 22 23 24 25 29 29 29 29 31 31 33 33 34 35 35 35 36 36 38 38

1 Lespace de probabilit e (, F , P ) 1.1 Introduction : . . . . . . . . . . . . . . . . . . . 1.2 Lunivers . . . . . . . . . . . . . . . . . . . . . . 1.3 Ev enements et op erations sur les ev enements . . 1.4 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Le concept de probabilit e . . . . . . . . . . . . . 1.6 D enition dune probabilit e sur un espace ni. 1.6.1 Equiprobabilit e . . . . . . . . . . . . . . . 1.6.2 El ements danalyse combinatoire . . . . . 1.6.3 Exemples fondamentaux . . . . . . . . . . 1.7 R esum e du premier chapitre . . . . . . . . . . . . 1.8 Exercices . . . . . . . . . . . . . . . . . . . . . .

2 Probabilit es conditionnelles et ind ependance 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Probabilit e conditionnelle . . . . . . . . . . . . . . . . . . . . . 2.3 Ind ependance d ev enements et de sous-tribus. . . . . . . . . . 2.3.1 Ind ependance d ev enements . . . . . . . . . . . . . . . . 2.3.2 Ind ependance de sous-tribus . . . . . . . . . . . . . . . . 2.4 Application : Apparition dun pile dans un sch ema de Bernoulli 2.5 R esum e du deuxi` eme chapitre . . . . . . . . . . . . . . . . . . . 2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Les 3.1 3.2 3.3 3.4 variables al eatoires Introduction . . . . . . . . . . . . . . . . . . . . . Variables al eatoires . . . . . . . . . . . . . . . . . Probabilit e image et loi dune variable al eatoire . Cas des variables al eatoires r eelles . . . . . . . . 3.4.1 Fonction de r epartition . . . . . . . . . . 3.5 Lois discr` etes et lois continues . . . . . . . . . . . 3.5.1 Lois discr` etes . . . . . . . . . . . . . . . . 3.5.2 Lois continues . . . . . . . . . . . . . . . . 3.6 Les lois usuelles au programme . . . . . . . . . . 3.6.1 Le cas ni . . . . . . . . . . . . . . . . . . 3.6.2 La loi uniforme discr` ete . . . . . . . . . . 3.6.3 La loi de Bernoulli . . . . . . . . . . . . . 3.6.4 La loi binomiale . . . . . . . . . . . . . . 3.6.5 Le cas d enombrable . . . . . . . . . . . . 3.6.6 La loi g eom etrique de param` etre p ]0, 1[ 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.7 3.8 3.9

3.6.7 La loi de Poisson de param` etre ]0, [ . . . 3.6.8 Le cas continu . . . . . . . . . . . . . . . . . . 3.6.9 La loi uniforme continue sur le segment [a, b] : . 3.6.10 lois gaussiennes (ou lois normales) . . . . . . . 3.6.11 La loi exponentielle . . . . . . . . . . . . . . . . Variables al eatoires ind ependantes . . . . . . . . . . . R esum e du troisi` eme chapitre . . . . . . . . . . . . . . Exercices . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38 40 40 40 41 43 44 46 50 50 51 52 52 53 54 54 54 55 55 58 58 58 59 61 62 64 66 70 70 70 72 73 73 73 74 75 77 77 77 77 77 78 78 79 82

4 Esp erance et variance dune variable al eatoire r eelle 4.1 Cas des variables al eatoires discr` etes . . . . . . . . . . . . . . . . . . . . 4.1.1 Esp erance dune fonction dune variable al eatoire r eelle . . . . . 4.2 Cas des variables al eatoires ` a densit e . . . . . . . . . . . . . . . . . . . . 4.3 Lin earit e de lesp erance . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4 Moments, variance et ecart-type . . . . . . . . . . . . . . . . . . . . . . 4.5 In egalit es classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5.1 Lin egalit e de Markov . . . . . . . . . . . . . . . . . . . . . . . . 4.5.2 Lin egalit e de Bienaym e-Tchebyche . . . . . . . . . . . . . . . . 4.5.3 Lin egalit e de Jensen . . . . . . . . . . . . . . . . . . . . . . . . . 4.6 Lesp erance et la variance des lois classiques . . . . . . . . . . . . . . . . 4.7 Fonctions caract eristiques . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7.1 Int egration dune fonction complexe . . . . . . . . . . . . . . . . 4.7.2 Fonction caract eristique dune variable al eatoire r eelle . . . . . . 4.7.3 Exemples de calcul . . . . . . . . . . . . . . . . . . . . . . . . . 4.8 Th eor` eme dunicit e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9 Annexe : D enition de lesp erance dune variable al eatoire : Cas g en eral 4.9.1 Th eor` eme de transferet . . . . . . . . . . . . . . . . . . . . . . . 4.10 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Variables al eatoires vectorielles 5.1 Introduction . . . . . . . . . . . . . . . . . . . . 5.2 Couples al eatoires discrets . . . . . . . . . . . . 5.3 Couples al eatoires ` a densit e . . . . . . . . . . . 5.4 Ind ependance et esp erance de produits . . . . . 5.5 Covariance et coecient de corr elation lin eaire 5.5.1 Covariance . . . . . . . . . . . . . . . . 5.5.2 coecient de corr elation . . . . . . . . . 5.6 Exercices . . . . . . . . . . . . . . . . . . . . . 6 Th eor` emes limites 6.1 Introduction . . . . . . . . . . . . . . . . 6.2 Les di erents types de convergence . . . 6.2.1 La convergence en probabilit e . . 6.2.2 La convergence presque s ure . . . 6.2.3 La loi faible des grands nombres 6.2.4 La convergence en loi . . . . . . 6.3 Le th eor` eme central limite . . . . . . . . 6.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

II

Statistiques
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

84
85 85 85 85 87 87 88 88 90 90 92 93 95

7 Introduction aux statistiques 7.1 Introduction : . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1.1 Les statistiques, les probabilit es, la statistique . . . . 7.1.2 La d emarche statistique . . . . . . . . . . . . . . . . 7.2 D enitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . 7.3.1 Estimation de la moyenne . . . . . . . . . . . . . . . 7.3.2 Estimation de la variance . . . . . . . . . . . . . . . 7.4 Estimation par intervalle conance . . . . . . . . . . . . . . 7.4.1 Etude de cas des echantillons de grande taille n 30 7.4.2 Etude de cas X N (m, 2 ) . . . . . . . . . . . . . . 7.5 Tests param` etriques . . . . . . . . . . . . . . . . . . . . . . 7.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8 Examens corrig es des ann ees universitaires 2005-2007 96 8.1 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Premi` ere partie

Probabilit es

Chapitre 1

Lespace de probabilit e (, F , P )
1.1 Introduction :

La th eorie des probabilit es est la science qui etudie les exp eriences al eatoires. On entend par exp erience al eatoire toute proc edure ayant un ensemble bien d eni de r esultats mais dont on ne sait pas dire ` a lavance lequel va avoir lieu. Le but du cours de probabilit es est de mod eliser des situations o` u intervient le hasard. On aimerait pouvoir construire un cadre commun pour etudier des exp eriences al eatoires tr` es divers : Exemples : 1. Le jet dun d e, 2. Le jet successif de n pi` eces de monnaie, 3. La dur ee de vie dune ampoule. Ce cadre commun sera lespace de probabilit e. Il est compos e de plusieurs ingr edients : un univers qui d ecrit lensemble des issues possibles de lexp erience al eatoire, une tribu qui donne lensemble des ev enements et une probabilit e qui associe ` a chaque ev enement un nombre qui donne la chance qu` a cet ev enement de se r ealiser.

1.2

Lunivers

D enition 1.1. Lensemble des r esultats dune exp erience al eatoire est appel e lunivers. On le note g en eralement . Exemples : Dans chacun des exemples pr ec edents, on a : 1. = {1, 2, 3, 4, 5, 6}. 2. = {P, F }n (pour n = 2, on a = {P P, P F, F P, F F } = {P, F }2 ). 3. = R+ Remarque : On peut aussi mod eliser des ph enom` enes al eatoires plus complexes. Donnons un exemple : Etude dune le dattente. Des clients arrivent successivement dune mani` ere al eatoire et forment ainsi une le dattente devant un guichet. Le temps de service pour chaque client, peut etre egalement mod elis e par une grandeur al eatoire. On etudie la longueur de la le dattente, en fonction du temps et des param` etres qui interviennent dans la mod elisation, ` a savoir la dur ee de service, le temps dinter-arriv ee des clients. On se demande si la le ` a tendance ` a se diminuer ou au contraire ` a augmenter.

1.3

Ev enements et op erations sur les ev enements

D enition 1.2. Un ev enement est une partie A de , cest un fait li e` a une exp erience qui peut se produire ou non. Exemples : Dans nos trois situations, A pourrait, par exemple, etre : 1. A = {2, 4, 6} : obtenir un nombre pair. 2. A = {P } {P, F }n1 : Le premier lancer est pile. 3. A = [100, +[ : lampoule fonctionne plus de cent heures. Notation On note P () lensemble de toutes les parties de . On va utiliser toutes les op erations sur les ensembles : Notation { } AB Ac AB iI Ai AB iI Ai vocabulaire ensemblite ensemble vide singleton A est inclus dans B compl ementaire de A A union B union des (Ai )i I A inter B intersection des (Ai )i I vocabulaire probabiliste ev enement certain ev enement impossible ev enement el ementaire A implique B Le contraire de A est r ealis e A ou B est r ealis e lun des Ai est r ealis e A et B sont r ealis es tous les Ai sont r ealis es

1.4

Tribu

En g en eral, on ne peut pas prendre toutes les parties de comme ev enements, on doit se limiter ` a des familles v eriant certaines propri et es : D enition 1.3. Soit un ensemble. Une famille F de parties de est appel ee une tribu si elle v erie les propri et es suivantes : i) est un el ement de F ii) (stabilit e par compl ementaire) Si A est un el ement de F , alors Ac est un el ement de F iii) (stabilit e par union d enombrable) Si les (Ai )i sont des el ements de F , alors i Ai est un el ement de F . D enition 1.4. Soit un ensemble muni dune tribu F , le couple (, F ) est appel e ensemble mesurable, et les el ements de F sont appel es des ev enements. Exercice : V erier que P () et {, } sont des tribus sur . Exercice : Soit A une partie de . Montrer que {, A, Ac , } est une tribu sur . Exercice : Soit un ensemble, et A et B deux parties de . on pose F = {, A, B, A B, A B, Ac , B c , (A B )c , (A B )c , A B c , Ac B, A B c , Ac B, } Montrer que F est une tribu. Remarque : Si = R, la tribu habituellement utilis ee est la plus petite tribu contenent tous les intervalles ouverts. On lappelle tribu bor elienne et on la note B (R)

Proposition 1.5. Soit un ensemble muni dune tribu F , alors : i) est dans F , ii) Pour tout A et B de F , on a A B , A B A\B sont dans F . iii) Si les (Ai )i , sont des el ements de F , alors i Ai est un el ement de F (stabilit e par intersection d enombrable). Preuve. i) = et F , donc F . ii) A B F par d enition. A B = A B F car A B F A\B = A B F dapr` es ce qui pr ec` ede. iii) i Ai = i Ai F . Remarque : Une tribu est stable par r eunion et intersection nie.

1.5

Le concept de probabilit e

D enition 1.6. Soit un ensemble muni dune tribu F . Une application P de F dans [0, 1] est une probabilit e si elle v erie les propri et es suivantes : i) P () = 1 ii) ( additivit e) Si les (Ai )i sont des el ements de F deux ` a deux disjoints, alors P(
i

Ai ) =
i

P (Ai ).

Le triplet (, F , P ) est alors appel e un espace de probabilit e. Remarques : 1. Les ev enements sont donc les parties de auxquels on saura attribuer une probabilit e de se r ealiser. 2. Si est ni, on peut remplacer ii) par ii) pour tout A, B de P () tels que A B = , P (A B ) = P (A) + P (B ). Exemples : 1. Jet dun d e : = {1, 2, ..., 6}, les faces sont equiprobables. On prend F = P () et on d enit P par : 1 P ({1}) = P ({2}) = ... = P ({6}) = . 6 1 P ({2, 3}) = P ({2}) + P ({3}) = . 3 2. Jet dune pi` ece de monnaie = {P, F }, si la pi` ece est equilibr ee, on choisit : 1 P ({P }) = P ({F }) = . 2 Attention ! Le mot probabilit e d esigne donc deux choses di erentes : lapplication et le nombre associ e par cette application ` a un ev enement. Le contexte permet en g en eral de lever toute ambigu t e. Exercice : Soit P1 et P2 deux probabilit es sur un espace mesurable (, F ), et soit [0, 1]. Montrer que P = P1 + (1 )P2 est une probabilit e sur (, F ).

Nous avons regroup e dans la proposition suivante les r` egles fondamentales auxquelles ob eit une probabilit e: Proposition 1.7. Soit (, F , P ) un espace de probabilit e. i) P () = 0 ii) si (Ai )1in sont des el ements de F deux ` a deux disjoints, alors
n n

P(
i=1

Ai ) =
i=1

P (Ai ).

iii) si A est dans F , alors = 1 P (A), iv) si A et B sont des el ements de F tels que A B , alors P (A) P (B ). v) si A et B sont deux el ements de F , alors P (A B ) = P (A) + P (B ) P (A B ) vi) si (Ai )1in sont des el ements de F , alors P(
i

P (Ac )

Ai )
i

P (Ai )

vii) si (Ai )1in forment une suite croissante d el ements de F , cest ` a dire sils v erient i N Ai Ai+1 , alors P(
i

Ai ) = limi+ P (Ai ).

viii) si (Ai )1in forment une suite d ecroissante d el ements de F , cest ` a dire sils v erient i N Ai+1 Ai , alors P(
i

Ai ) = limi+ P (Ai ).

Preuve. i) On applique le ii) de la d enition ` a la famille d ev enements disjoints (, , , ...) :

1 = P () +
i=1

P ().

La s erie dans le membre de droite ne converge alors que si P () = 0. ii) On applique le ii) de la d enition ` a la famille d ev enements disjoints (A1 , A2 , . . . , An , , , . . .) en utilisant que P () = 0 :
n n n n

P(
i=1

Ai ) =
i=1

P (Ai ) +
i=n+1

P () =
i=1

P (Ai )

iii) On applique ii) ` a famille d ev enements disjoints (A, Ac ) : P (A) + P (Ac ) = P (A c A ) = P () = 1 dapr` es le i) de la d enition. iv) Soit A et B deux ev enements tels que A B . Comme B = (B A) (B Ac ), avec (B A) (B Ac ) A Ac = , on peut appliquer ii) : P (B ) = P (B A) + P (B Ac ) or P (B Ac ) 0 P (B A) = P (A) car A B 8

v) On ecrit A B comme la r eunion disjointe A B c , A B et B Ac (v erier et faire c un dessin), et on remarque que A est la r eunion disjointe A B , et A B , tandis que B est la r eunion disjointe A B et B Ac . On obtient donc : P (A B ) = P (A B ) + P (A B c ) + P (B Ac ) = (P (A B c ) + P (A B )) + (P (A B ) + P (B Ac )) P (A B ) = P (A) + P (B ) P (A B ). Pour les trois derniers points, on construit ` a partir de la famille (Ai )i une famille (Bi )i de la fa con suivante :
i1

B0 = A0 et i 1, Bi = Ai \ (
j =0

Aj ),

on v erie alors (exercice) que i N, Bi Ai , et donc P (Bi ) P (Ai ). i = j = Bi Bj = , n n N, n ecurrence) et donc i Bi = i Ai i=0 Bi = i=0 Ai (par r vi) P ( i Ai ) = P ( i Bi ) = i P (Bi ) i P (Ai ). vii) P ( i Ai ) = P ( i Bi ) = limn n i=1 P (Bi ). n n n Mais P ( B ) = P ( B ) = P ( i i=1 i=1 i i=1 Ai ) = P (An ) par croissance de la suite (An )n . Donc P( Ai ) = limn P (An ).
iN

viii) Utiliser le point pr ec edent et passer aux compl ementaires (exercice). Exercice : Un d e a six faces, avec deux faces marqu ees 5. Donner un espace de probabilit e correspondant au lancer de ce d e.

1.6

D enition dune probabilit e sur un espace ni.

Quand lunivers est ni, on peut facilement d ecrire les probabilit es sur . Th eor` eme 1.8. Soit = {1 , 2 , ..., n }. Soit p1 , p2 , ..., pn n nombres r eels. Il existe une probabilit e P sur (, P ()) telle que : i {1, 2, ..., n}, P ({i }) = pi i {1, 2, ..., n}, pi 0 n et i=1 pi = 1.

P est alors unique, et on a pour tout ev enement A P () P (A) =


i/i A

P ({i })

Preuve. ) Supposons quil existe une probabilit e P sur (, P ()) telle que pour tout i |[1, n]| pi = P ({i }). n On a : pi 0, i |[1, n]| et n i=1 pi = i=1 p({i }) = P () = 1. De plus pour tout ev enement A P () : P (A) =
i/i A

P ({i }) =
i/i A

pi .

Donc P est uniquement d etermin ee par la donn ee des pi . 9

) Supposons que i {1, 2, ..., n}, pi 0, n et i=1 pi = 1. Soit P lapplication d enie sur P () par : A P (), P (A) =
i/i A

pi

Montrons que P est une probabilit e sur (, P ()). On a : i |[1, n]|, pi 0, donc P (A) 0 A P (). Et,
n

P (A) =
i/i A

pi
i=1

pi = 1.

Donc P est une application de P () dans [0, 1]. De plus,


n

P () =
i=1

pi = 1.

Si A et B sont deux ev enements disjoints, on a : P (A B ) =


i/i AB

pi =
i/i A

pi +
i/i B

pi = P (A) + P (B ).

Donc P est une probabilit e sur (, P ()) et par d enition de P , P ({i }) = pi pour tout i |[1, n]|. Exemple : Un d e biais e: pi 1
1 3

2
1 6

3
1 12

4
1 12

5
1 4

6 p

D eterminer p pour que les pi d enissent une probabilit e. Calculer la probabilit e que le r esultat du d e soit pair.

1.6.1

Equiprobabilit e

D enition 1.9. On dit quil y a equiprobabilit e, lorsque les probabilit es de tous les ev enements el ementaires sont egales. On dit aussi que P est la probabilit e uniforme sur (, P ()). Remarque : Lunivers est n ec essairement ni. En eet, si est inni, on a
+ +

P () =
i=1

pi =
i=1

= 1,

avec = pi . La s erie de terme g en eral converge, donc limi = 0. Donc = 0. Contradiction avec + i=1 = 1. Par suite lunivers est ni.

10

Proposition 1.10. Sil y a equiprobabilit e, pour tout ev enement A, on a : P (A) = card(A) nb de cas f avorables = card() nb de cas possibles

Preuve. Dans un univers muni de l equiprobabilit e, de cardinal n, la probabilit e dun ev enement 1 el ementaire vaut n . En eet, posons = pi . On a :
n n

1 = P () =
i=1

pi =
i=1

= n.

1 . Donc = n De plus, si A est un ev enement quelconque de P (), on a :

P (A) =
i/i A

pi =
i/i A

1 card(A) = . n n

Le calcul de la probabilit e dun ev enement A se ram` ene donc ` a un probl` eme de d enombrement, il sagit de calculer le nombre d el ements de A et de . Exercice : Un sac contient deux boules blanches et trois boules noires. On tire une boule du sac. Quelle est la probabilit e quelle soit blache ? On peut choisir deux mod` eles ; deux univers 1 , 2 peuvent mod eliser le tirage al eatoire pr ec edent : 1) 1 = {B, N }, la probabilit e P1 etant d enie par 2 P1 ({B }) = , 5 P1 ({N }) = 3 5

P1 nest pas une probabilit e uniforme. 2) On choisit 2 = {B1 , B2 , N1 , N2 , N3 }. Chaque boule du sac a la m eme probabilit e d etre tir ee. On consid` ere sur 2 la probabilit e uniforme, que lon note P2 . 1 P2 ({B1 }) = P2 ({B2 }) = P2 ({N1 } = P2 ({N2 } = P2 ({N3 }) = . 5 Soit A l ev enement tirer une boule blanche. Et on a : P2 (A) = 2 card(A) = . card() 5

1.6.2

El ements danalyse combinatoire

1- Les p-listes : Elles correspondent ` a un tirage successif et avec remise cest ` a dire que les r ep etitions sont possibles et que lordre est important. 2- les suites de p el ements distincts : Elles correspondent ` a un tirage successif et sans remise, cest ` a dire que les r ep etitions sont impossibles et que lordre est important. 3- Les permutations : Toutes suite de n el ements distincts choisis parmi les n el ements dun ensemble E est appel e permutation de n el ements. Le nombre total de permutations dun ensemble de n el ements est n!.

11

An daborder les probl` emes danalyse combinatoire, rappelons les d enitions et les prok k pri et es des coecients Cn et An .
k : Coecient Cn k Cn est un entier naturel qui est d eni par k Cn =

n! , k !(n k )!

0 k n,

avec

(0! = 1)

k poss` k est le nombre de fa Cn ede une interpr etation tr` es utile en pratique : Cn cons de choisir simultan ement k el ements parmi n el ements. k est aussi le nombre de parties ` Cn ak el ements distincts, pris dans un ensemble ` an el ements.

Coecient Ak n : Par d enition : Ak n =

n! , (n k )!

1 k n.

(Ak cons de choisir successivement et sans remise k el ements parmi n n est le nombre de fa el ements). Nous sommes ` a pr esent en mesure de pr eciser les trois mod` eles de base qui interviennent fr equemment en pratique.

1.6.3

Exemples fondamentaux

a. Mod` ele de tirage avec remise : Un sac contient k boules di erentes que lon suppose num erot ees de 1 ` a k . On note E = {1, 2, ..., k }. On eectue n tirages avec remise (on remet la boule dans le sac apr` es chaque tirage). Lensemble des r esultats possibles, est lensemble des n-listes, cest-` a-dire lensemble des suites d el ements de E de longueur n (une n-liste est un el ement de E n ). n On note = E E ... E = E . Alors : card() = (cardE n ) = k n . En eet, pour former toutes les n-listes, on a k possibilit es pour choisir le premier el ement, k pour le second, etc... On met sur la probabilit e uniforme : P ({i }) = 1 . kn

Exemple : On reprend lexemple classique du jet dun d e equilibr e` a six faces. On suppose que le d e est jett e 3 fois. Ici E = {1, 2, 3, ..., 6}. k = 6 et n = 3. lensemble des triplets ou 3-listes d el ements de E . Ainsi : (1, 2, 2) , (5, 3, 1) 1 La probabilit e de chaque ev enement el ementaire est 613 = 216 . En particulier 1 P ({(5, 3, 1)}) = P ({(1, 2, 2)}) = . 216

12

b. Mod` ele de tirage sans remise et sans ordre : Combinaison. Un sac contient k boules di erentes num erot ees de 1 ` a k . On tire en une seule fois m boules du sac m k . On choisit pour lensemble des parties ` a m el ements. On a m . On prend sur la probabilit card() = Cn e uniforme : P ({ }) = 1 . m Cn

Exemple : On distribue 4 cartes parmi 32, quelle est la probabilit e p davoir 4 gures (valet, dame, roi) ? Le nombre de r esultats possibles est
4 C32 =

32! 32 31 30 29 = = 71920. 4!28! 432

4 = 990 choix possibles de quatre gures parmi 12. Puisque Il y a 12 gures, donc C12 lon a choisi sur la probabilit e uniforme

p=

4 C12 4 = 0, 014. C32

c. Mod` ele de tirage sans remise et avec ordre : Arrangements On choisit le m eme sac que pr ec edemment et on tire une ` a une, sans les remettre, m boules dun sac contenant initialement k boules avec m k . Les r esultats possibles sont les suites de m el ements de {1, 2, ..., k }, deux ` a deux distincts. Ainsi si k = 4 et m = 2., = {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4), (3, 1), (3, 2), (3, 4), (4, 1), (4, 2), (4, 3)} Pour compter le nombre des suites, on remarque que lon a k possibilit es pour choisir le premier el ement, cet el ement etant donn e, le deuxi` eme doit etre distinct du premier, il ne reste que (k 1) possibilit es , etc,... On a ainsi k! = Am card() = k (k 1)(k 2)...(k m + 1) = k . (k m)! Exercice : Un sac contient 2 V et 3 B. On eectue 2 tirages sans remise. Donner , calculer la probabilit e davoir 2 vertes exactement, 2 blanches exactement, 1 V et 1 B. On pose E = {V1 , V2 , B1 , B2 , B3 }. est lensemble des suites de deux el ements de E deux ` a deux disjoints. On ecrit : = {(V1 , V2 ), (V1 , B1 ), (V1 , B2 ), (V1 , B3 ), (V2 , V1 ), ...} On a card() = A2 5 = 20. P(A) = P(B ) = P(C ) = card(C ) = 2 3 2 = 12. 13
card(B ) card() card(A) card() card(C ) card()

= = =

A2 2 20 A2 3 20 12 20

= =

2 20 6 20

= =

1 10 . 3 10 .

3 =5 ,

1.7

R esum e du premier chapitre

1. Ph enom` ene al eatoire : Tout ph enom` ene dans lequel intervient le hasad est dit al eatoire ou stochastique. En revanche, si lon est certain de l evolution du ph enom` ene, on parle de ph enom` ene d eterministe. 2. Lunivers : Il peut etre soit a) ni : = {x1 , ..., xk } (ex. = {1, 2, 3}) b) inni d enombrable : = {x1 , ..., xk , ...} (ex. = N). 3) inni non d enombrable : (ex. = R, [0, [, [a, b], ...). Math ematiquement, lunivers est un ensemble quelconque. Intuitivement, cest lensemble des issues possibles dune exp erience al eatoire. 3. La probabilit e P : Cest une fonction d enie sur les sous-ensembles de , ` a valeurs A ) = P ( A ) si les Ai sont dans [0, 1] et qui v erie en outre P () = 1 et P ( i i i=0 i=0 disjoints deux ` a deux. A laide de ces trois axiomes, on d emontre dautres formules. Les plus utiles ` a retenir sont : P (A B ) = P (A) + P (B ) P (A B ). et P (A) = 1 P (A).

14

1.8

Exercices

Exercice 1. Trois boules sont tir ees dun sac contenant des boules blanches et des boules rouges. Soient les ev enements : A= la premi` ere boule est blanche B= la deuxi` eme boule est blanche C= la troisi` eme boule est blanche. Exprimer les ev enements suivants en terme de A , B et C : D= toutes les boules sont blanches , E= les deux premi` eres sont blanches, F= au moins une est blanche, G= une boule au plus est blanche, H= toutes les boules sont rouges K= seulement la troisi` eme est blanche. Exercice 2. Soit un ensemble. 1) D ecrire P () si = {1, 2, 3} 2) Calculer le cardinal de P () quand est un ensemble ni (resp. inni). Soit n et k deux entiers non nuls tels que k < n. k = C nk . 3) Montrer que Cn n k = C k1 + C k . 4) Montrer que Cn n1 n1 5) Etablir lidentit e suivante :
n

(1 x)n =
k=0

k k (1)k Cn x .

Exercice 3. On lance 3 d es equilibr es. Quelle est la probabilit e dobtenir : 1) A = une fois 1, une fois 2, une fois 3, 2) B = trois fois 1, 3) C= une fois 1 et deux fois 5. Exercice 4. On lance 2 d es equilibr es, lun apr` es lautre, et on consid` ere les ev enements suivants : A = le premier d e donne un r esultat pair B = le deuxi` eme d e donne un r esultat impair C = les deux d es donnent des r esultats de m eme parit e. 1) Calculer P (A B C ) et P (A).P (B ).P (C ). 2) Calculer P (A B ) et P (A).P (B ). Exercice 5. Dans un aquarium, il y a cinq poissons rouges trois poissons noirs et deux poissons argent es. On p eche au hasard trois poissons. Calculer la probabilit e des ev enements suivants : A = les trois poissons p ech es sont de la m eme couleur, B = les trois poissons p ech es sont de trois couleurs di erentes, C= les trois poissons p ech es sont de deux couleurs exactement. 15

Exercice 6. Soit (, B) un espace probabilisable ( B est lensemble des ev enements). p1 , p2 , ..., pn sont n probabilit es sur (, B ). 1 , 2 , ..., n sont n r eels positifs tels que n i=1 i = 1. On pose
n

P =
i=1

i pi .

Montrer que P est une probabilit e sur (, B ) Exercice 7. Soit f lapplication de R dans R d enie par f (x) =
x (1+x2 ) 2
3

= {a, b, c}. Soit F une primitive de f sur R. ( F existe car f est continue). et deux r eels tels que 0 < < . On consid` ere lapplication P de P () dans R d enie par : P {a} = 0 f (x)dx, P {b} = f (x)dx, P {c} = 1 F ( ) P {a, b} = P {a} + P {b} P {a, c} = P {a} + P {c} P {b, c} = P {b} + P {c} P () = P {a} + P {b} + P {c} P () = 0 D eterminer F pour que P soit une probabilit e sur (, P ()) Exercice 8. Un jeu de toto foot consiste ` a pr evoir les r esultats de dix equipes de football en inscrivant les pr evisions sur une feuille r eponse. Pour chaque match trois r esultats sont possibles : victoire dune equipe, victoire de lautre equipe, match nul. combien de chances a-t-on de gagner si on a jou e, dabord une feuille et puis deus feuilles ? Exercice 9. On fait remplir un questionnaire ` a 20 questions binaires. Quelle est la probabilit e quun candidat r epondant au hasard obtienne au moins 16 bonnes r eponses ? Exercice 10. Soit (, A) un espace probabilisable et A un ev enement. On appelle fonction indicatrice de l ev enement A et on note IA la fonction d enie sur ` a valeurs dans {0, 1} d enie par : IA ( ) = Soit B 1. 2. 3. 4. 5. 1 si A 0 si /A

A. Montrer que : IA = IB si, et seulement si, A = B. IAc = 1 IA . IAB = IA IB . IAB = IA + IB IA IB . Soit A1 ,..., An des sous ensembes du m eme , deux ` a deux disjoints, montrer que
n

In = i=1 Ai
i=1

IAi .

6. Montrer que si A B , IA IB . Exercice 11. Soit (An ) une suite d ev enements. On pose lim sup An =
n

(
n mn

Am )

et

lim inf An =
n

(
n mn

Am ).

16

1) Interpr eter lim supn An et lim inf n An . Montrer que lim inf n An lim supn An . 2) Montrer la propri et e suivante : Si
n0

P (An ) < +,

alors

P (lim sup An ) = 0.
n

Exercice 12. Soit = {B1 , ..., BN } une partition de . On appelle tribu engend ee par et on note B la plus petite tribu contenant les el ements de . Les Bn sont les informations el ementaires quil est possible dobtenir sur . 1) Montrer que B est constitu ee de , et de toutes les r eunions d el ements de . 2) Montrer que si F1 et F2 sont deux tribus sur , alors il en est de m eme de F = F1 F2 . 3) En d eduire que si H est une famille quelconque de parties de , il existe une alg` ebre contenant H et qui est contenue dans toutes les tribus contenant H (ce qui revient ` a dire quil existe une plus petite alg` ebre contenant H not ee (H)). 4) Soit d N . On appelle tribu bor elienne sur Rd la tribu engendr ee par la famille O des d d d ensembles ouverts de R . On la notera B(R ). Ainsi B(R ) = (O). Montrer que : (O) = (F ), o` u (F ) est la tribu engendr ee par les ensembles ferm es de Rd .

17

Chapitre 2

Probabilit es conditionnelles et ind ependance


2.1 Introduction

Il sagit de d enir la fa con dont les probabilit es aect ees aux ev enements sont susceptibles d etre modi ees par larriv ee dinformations nouvelles. Une information est ici une armation du type l ev enement A est r ealis e ou l ev enement B est r ealis e . Exemple : On lance une fois un d e cubique parfait dont les faces sont num erot ees de 1 ` a 6. Soit A l ev enement : on obtient un nombre inf erieur ou egal ` a5 et B l ev enement : on obtient un nombre sup erieur ou egal ` a3 . Supposons que lon sache que A est r ealis e. Le r esultat du lancer est donc un el ement de {1, 2, 3, 4, 5} et il y a 5 cas possibles. B est r ealis e si, et seulement si, {3, 4, 5}. Il y a donc 3 cas favorables pour que B soit r ealis e. La probabilit e que B soit r ealis e sachant A lest est 3 5. 5 Or, on a P (A) = 6 et P (A B ) = 3 , donc 6 3 P (A B ) = . 5 P (A)

2.2

Probabilit e conditionnelle

D enition 2.1. Soit (, A, P ) un espace de probabilit e et soit A un ev enement de probabilit e non nulle. Pour tout ev enement B A, on appelle probabilit e conditionnelle de B sachant A la quantit e, not ee P (B/A) et d enie par : PA (B ) = P (B/A) = P (A B ) . P (A)

Remarques : 1. La Probabilit e conditionnelle est une vraie probabilit e. Pour cela, montrons que PA est une application de A dans [0, 1] telle que pour toute suite (Bn )n d el ements 2 ` a2 disjoints de A on a : PA (n Bn ) = PA (Bn ).
n

18

On a A B A donc P (A B ) existe et on a aussi A B A donc PA (B ) [0, 1]. Soit (Bn )n une suite d el ements 2 ` a 2 disjoints. On a : PA ( n=0 Bn ) = P (n0 (A Bn ) P (A (n0 Bn )) = = P (A) P (A)
n=0

P (A Bn ) . P (A)

2. Si A, B A sont tels que P (A) > 0 et P (B ) > 0, on a la propri et e evidente mais tr` es utile suivante : P (A B ) = PB (A)P (B ) = PA (B )P (A). Th eor` eme 2.2. (Formule des probabilit es compos ees) Soit (Ai )1in une famille d ev enements telle que P (A1 A2 ... An1 ) = 0. Alors, P (n i=1 Ai ) = P (A1 )PA1 (A2 )...PA1 A2 ...An1 (An ). Preuve. Voir TD.

Remaraque : Toutes les probabilit es ecrites ont un sens car : j {1, 2, ..., n 1} Donc P (A1 A2 ... Aj ) P (A1 A2 ... An1 ) > 0. Exemple : Un sac contient 3 boules blanches et 7 noires. On tire successivement 3 boules sans remise. Quelle est la probabilit e dobtenir les trois boules blanches ? Soit Bk (resp. Nk ) l ev enement le k ieme tirage donne une boule blanche Soit A l ev enement on obtient 3 boules blanches . A = B1 B2 B3 . Dapr` es la formule des probabilit es compos ees, on a : P (A) = P (B1 )PB1 (B2 )PB1 B2 (B3 ). Puisque le sac contient 10 boules dont 3 blanches, on a : P (B1 ) = 3 . 10 (resp. noire). A1 A2 ... An1 A1 A2 ... Aj .

` lissue du premier tirage, le sac contient 9 boules et si la premi` A ere boule tir ee est blanche, il ne reste que 2 boules blanches donc, 2 PB1 (B2 ) = . 9 ` lissue du deuxi` A eme tirage, le sac contient 8 boules et si les deux boules tir ees sont blanches, il ne reste que 1 boule blanche donc, 1 PB1 B2 (B3 ) = . 8 Finalement, P (A) = 3 2 1 1 = . 10 9 8 120 19

D enition 2.3. Une suite nie ou non (Bn )nI d ev enements de est appel ee une partition de si les Bn sont deux ` a deux disjoints et si leur r eunion est egale ` a . On a alors le th eor` eme : Th eor` eme 2.4. (Principe des probabilit es totales) Soit (, A, P ) un espace probabilis e, soit (Bn )nI une partition telle que P (Bn ) > 0 pour tout n I et soit A A. On a : P (A) = PBn (A)P (Bn ).
nI

Preuve.

P (A) = P (A ) = P (A nI Bn ) = P (nI (A Bn )) = nI P (A Bn ) = nI PBn (A)P (Bn ).

Remarque : Quand n = 2, on obtient en particulier : P (A) = PB (A)P (B ) + PB c (A)P (B c ). Exemple On eectue des tirages sans remise dans un sac contenant 3 boules blanches et 7 boules noires. Quelle est la probabilit e dobtenir une boule noire au deuxi` eme tirage ? Le premier tirage a donn e soit une boule blanche soit une boule noire, donc : P (N2 ) = P (B1 )PB1 (N2 ) + P (N1 )PN1 (N2 ) On a P (B1 ) = 3 7 , et P (N1 ) = . 10 10

` lissue du premier tirage, le sac ne contient que 9 boules dont 7 noires si B1 a A et e r ealis e et 6 boules noires si cest N1 qui a et e r ealis e. Donc : PB1 (N2 ) = Do` u: 7 9 et PN1 (N2 ) = 6 9

3 7 7 6 7 + = . 10 9 10 9 10 Th eor` eme 2.5. (Formule de Bayes) Soit (, A, P ) un espace probabilis e, soit (Bk )n k=1 une partition de telle que P (Bk ) > 0, pour tout k {1, ..., n} : P (N2 ) = PA (Bk ) = Preuve. On a : PBk (A)P (Bk ) = PA (Bk )P (A) = PA (Bk ) PBn (A)P (Bn ). PBk (A)P (Bk ) n PBn (A)P (Bn )

20

Interpr etation : Soient (Bk )n k=1 une partition de . A chacun des ev enements (Bk ) correspond une information initiale qui permet d evaluer a priori (en partant de ce qui pr ec ede) les probabilit es P (B1 ), P (B2 ),...,P (Bn ). Soit A un ev enement quelconque pour lequel on conna t a priori les probabilit es conditionnelles PB1 (A), PB2 (A),..., PBn (A). Le th eor` eme de Bayes permet de calculer les probabilit es conditionnelles a posteriori( en partant de ce qui vient) PA (Bk ) ` a partir des probabilit es a priori les P (Bk ) et les PBk (A). Exemple : Reprenons lexemple pr ec edent et eectuons deux tirages. Le second tirage ayant donn e une boule blanche, quelle est la probabilit e que la premi` ere boule tir ee ait et e blanche ? Cherchons PB2 (B1 ) : B2 B1 ) PB2 (B1 ) = P (P (B2 ) = =
P (B1 )PB1 (B2 ) P (B1 )PB1 (B2 )+P (N1 )PN1 (B2 ) 3 2 10 9 =2 3 2 9. + 7 3
10 9 10 9

Exercice : Une entreprise utilise trois machines di erentes A, B, et C pour fabriquer des pi` eces. 40% sont fabriqu ees par A, 30% par B et 30% par C . La machine A produit 2% de pi` eces d efectueuses, B 4% et C 5%. 1. On pr el` eve une pi` ece au hasard. Quelle est la probabilit e quelle soit d efectueuse ? 2. On pr el` eve une pi` ece. Elle est d efectueuse. Quelle est la probabilit e quelle vienne de A? 3. On pr el` eve une pi` ece. Elle est saine. Quelle est la probabilit e quelle vienne de C ? Solution : Soit A : etre fabriqu e par A, B : etre fabriqu e par B ,... D: etre d efectueuse et D : saine. On a P (A) = 0.4, P (B ) = 0.3, P (C ) = 0.3. A, B et C sont tels que A B = A C = B C = et A B C = . 1) En applicant la formule des probabilit es totales on a : P (D) = PA (D)P (A) + PB (D)P (B ) + PC (D)P (C ) = 0.02 0.4 + 0.04 0.3 + 0.05 0.3 = 2) Dapr` es le th eor` eme de Bayes, PD (A) = 3) PD (C ) = PC (D)P (C ) 0.95 0.3 . = 1 P (D) P (D ) 0.02 0.4 PA (D)P (A) = . P (D) P (D)

2.3
2.3.1

Ind ependance d ev enements et de sous-tribus.


Ind ependance d ev enements

Parfois, A et B sont tels que PB (A) = P (A). Autrement dit le fait de savoir que B est r ealis e ne donne aucune information suppl ementaire sur le fait de savoir que A lest. Cela conduit ` a la : 21

D enition 2.6. Soit (, A, P ) un espace probabilis e. 1. Deux ev enements A et B sont dits ind ependants si : P (A B ) = P (A)P (B ). 2. Une suite nie (Ai )i{1,2,...,n} d ev enements est dite mutuellement ind ependante si, pour toute partie non vide I {1, 2, ..., n}, on a P (iI Ai ) =
iI

P (Ai )

3. Une suite nie ou non (Ai ) d ev enements est dite ind ependante deux ` a deux si, on a P (Ai Aj ) = P (Ai )P (Aj ), i = j.

Remarques : 1. Lind ependance mutuelle implique evidemment lind ependance deux ` a deux. Mais attention, si n 3, la r eciproque est fausse. Exemple : Soit = {1, 2, 3, 4} avec P ({1}) = P ({2}) = P ({3}) = P ({4}) = 1 4. Les ev enements A = {1, 2}, B = {1, 3} et C = {1, 4} sont deux ` a deux ind ependants 1 (On a : P (A B ) = P (A)P (B ) = 1 4 , P (A C ) = P (A)P (C ) = 4 et P (C B ) = 1 P (C )P (B ) = 4 ). 1 Mais pas mutuellement ind ependants ( P (A B C ) = 1 4 = 8 = P (A)P (B )P (C )). 2. La notion dind ependance d epend de la probabilit e consid er ee. On peut imaginer un espace mesurable (, A), sur lequel existent deux probabilit es P et Q telles que les ev enements A et B soient ind ependants sous P et pas sous Q. (Voir s erie dexercice no 2). Attention : Ne confondez pas ev enements ind ependants et ev enements disjoints ! ! Par exemple, A et Ac sont disjoints et ne sont pas ind ependants : si on sait que A est r ealis e, on c est s ur que A nest pas r ealis e. P (A Ac ) = P () = 0. Et P (A)P (Ac ) = P (A)(1 P (A)) = 0 en g en eral. Exercice Soit A et B deux ev enements. Montrer que si A et B sont ind ependants, alors Ac et B (resp. A et B c , Ac et B c ) sont ind ependants.

2.3.2

Ind ependance de sous-tribus

D enition 2.7. Deux sous tribus G et G de A sont ind ependantes si A G , A G , P (A A ) = P (A)P (A ).

i.e. tout ev enement de G est ind ependant de tout ev enement de la tribu G . Exemple : Soit = {1 , 2 , 3 , 4 }, et A = P () On pose : G = {, , {1 , 2 }, {3 , 4 }}, 22

et G = {, , {1 , 3 }, {2 , 4 }}. Alors G et G sont deux sous tribus de A ind ependantes. Exercice : Si deux tribus A1 et A2 sur (, A, P ) sont ind ependantes et ayant un el ement commun A, on a : P (A) = 0 ou 1. On a : P (A A) = P (A)2 = P (A). Do` u P (A) = 0 ou 1.

2.4

Application : Apparition dun pile dans un sch ema de Bernoulli

On consid` ere une suite innie de lancers de pile ou face ind ependants ; on suppose qu` a chaque lancer on a une probabilit e p ]0, 1[ dobtenir pile. Montrer quavec probabilit e 1, face va apparaitre dans la suite de lancers. On note An l ev enement pile apparait au n-i` eme lancer . On sait par les hypoth` eses que les (An )n sont ind ependants et que P (An ) = p > 0 pour tout n. On note A l ev enement pile apparait au mois une fois . Alors Ac = n1 Ac n et donc, pour tout N N ,
N

P (A )

c P (N n=1 An )

=
n=1

N P (Ac n ) = (1 p)

qui tend vers 0 quand N tend vers linni. Donc, P (Ac ) = 0. Par suite, P (A) = 1.

23

2.5
1.

R esum e du deuxi` eme chapitre


Ce qui concerne les probabilit es conditionnelles P (AB ) Probabilit e sachant B : si PB (A) = P (B ) . Partition de : (B1 , B2 , ..., Bn ) est une partition de si = n i=1 Bi et si Bi Bj = chaque fois que i = j (c` ad que les Bi sont deux ` a deux disjoints). Principe des probabilit es totales : si (B1 , B2 , ..., Bn ) est une partition de telle que P (Bi ) > 0 pour tout i, on a :
n

P (A) =
i=1

PBi (A)P (Bi ).

Formule de Bayes : si (B1 , B2 , ..., Bn ) est une partition de telle que P (Bi ) > 0 pour tout i, on a : PBk P (Bk ) PA (Bk ) = n . i=1 PBi (A)P (Bi ) 2. Ce qui concerne lind ependance Dans un espace probabilis e (, A, P ), deux ev enements A et B sont ind ependants si : P (A B ) = P (A)P (B ). Lind ependance de deux ev enements d epend de la probabilit e choisie. G en eralisation Des ev enements (Ai )iI sont mutuellement ind ependants si, pour toute partie J I , on a P (iJ Ai ) = P (Ai ).
iJ

Cette notion est plus forte que lind ependance deux ` a deux. Par exemple, il peut arriver que trois ev enements A, B et C soient deux ` a deux ind ependants, mais ne v erient pas la condition suppl ementaire P (A B C ) = P (A)P (B )P (C ) pour lind ependance mutuelle.

24

2.6

Exercices

Exercice 1. (Formule du crible de Poincar e) (, P (), P ) est un espace de probabilit e. A1 , A2 ,...An sont n ev enements. Montrer , par r ecurrence, que :
n n n

P(
i=1

Ai ) =
i=1

P (Ai ) + ... + (1)

k+1 1i1 <...<ik n

P (Ai1 ... Aik ) + ... + (1)

n+1

P(
i=1

Ai ).

Application : (Probl` eme des chapeaux). Cinq personnes ont accroch e leur chapeau au porte-chapeau en entrant au restaurant. Apr` es le repas, elles r ecup` erent leur chapeau au hasard. On convient de num eroter les personnes de 1` a 5. Pour i |[1, 5]|, on note Ai l ev enement : la personne num ero i repart avec son chapeau, et A l ev enement Aucune personne ne repart avec son chapeau. 1. Quel univers peut-on associer ` a cette exp erience al eatoire ? 2. Calculer les probabilit es P (Ai ) et P (Ai Aj ), pour i = j . 3. Calculer P (A). Exercice 2. Dans une usine on dispose de 3 machines A, B , C fabriquant des pi` eces m ecaniques dun type d etermin e. La machine A assure 25% de la production, la machine B assure 35% et C en assure 40%. 5% des pi` eces fabriqu ees ` a laide de la machine A sont d efectueuses. Les pourcentages sont respectivement egaux ` a 4% et 2% pour les machines B et C . 1) On tire une pi` ece au hasard quelle est la probabilit e quelle soit d efectueuse ? 2) On tire une pi` ece dun lot constitu e de pi` eces fabriqu ees, dans les proportion ind equ ees, par les machines A, B et C . On constate que cette pi` ece est d efectueuse. Calculer la probabilit e quelle ait et e fabriqu ee : - par la machine A - par la machine B 3) On tire une pi` ece au hasard. Elle est saine. Quelle est la probabilit e quelle vienne de C . Exercice 3. Un test sanguin a une probabilit e de 0.95 de d etecter un certain virus lorsque celui ci est eectivement pr esent. Il donne n eanmoins un faux r esultat positif pour 1% des personnes non infect ees. Notons V = {la personne test ee a le virus}, T = {la personne test ee a un test positif}. 1. Si 0.5% de la population est porteuse du virus, quelle est la probabilit e quune personne ait le virus sachant quelle a un test positif ? 2. Interpr eter le r esultat. Exercice 4. 1. Soit n 2, Etablir que, si (A1 , ..., An ) est une suite d ev enements telle que P ( 0, alors
n n n i=1 Ai )

>

P(
i=1

Ai ) = P (A1 )
i=2

Pi1 Ak (Ai ).
k=1

25

(Indication : On pourra raisonner par rucurrence sur n). Exercice 5. Un sac contient initialement une boule blanche et une boule noire. On r ealise ind eniment lexp erience suivante : on tire une boule, on regarde sa couleur, on la remet dans le sac et on rajoute une nouvelle boule de la m eme couleur que celle obtenue. Notons X le nombre de tirage(s) n ecessaire(s) avant dobtenir une boule noire, avec la convention X = 0 si on ne tire jamais de boule noire. Notons Bi l ev enement On obtient une boule blanche au ieme tirage.
c et que {X = n} = B B ... B c a. Montrer que {X = 1} = B1 1 2 n1 Bn pour n 2. c sachant B B ... B b. Que vaut la probabilit e de Bn 1 2 n 1 ?

c. Calculer, pour i {2, ..., n 1}, la probabilit e de Bi sachant B1 B2 ... Bi1 . ` laide de la question 1) (en choisissant Ai = Bi d. A montrer que P (X = n) = n(n1 +1) (On remarquera que e. En remarquant que
23...(n1) n1 i 2 i=2 i+1 = 3...(n1)n = n ) 1 1 1 n(n+1) = n n+1 , montrer que +

si

i < n

et

c ), An = Bn

(X = n) = 1.
n=1

f. Que vaut P (X = 0) ? Interpr eter le r esultat. Exercice 6. 1) Soient A et B deux ev enements. Montrer que si A et B sont ind ependants, alors Ac et B (resp. A et B c , Ac et B c ) sont ind ependants. 2) Pour montrer que lind ependance nest pas une propri et e intrins` eque des ev enements et qu elle d epend de la probabilit e consid erer, on choisit = {1, 2, 3, 4, 5, 6} muni de la tribu P (). Soit P1 et P2 les probabilit es d enies sur (, P ()) par : i 1 2 3 4 5 6 i 1 2 3 4 5 6 et 1 1 1 1 1 1 1 1 1 1 1 P1 ({i}) 1 P ( { i } ) 2 6 6 3 9 9 9 6 6 6 6 6 6 On pose A = {1, 2} et B = {2, 3}. 1) Pour i=1, 2, calculer Pi (A), Pi (B ) et Pi (A 2) Conclure. B ).

Exercice 7. Pour juger de l ecacit e dune compagne publicitaire ayant port e sur un produit, on a sond e 1500 personne ; 1000 dans la r egion du Nord et 500 dans la r egion du sud. Les r esultats sont : R egion Nord Sud C. p. et le consomment 80 50 C.p. ne le consomment pas 150 130 Ne connaissent pas le produit 770 320

Calculer les probabilit es suivantes : 1. Probabilit e de conna tre le produit. 26

2. 3. 4. 5.

Probabilit e de conna tre le produit et le consommer. Probabilit e de conna tre le produit et ne pas le consommer. Probabilit e d etre du nord. Quelle est la probabilit e pour quune personne qui connaisse le produit soit consommatrice de ce produit ? 6. Quelle est la probabilit e pour quune personne prise au hasard du sud ne connaisssent pas le produit ? Exercice 8. guerre passe au-dessus de trois batteries antia eriennes. Chaque batterie a une chance sur trois dabattre lavion. Quelle est la probabilit e que lavion soit abattu ?

Exercice 9. Une usine sadresse ` a deux fournisseurs A et B pour lapprovisionnement dun composant electronique. Le contr ole de conformit e e ectu e sur un echantillon al eatoire de composants electroniques a donn e la r epartition suivante des pourcentages de d efauts : Fournisseur\ R epartition du nb de d efauts A B 0 d efauts 60 % 65% 1 d efauts 35% 25% 2 d efauts 5% 10%

Sachant que 70% des composants sont achet es ` a A et 30% ` a B. 1) Calculer la probabilit e pour quun composant ne pr esente aucun d efaut. 2) Calculer la probabilit e pour quun composant tir e al eatoirement et ne pr esente aucun d edaut provient de B . Exercice 10. Dans cet exercice on etudie une maladie rare qui atteint, disons 1 individu sur 1000 ( par exemple la maladie de la vache foulle). On met au point un test pour d etecter si un individu est infect e par la maladie. Lorsquun individu est malade, le test a une prbabilit e de 0.99 de se r ev eler positif. Si un individu nest pas porteur de la maladie, le test a une probabilit e 0.98 de lidentier comme tel. On teste un individu est le r erultat est positif. 1) Quelle est la probabilit e que lindividu ainsi test e soit eectivement infect e? 2) D eduire que si on applique un tel test pour d epister la maladie de la vache foulle et quon abat les vaches test ees positives, on va d eclencher un massacre inutile. Exercice 11. On consid` ere n menteurs I1 ,..., In . I1 re coit une information sous la forme de oui ou non, la transmet ` a I2 , et ainsi de suite jusqu` a In et In lannonce au monde. Chacun deux transmet ce quil a entendu avec la probabilit e p ]0, 1[, le contraire avec la probabilit e 1 p. Les r eponses des n personnes sont ind ependantes. On note Ak = Ik transmet linformation initiale, Bk = Ik transmet ce quil a entendu et pk = P (Ak ). c 1. a. Montrer que, pour tout k = 2, ..., n , Ak = (Ak1 Bk ) (Ac k 1 B k ) 1. b. En d eduire que, pour tout k = 2, ..., n, pk = 1 p + (2p 1)pk1 . 1 2. Montrer que la suite (uk ) d enie par uk = pk 2 est g eom etrique1 de raison 2p 1. En d eduire une formule explicite pour un puis pour pn . 3. Quelle est la limite de pn quand n ? interpr eter le r esultat.

27

Rappel : Une suite (xk ) est g eom etrique de raison q si, pour tout k a la formule explicite xn = x0 q n valable pour tout n .

, xk+1 qxk = 0. Dans ce cas, on

28

Chapitre 3

Les variables al eatoires


3.1 Introduction

Soit lunivers associe ` a une exp erience al eatoire. Il est parfois int eressant dassocier ` a chaque un nombre r eel, par exemple la somme des points obtenus lorsquon jette deux d es. On est donc amen e` a etudier des applications de dans R qui sont sous certaines conditions appel ees variables al eatoires r eelles.

3.2

Variables al eatoires

D enition 3.1. Soit (, A) et (E, B) deux espaces probabilisables. On appelle variable al eatoire toute application X de dans E telle que : B B , avec X 1 (B ) = { /X ( ) B}. On dit aussi que X est une application (A, B )mesurable. Exemple : 1. Si A = P () ou B = {, E }, alors toute application : X : E est une v.a. 2. Fonction indicatrice dun ev enement. Soit (, A) un espace mesurable et A un el ement de A. On d enit la fonction indicatrice de A, not ee 1A : , 1A ( ) = 1 0 si A, sinon X 1 (B ) A

alors 1A est une v. a. de (, A) dans ({0, 1}, P ({0, 1})). 3. Toute application continue de (R, B4 ) est une v. a. Exercice : On lance deux d es equilibr es et on note X la somme des deux r esultats. D ecrire un espace de probabilit e correspondant ` a cette exp erience al eatoire et d enir pr ecis ement X .

3.3

Probabilit e image et loi dune variable al eatoire

Proposition 3.2. Soit (, A, P ) un espace probabilis e, (E, B) un espace probabilisable et X : E une v.a. A toute el ement B de B, on peut associe le nombre P (X 1 (B )) = P ({ / X ( ) B}) = P (X B ) 29

et lapplication PX : B [0, 1] B PX (B ) = P (X 1 (B )) = P (X B ) d enit une probabilit e sur (E, B ), appel ee loi de X ou loi image de P par la variable al eatoire X . Preuve. V erions les trois axiomes des probabilit es : i) Il est clair que PX est ` a valeur dans [0, 1]. ii) PX (E ) = P (X 1 (E )) = P () = 1. iii) Si (Bi )i est une suite d ev enements deux ` a deux disjoints, on a :
1 ( A )) PX ( i=1 i i=1 Ai ) = P (X 1 (A )) = P (i=1 X 1 (Ai )) (car X 1 ( i i=1 Ai ) = i=1 X 1 1 = i P (X (Ai ) (car Les (X (Ai )i sont 2 ` a 2 disjoints) = i PX (Ai ).

Attention : Ne pas confondre la variable al eatoire avec sa loi. Consid erons un d e bleu et un d e rouge, et notons Xb , respectivement Xr , le r esultat du lancer du bleu, respectivement rouge. Alors P (Xb = Xr ) > 0 ( En eet ;
6

P (Xb = Xr ) = P (
5 6 ).

(Xb , Xr ) = (k, k )) =

k=1

6 1 = . 36 6

Donc les variables al eatoires Xb et Xr sont di erentes ; par contre, Donc P (Xb = Xr ) = elles ont la m eme loi. Exemple : On tire, avec remise chaque fois, deux boules dun sac contenant 3 boules num erot ees de 1 ` a 3. Soit X la v.a. : Somme des points obtenus. On a : = {1, 2, 3}2 et card() = 32 = 9. On a aussi : X () = {2, 3, 4, 5, 6}. Do` u: {X {X {X {X {X = 2} = {(1, 1)}, = 3} = {(1, 2), (2, 1)}, = 4} = {(1, 3), (3, 1), (2, 2)}, = 5} = {(2, 3), (3, 2)}, = 6} = {(3, 3)}, P (X P (X P (X P (X P (X = 2) = 1 9. = 3) = 2 9. 1 = 4) = 3 9 = 3. 2 = 5) = 9 = 6) = 1 9.

On peut repr esenter les r esultats sous forme dun tableau : xi P (X = xi ) On v erie que 2
1 9

3
2 9

4
3 9

5
2 9

6
1 9

1 2 3 2 1 + + + + =1 9 9 9 9 9 Remarque : La loi de X est d eterminer par X () et des valeurs pi = P (X = xi ) = PX ({xi }). Autrement dit, la loi de X est lensemble des (xi , pi ) tels que pi 0 et 30
n i=1 pi

= 1.

3.4

Cas des variables al eatoires r eelles

Quand lespace darriv ee E dune v. a. X est une partie de R, On dit que X est une v. a. r eelle.

3.4.1

Fonction de r epartition

D enition 3.3. Soit X une v. a. r. d enie sur lespace de probabilit e (, P ). La fonction FX d enie sur R par : FX (x) = PX (] , x]) = P (X 1 (] , x])) = P (X x), est appel ee la fonction de r epartition de X . La fonction de r epartition FX dune v. a. r. X v erie les propi et es suivantes : Proposition 3.4. 1. 0 FX 1, limt FX (t) = 0 et limt+ FX (t) = 1. 2. FX est croissante 3. FX est continue ` a droite avec des limites ` a gauche (c` adl` ag). 4. pour tout x R, on a : en notant F (x ) = lim0 F (x ) la limite ` a gauche : P (X = x) = FX (x) F (x ). Preuve. 1. Lencadrement 0 FX 1 vient du fait que P est ` a valeurs dans [0, 1]. On a : = n {X n} et dapr` es la propri et e de la continuit e monotone, on a 0 = P () = Tandis que : =
n n+

lim

P (X n) =

n+

lim

FX (n) =

lim

FX (n).

(X n)

(dapr` es la propri et e dArchimid),

Par suite : 1 = P () =
n+

lim

P (X n) =

n+

lim

FX (n)

2. La croissance d ecoule de la croissance de P . 1 ) = FX (x). 3. Montrons que limn+ FX (x + n On a : 1 1 FX (x + ) = PX (] , x + ]). n n


1 La suite des ev enements An =] , x + n ] est et ] , x] = + n=1 ] , x +

1 ]. n

(En eet, pour tout y ] , x], on a y x x + y ] , x + 31

1 n

pour tout n et donc

1 ]. n

1 R eciproquement, tout y dans cette intersection v eri e : n N , y x + n . Le passage ` a la limite qd n tend vers linni conservant cette in egalit e large. On en d eduit y x i.e. y ] , x].) Dapr` es la propri et e de la croissance monotone, 1 FX (x) = PX (] , x]) = P (] , x + n ]) 1 = limn+ P (] , x + n ]) 1 = limn+ FX (x + n ).

La limite ` a gauche est egalement une cons equence de la croissance de FX (Exercice.) 1 (Ind. ecrire n ] , x n ] =] , x[ et FX (x ) = PX (] , x[)). 4. On remarque que pour tout x R et tout n N : PX (]x Or, {x} = n ]x Ce qui donne : P ({x}) = lim 1 1 1 , x]) = PX (] , x]) PX (] , x ]) = FX (x) FX (x ). n n n 1 , x]. n

1 , x]). n Remarque : On peut d emontrer que deux variables al eatoires X et Y ont la m eme fonction de r epartition ssi elles ont la m eme loi. Autrement dit :
n+

PX (]x

PX = PY FX = FY . En pratique : On retrouve la probabilit e des intervalles ` a partir de la fonction de r epartition de la fa con suivante : Soit P une probabilit e sur (R, B4 ), et F sa fonction de r epartition, alors pour tous a < b : P (]a, b]) = F (b) F (a) P ([a, b]) = F (b) F (a ) P (]a, b[) = F (b ) F (a) P ([a, b[) = F (b ) F (a ) P ({a}) = F (a) F (a ) D emonstration : La premi` ere propri et e est claire par d enition de la fonction de r epartition. Montrons la deuxi` eme : on a 1 [a, b] = n1 ]a , b]. n Par limite d ecroissante, on obtient : P ([a, b]) = Mais, P (]a et
n n+

lim

P (]a

1 , b]). n

1 1 , b]) = F (b) F (a ) n n 1 ) = F (a ), n

lim F (a

ce qui prouve le r esultat.

32

Exercice : Montrer les autres in eglit es. Exemple : Consid erons lexemple pr ec edent. On a : X () = {2, 3, 4, 5, 6} On a : xi P (X = xi ) 2
1 9

3
2 9

4
3 9

5
2 9

6
1 9

D eterminons la fonction de r epartition de X : FX (x) = P (X x). Si x < 2, on a (X x) = = FX (x) = 0. Si 2 x < 3, on a (X x) = (X = 2) = FX (x) = P (X = 2) = 1 9. Si 3 x < 4, on a (X x) = (X = 2) (X = 3), de plus les ev enements (X = 2) et 1 2 (X = 3) sont disjoints = FX (x) = P (X = 2) + P (X = 3) = 9 +9 =1 3. 1 2 3 2 Si 4 x < 5 , on a : FX (X ) = 9 + 9 + 9 = 3 . 2 8 Si 5 x < 6, on a Fx (x) = 2 3 + 9 = 9. Si x 6, on a FX (x) = 1.

Fig. 1 -Fonction de r epartition F de la v.a. X

3.5
3.5.1

Lois discr` etes et lois continues


Lois discr` etes

D enition 3.5. On dit quune v.a. X est discr` ete si elle prend ses valeurs dans un ensembles ni ou d enombrable. X () = {xi R/i I } avec I = N ou Z ou une de leurs parties nies.

Dans ce cas, connaitre la loi de probabilit e de X , cest connaitre les probabilit es el ementaires : xi X () : P (X = xi ) = pi .
iI

Remarque : Il est toujours utile de v erier que pi et

pi = 1 .

33

Exercice : Soit X une v.a. r eelle dont la loi est d enie par : xi pi -1
1 4

1
1 2

2
1 4

D eterminer la loi de Y = 2X + 1 et de Z = X 2 . Solution : On a lunivers image de Y est {1, 3, 5}. 1 P (Y = 1) = P (X = 1) = . 4 1 P (Y = 3) = P (X = 1) = . 2 1 P (Y = 5) = P (X = 2) = . 4 De m eme , lunivers image de Z est {1, 4}. On a : 3 P (Z = 1) = P (X = 1) + P (X = 1) = . 4 1 P (Z = 4) = P (X = 2) = . 4 Remarques : 1. Soit X une v.a. de dans {x1 , x2 , ..., xn }. La fonction de r epartition v erie : x ] , x1 [, FX (x) = P () = 0, x [x1 , x2 [, FX (x) = P (X x) = FX (x1 ) = P (X = x1 ) = p1 . . . . x [xi , xi+1 [, FX (x) = p1 + p2 + ... + pi ( car {X x} = {X = xi xi1 ou ....ou X = x1 }). X xn , FX (x) = 1 = P (). 2. Dans le cas discret, comme FX (xi ) FX (xi1 ) = pi = P (X = xi ). Si on connait la fonction de r epartition, on peut reconstruire la loi de X par di erence successives. Exercice : Soit (a, b) N2 ; a < b ; X est une variable al eatoire discr` ete de dans N telle que : 1 x |[1, ab]| ; P (X = x) = a 1 b et P (X = x) = 0 ailleurs. 1) D eterminer une CNS sur a et b pour que les relations pr ec edentes d enissent eectivement une loi de probabilit e. 2) Dans ces conditions, tracer la repr esentation graphique de la fonction de r epartition FX de X .
b 3) Calculer la probabilit e pour que X |[a, a+ 2 ]|.

ou

X =

3.5.2

Lois continues

Quand la v. a. r. X prend ses valeurs dans un intervalle de R, ou dans une r eunion dintervalles de R, on dit que X est une variable al eatoire continue.

34

D enition 3.6. On dit quune v. a. r. X admet une densit e sil existe une fonction positive fX : R R telle que, pour tout intervalle [a, b] de R, on a
b

PX ([a, b]) = P (X [a, b]) =

fX (t)dt.

Faisons quelques remarques concernant cette notion : 1. Une densit e fX est positive et v erie
+

fX (t)dt = 1.

R eciproquement toute fonction v eriant ces deux conditions est la densit e dune v.a.r. b (on d enit la v.a. dont la loi est donn ee par P ([a, b]) = a fX (t)dt) 2. Par d enition m eme, on a
x

FX (x) =

fX (t)dt.

Par cons equent, si la fonction fX est continue ( ou continue par morceaux), on a : (FX ) = fX . On passe donc facilement de la fonction de r epartition ` a la fonction densit e et viceversa.

3.6

Les lois usuelles au programme

Dans toute la suite du chapitre, on xe un espace probabilis e (, A, P ), on d esigne par X une v. a. r eelle sur (, A).

3.6.1 3.6.2

Le cas ni La loi uniforme discr` ete

D enition 3.7. La v.a.r. X suit la loi uniforme sur {a1 , a2 , ..., an } si X () = {a1 , a2 , ..., an } et 1 PX ({ai }) = , 1 i n. n Autrement dit, PX est l equiprobabilit e sur {a1 , a2 , ..., an }. Dans ce cas, on note X U{a1 ,a2 ,...,an } . Exemple : On jette un d e non truqu e et on note X le r esultat obtenu. On a : X U{1,2,...,6} .

35

3.6.3

La loi de Bernoulli

D enition 3.8. La v. a. r. X suit la loi de Bernoulli de param` etre p [0, 1] si elle ne prend que deux valeurs 0 et 1 avec : P (X = 1) = p, Dans ca cas, on note X B (p). Exemple : On jette une pi` ece de monnaie qui tombe sur pile avec la probabilit e p et on d enit X par X = 1 si on tombe sur pile et X = 0 sinon. X est une v. a. de Bernoulli. P (X = 0) = 1 p = q.

Remarques : 1. Si X B (p), on peut toujours ecrire X = 1A , avec A = { /X ( ) = 1}.

c` ad que la v. a. de Bernoulli est une v. a. indicatrice : elle indique la r ealisation eventuelle de l ev enement de probabilit e p. 2. Les v. a. de Bernoulli sont naturellement associ ees ` a une exp erience al eatoire qui a deux issues possibles : blan ou noir, pile / face, succ` es / echec, pi` ece correcte / pi` ce d efectueuse, oui / non,....

3.6.4

La loi binomiale

D enition 3.9. La v. a. r. X suit la loi binomiale de param` etre n et p (n N et p [0, 1]) si lensemble des valeurs possibles est X () = {0, 1, 2, ..., n} et
k k P (X = k ) = Cn p (1 p)nk , k = 0, 1, ..., n.

Dans ce cas, on note X B (n, p). Remarques : k pk (1 p)nk sont 1. La formule ci-dessus d enit bien une loi de probabilit e puisque les Cn positifs et
n k k Cn p (1 p)nk = (p + (1 p))n = 1n = 1. k=0

2. Les v. a. binomiales sont naturellement associ ees ` a la r ep etition de n exp eriences identiques et ind ependantes de Bernoulli ` a deux issues possibles : succ` es ou echec. On sint eresse au nombre X de succ` es obtenus au cours de la r ealisation de n exp eriences al eatoires identiques et ind ependantes. On introduit (1 , 2 , ..., n ) la suite des r esultats de ces n exp eriences : i = 1 0 si le r esultat de la i-i` eme exp erience est S, Sinon.
n i=1 i .

i = 1, ..., n

Il est evident que X = 1 + ... + n = Montrons que X B (n, p).

- Les valeurs possibles de sont {0,1,2,...,n}. 36

- Le nombre de tels que X ( ) = k est le nombre de suites de longueur n, form ees de k lettres S et (n k ) lettres E . Si la place de S est x ee, celle de E lest aussi. k. Ce qui revient ` a choisir k place parmi n soit Cn Do` u k k P (X = k ) = Cn p (1 p)nk , k = 0, 1, ..., n. Par exemple, si n = 5 , k = 3 et et 0 = (S, E, E, S, S ). On a choisi 0 tel que X (0 ) = 3. Les r esultats sont ind ependantes : P ({0 }) = p(1 p)(1 p)pp = p3 (1 p)2 . Plus g en eralement, la probabilit e dun ev enement el ementaire vaut : P ({ }) = pk (1 p)nk . o` u k d esigne le nombre de fois ou lon a recontr e la lettre S dans . Exercice . Un couple souhaite avoir exactement n enfants (n N ). On consid` ere qu` a chaque naissance lensemble des possibilit es est = {G, F } : G etant l ev enement avoir un gar con et F etant l ev enement avoir une lle, ces 2 ev enements etant equiprobables. On consid` ere que les naissances sont ind ependantes. A la ieme naissance, on associe la variable al eatoire discr` ete Xi de Bernoulli, qui prend la valeur 1 si G est r ealis e, et la valeur 0 sinon. Soit X = X1 + ... + Xn . 1. Dans cette question n = 3. a. D eterminer la probabilit e que parmi ces trois enfants, le couple ait exactement 3 gar cons ; exactement 2 gar cons ; exactement 2 lles ; exactement 3 lles. b. D eterminer la fonction de r epartition de X . 2. D eterminer la plus petite valeur de n pour que la probabilit e de ne pas avoir de gar con 2 soit < 10 . Solution : 1-a. X B (3, 1 2) 1 P (X = 3) = P (X = 0) = , 8 1-b. La fonction de r epartition de X : F(x) x<0 0 0x<1
1 8 1 2

3 P (X = 2) = P (X = 1) = . 8

1x<2

2x<3
7 8

x3 1

1 2. Dans le cas g en eral X B (n, n ).

P (X = 0) = Cette probabilit e est < 102 d` es que n 7.

1 2n

37

3.6.5

Le cas d enombrable

On rappelle quun ensemble est dit d enombrable si et seulement si il existe une bijection de N dans . Un ensemble d enombrable est donc un ensemble dont on peut num eroter les el ements.

3.6.6

La loi g eom etrique de param` etre p ]0, 1[

D enition 3.10. Soit X une v. a. r.. On dit que X suit la loi g eom etrique de param` etre p si et seulement si : X () = N . k N , P (X = k ) = p(1 p)k1 . Remarque : Le fait que la somme des probabilit es fasse 1 vient de la formule de sommation des progressions g eom etriques :

rn
n

converge |r| < 1 et alors


n=0

rn =

1 . 1r

Exemple : On lance une pi` ece de monnaie - qui tomble sur pile avec la probabilit e p- jusqu` a ce quon tombe sur pile et ci on note X le nombre de lancers eectu es, la v. a. X suit la loi g eom etrique de param` etre p. En eet, soit (Xk )k une suite de v. a. de bernoulli ind ependante et de m eme loi B (p) P (X = k ) = P (X1 = 0, X2 = 0, ..., Xk = 1) = (1 p)k1 p.

3.6.7

La loi de Poisson de param` etre ]0, [

D enition 3.11. Soit X une v. a. r.. On dit que X suit la loi Poisson de param` etre > 0 si et seulement si : X () = N. k e k N, P (X = k ) = k ! . Dans ce cas, on note X P (). Remarque : Le fait que la somme des probabilit es fasse 1 vient de la formule de sommation de la s erie exponentielle : R,
n

n converge et n!

n = exp(). n!

Champs dapplications : Cest la loi quon obtient en comptant des ev enements al eatoires ind ependants : 1. Arriv ee des particules sur un capteur, 2. Nombre de clients entrant dans un magasin, 3. comptage de voiture sur une route, 4. Etude dattente dans les r eseaux dec communication... Exemple : On supppose que le nombre de clients entrant dans un magasin un jour donn e est une variable al eatoire de Poisson de param` etre = 12. Quelle est la probabilit e de ne pas tomber en dessous de 250 entr ees de clients durant un mois de 22 jours ouverables ? (On suppose que les v. a. comptant le nombre dentr ees de chaque jour sont ind ependantes.)

38

Soit X le nombre de clients entrant dans le magasin durant un mois de 22 jours ouverables. On a X = X1 + X2 + ... + X22 , avec les Xi sont i.i.d. et Xi P (12). Donc, X P (12 22) = P (264).
249

P (X 250) = 1 P (X < 250) = 1 e264


i=0

(264)i = 0, 813. i!

La loi de Poisson sobtient par passage ` a la limite : Proposition 3.12. Soit (Xn ) une suite de v. a. r. de loi B(n, pn ) avec (pn ) une suite de [0, 1] v eriant limn npn = . On a pour tout k N : lim P (Xn = k ) = e k . k!

Preuve. On a

k pk (1 p )nk P (Xn = k ) = Cn n n

n! (1 (nk)!nk xn n n )

npn k (npn )k n ) k! (1

npn n n )

De la limite bien connue limn (1 + On en d eduit que :


n

= ex valable qd xn n x. k . k!

lim P (Xn = k ) = e

Remarque : En pratique, on remplace la loi binomiale par la loi de Poisson P (np) d` es que : n > 50 et p < 0, 1. Plus p est petit lapproximation est meilleure. Exemple : Un jeu de tombola comptant 100 billets ait lieu pendant 100 jours. Chaque tombola ne compte quun billet gagnant. Une personne d ecide de participer au jeu en achetant un billet par jour. Notons X le nb de fois o` u elle gagne pendant ces 100 jours. Calculer la probabilit e des ev enements suivants : (X = 0), Soit (X = 1), (X = 2), (X = 3).

1 ) et Y P (1). 100 Dapr` es la proposition pr ec edente, on ne se retrompe pas beaucoup en approximant la loi de X par celle de Y . Voici une comparaison num erique pour les petites valeurs de k . X B(100, k P(X=k) P(Y=k) 0 0.3660 0.3679 1 0.3697 0.3679 2 0.1849 0.1839 3 0.0794 0.0803

Lint er et de cette approximation est que les calculs des probabilit es li ees ` a la loi de Poisson sont plus faciles ` a eectuer.

39

3.6.8 3.6.9

Le cas continu La loi uniforme continue sur le segment [a, b] :

D enition 3.13. Une v.a.r. x est dite uniforme sur lintervalle [a, b] (avec b > a) si elle admet pour densit e: f (x) = 1 1 (x) = b a [a,b] 0
1 ba

si a x b, sinon.

Dans ce cas, on note X U[a,b] . Remarques : 1) f est clairement mesurable (elle est C par morceaux), positive, et
b

4
2) Soit [, ] [a, b], on a :

f (x)dx =
a

1 dx = 1. ba

PX ([, ]) = P ( x ) =

1 dx = . ba ba

De plus tous les intervalles de m eme longueur ont m eme probabilit e. Exercice : Calculer la fonction de r epartition de la loi U[a,b] .

3.6.10

lois gaussiennes (ou lois normales)

D enition 3.14. Une v. a. r. X est dite gaussienne de moyenne m et de variance 2 R +, si elle admet pour densit e: (x m)2 1 exp( ) f (x) = 2 2 2 2 Dans ce cas, on note X N (m, 2 ). Lorsque m = 0, et = 1 la v. a. X est dite cent ee r eduite. Remarques : 1. f est clairement mesurable (elle est C ), positive, et on peut montrer que lint egrale de la densit e vaut bien 1- voir TD. 2. Les r egions de R ` a forte probabilit e pour N (0, 1) sont les r egions o` u la densit e est elev e. Si X N (0, 1) : P (X [3, 3]) = (3) F (3) = 2(3) 1 = 99, 7%, avec est la fct de r epartition de la loi N (0, 1). 3. On ne peut pas calculer la fonction de r epartition avec des fonction classiques. On utilise si n ecessaire une table de valeurs. Champs dapplications : La loi gaussienne est la lois la plus utilis ee en th eorie des probabilit es et en statistique. Cela est d u au caract eristiques suivantes : 1. Elle permet des d eveloppements math ematiques ecaces. 2. Toute linformation est donn ee directement par les param` etres m et , qui caract erisent respectivement la valeur moyenne et la dispersion autour de cette valeur moyenne. 3. Cest la loi quon obtient naturellement en additionnant un grand nombre de v. a. ind ependantes (voir th eor` eme central limite-ch. 7). 40

4. La plupart des lois de probabilit e intervenant dans les tests statistiques comme la loi 2 et la loi de student se d eduisent de la loi gaussienne par des transformations simples.
n

2 =
i=1

Xi2 avec Xi N (0, 1) et sont ind ependantes

5. Elle pr esente un grand nombre de ph enom` enes al eatoires comme les erreurs li ees aux mesures, la uctuation des prix, la distribution des tailles de personnes choisies au hasard dans une population donn ee, les variations de la longueur des pi` eces fabriqu ees en s erie, etc... Exemple : On suppose que la taille des individus suit une loi normale de param` etres m et . Sachant que 4% des individus mesurent moins de 160 cm et 11% mesurent plus de 180 cm. Quelle est la valeur de m et ? X m . On a, dapr` es Exo 11 s erie no 3, Z N (0, 1). Do` u: 160 m 160 m P (X 160) = P (Z ) = ( ). Or 4% des individus mesurent moins de 160 cm, donc : Z= 160 m ) = 0, 04. On a aussi 96% des individus mesurent plus de 160 cm, do` u ( ( m 160 ) = 0, 96. Solution : On pose :

160 La table de la loi N (0, 1) donne : m = 1, 76. De m eme : 180 m 180 m ) = 1 ( ). P (X > 160) = P (Z > Or 11% des individus mesurent plus de 180 cm, do` u:

180 m ) = 0, 89.

m La table de la loi N (0, 1) donne : 180 = 1, 23. Do` u le syst` eme : m 160 = 1, 76 = m + 180 = 1, 23

m = 172 = 6, 7.

3.6.11

La loi exponentielle

D enition 3.15. Soit > 0 a. La probabilit e P sur (R, B, (R)), dont la densit e est donn ee par si x > 0, exp(x) = exp(x)1]0,+[ (x) f (x) = 0 sinon est appel ee loi exponentielle de param` etre . 41

b. Soit (, F , P ) un espace de probabilit e quelconque et X une variable al eatoire de dans R. On dit que X suit la loi exponentielle de param` etre si et seulement si elle admet pour densit e le f d eni pr ec edemment. Remarque 3.1. f est clairement bor elienne (elle est C par morceaux), positive, et

f (x)dx =
R 0

exp(x)dx = 1.

Exercice : Montrer que la fonction de r epartition de la loi exponentielle est donn ee par : F (x) = (1 ex )1[0,+[ (x). Tracer la courbe de F. Champs dapplications : 1. La loi exponentielle intervient en abilit e pour mod eliser la dur ee de fonctionnement dun equipement technique : par exemple la dur ee de vie dun appareil electrique. 2. Elle intervient dans le domaine de la radioactivit e : chaque atome radioactif poss` ede une dur ee de vie qui sui une loi exponentielle exp(), le param` etre sappelle la constante de d esint egration. 3. Elle intervient aussi pour mod eliser le temps s eparant les arriv ees de deux clients dans l etude dun ph enom` ene dattente : Le temps dattente T entre deux arriv ees suit une loi exponentielle de param` etre , et on a : P (T > t) = exp(t). Exemple : La abilit e globale dune carte electronique suit une loi exponentielle de param` etre , avec = 12.106 h1 . Pour un fonctionnement 24 heures sur 24 pendant 208 jours par an, donnez la probabilit e que cette carte electronique fonctionne encore au bout de ces 208 jours. On a t = 24 208 = 5000heures. Soit X la dur ee de vie de cette carte electronique, on a P (X > 5000) = exp(0, 000012 5000) = 0, 9418. c` ad , la probabilit e davoir une d efaillance pendant la dur ee de fonctionnement de 5000h est 5, 8%. Lin er et quon porte ` a cette loi est d u` a la : Proposition 3.16. Soit X une v. a. r. suivant la loi exp(), alors X v erie la propri et e dabsence de m emoire : s R+ , t R+ , P (X > t + s/X > t) = P (X > s)

(On parle aussi de la propri et e de non vieillissement). Preuve. On a X exp(), donc PX>t (X > t + s) = = =
P (X>t+s) P ) 4 (X>t x t+ e dx 4 +s t+ ex dx e(t+s) = es et

= P (X > s).

42

Interpr etation : Si X mod elise la dur ee de vie dun individu A, la propri et e que X est sans m emoire exprime que A ne vieillit pas : si A a v ecu t ann ees, la probabilit e pour quil vive encore s ann ees est la m eme que la probabilit e pour quun individu similaire ` a A qui vient de na tre vive lui aussi s ann ees. Autrement dit : La dur ee de vie au-del` a de linstant t est ind ependante de linstant t.

3.7

Variables al eatoires ind ependantes

Soient X et Y deux variables al eatoires. a. Cas o` u X et Y sont discri` etes : Notons {xi } (resp.{yi }) lensemble des valeurs prises par X (resp. par Y ). D enition 3.17. X et Y sont dites ind ependantes si, pour tous i et j , on a : P ({X = xi } {Y = yj }) = P (X = xi )P (Y = yj ). b. Cas o` u X et Y sont ` a densit e. D enition 3.18. X et Y sont dites ind ependantes si, pour tous intrevalles I et J de R, on a : P ({X I } {Y J }) = P (X I )P (Y J ).

43

3.8

R esum e du troisi` eme chapitre

Les lois de probabilit es th eoriques essaient de d ecrire des ph enom` enes al eatoires dans le but de calculer la probabilit e de certains ev enements et donc davoir une certaine repr esentation de lavenir. I. Lois discr` etes : 1. Loi de Bernoulli B (p) La loi de Bernoulli intervient dans le cas dune seule exp erience al eatoire ` a laquelle on associe un ev enement al eatoire quelconque. La r ealisation de l ev enement au cours de cette exp erience est appel ee succ` es et la probabilit e de r ealisation est dite probabilit e de succ` es, not ee par p. Par contre la non r ealisation de l ev enement est appel ee echec et la probabilit e de non r ealisation de l ev enement est dite probabilit e d echec, not e par q = 1 p. La v. a. X qui caract erise le nombre de succ` es au cours dune seule exp erience al eatoire est appel ee v.a. de Bernoulli : elle prend les valeurs dans {0, 1} avec probabilit es respectives q et p. Remarque : La v.a. de Bernoulli est une v.a. indicatrice : elle indique la r ealisation eventuelle de l ev enement de probabilit e p. Le sh ema de Bernoulli est le plus simple des mod` eles probabilistes. 2. Loi Binomiale B (n, p) La loi Binomiale intervient dans le cas de plusieurs (n) exp eriences al eatoires identiques et ind ependantes auxqelles on associe un ev enement al eatoire quelconque. Les probabilit es p et q restent constantes au cours de cette suite de n exp eriences. La v. a. X qui caract erise le nombre de succ` es au cours de n exp eriences al eatoires ind ependantes est appel ee variable binomiale : elle prend les valeurs dans {0, ..., n}. La probabilit e dobtenir k succ` es et donc n k echecs au cours de n exp eriences al eatoires ind ependantes est,
k k P (X = k ) = Cn p (1 p)nk ,

k = 0, ..., n

Remarque : n = : nb d epreuves. k : nb de succ` es. p : probabilit e de succ` es. Il y a des tables pour eviter de calculer les probabilit es d ev enements li es ` a la loi binomiales. 3. Loi G eom etrique G (p) On se place dans une optique di erente. A la base il y a toujours lepreuve de Bernoulli qui a deux r esultats possibles : ev enement de probabilit e p et lautre. Mais cette fois on ne connait pas le nombre dexp eriences. Par exemple : si on lance une pi` ece de monnaie - qui tombe sur pile avec probabilit e p- jusqu` a ce quon tombe sur pile et si on note X le nombre de lancers eectu es, la v.a. X suit la loi de G eom etrique de param` etre p : elle prend les valeurs dans N . P (X = k ) = p(1 p)k1 , k N .

44

4. Loi de Poisson P (m) La loi de Poisson intervient pour des ph enom` enes al eatoires dont le nombre de r ealisations varie de 0 ` a + et dont le nombre moyen de r ealisations est connue. Exemple : nb dappels re cus par un standard t el ephonique, nb daccidents de la circulation, nb de visiteurs dun centre commercial... La variable al eatoire X qui caract erise le nombre de r ealisations de ce ph enom` ene est appel ee variable de Poisson : elle prend les valeurs 0,1, ... P (X = k ) = em mk . k!

Th eor` eme dapproximation Soit X une v.a. v eriant X B (n, p), telle que npn m quand n . Alors Xn P (m) En pratique quand n . n > 50 et p < 0.1 Plus p est petit, meilleure est lapproximation. Pour cette raison la loi de Poisson a et e appel ee la loi des ph enom` enes rares. II. Lois continues : La loi normale est la loi continue la plus importante et la plus utilis ee dans le calcul de probabilit e. (Voir le cours). Tr` es important ! Il faut conna tre dune part toutes les d enitions des lois usuelles, mais aussi et surtout savoir, en pratique, d ecider si le r esultat X de mon exp erience al eatoire a pour loi plut ot la loi uniforme, la loi binomiale, la loi de Poisson, etc. Cest la chose la plus dure ` a faire. Ensuite, tout ce que lon peut vous demander (esp erance, variance, etc.) , ce nest plus que des calculs.

45

3.9

Exercices

Exercice 1. 1. On lance un d e equilibr e ; prenons = {1, ..., 6}, on muni de la tribu P (). On met sur P () la probabilit e uniforme ( ce qui correspond au fait que le d e est equilibr e). Soit X la v.a. r eelle d enie par X (3) = X (6) = 1 et X (1) = X (2) = X (4) = X (5) = 0. X indique si le num ero sorti est un multiple de 3. Donner la loi PX de la v.a. X . 2. On lance un d e equilibr e jusqu` a obtention dun num ero multiple de 3. on note Y le nombre de lancers n ecessaires pour lobtenir. Calculer la loi de probabilit e de Y . (Indication calcuer P (Y = n), pour n N ). Exercice 2. On jette lun apr` es lautre deux d es t etra edriques (les 4 faces num erot ees de 1 ` a 4), equilibr es. Associons ` a cet exp erience lunivers = {1, ..., 4}2 . On note X le plus grand ( au sens large) des num eros apparus. 1. Donner un espace probabilis e qui mod elise cet exp erience al eatoire. 2. Montrer que X est une variable al eatoire. 3. Calculer la loi PX de la v.a. X . 4. Trouver la fonction de r epartition FX de la v.a. X . 5. Tracer la courbe repr esentative de FX .

Exercice 3. Un couple souhaite avoir exactement n enfants (n N ). On consid` ere qu` a chaque naissance lensemble des possibilit es est = {G, F } : G etant l ev enement avoir un gar con et F etant l ev enement avoir une lle, ces 2 ev enements etant equiprobables. On consid` ere que les naissances sont ind ependantes. eme A la i naissance, on associe la variable al eatoire discr` ete Xi de Bernoulli, qui prend la valeur 1 si G est r ealis e, et la valeur 0 sinon. Soit X = X1 + ... + Xn . 1. Dans cette question n = 3. a. D eterminer la probabilit e que parmi ces trois enfants, le couple ait exactement 3 gar cons ; exactement 2 gar cons ; exactement 2 lles ; exactement 3 lles. b. D eterminer la fonction de r epartition de X . 2. D eterminer la plus petite valeur de n pour que la probabilit e de ne pas avoir de gar con 2 soit < 10 . Exercice 4. On suppose que 5 % des pi` eces en sortie dune chaine de production soient d efectueuses. 1. Quelle est la probabilit e quun echantillion de 20 pi` eces issu de cette cha ne ne contienne 46

aucune pi` ece d efectueuse ? 2. Quelle est la probabilit e que la premi` ere pi` ece d efectueuse ne soit pas lune des 20 premi` eres sorties de la cha ne ? Exercice 5. Soit X1 , ..., Xn , n variables d enies sur le m eme espace de probabilit e, ind ependantes et qui suivent la m eme loi de Bernoulli B (p) de param` etre p, o` u p ]0, 1[. On note S la variable al eatoire discr` ete qui vaut 0 si pour tout i {1, ..., n} Xi = 0, et qui vaut 1 dans le cas contraire. D eterminer la plus petite valeur de n pour que P (S = 0) 103 . Application : Un texte comporte une erreur. On relit ce texte n fois de mani` ere ind ependante, ` a chaque 1 fois, la probabilit e de remarquer cette erreur est 2 . D eterminer la plus petite valeur de n pour 1 que la probabilit e de ne pas avoir remarqu e cette erreur soit 1000 . Exercice 6. Dans une p epini` ere 95% des eurs sont suppos ees sans virus. Par commodit e les eurs sont rang ees par paquets de 2. Un paquet est dit sain si les deux eurs le sont. 1. Quelle est la probabilit e davoir un paquet sain ? 2. X = nb de paquets sains sur un lot de 10. Quelle est la loi de X . 3. Un lot de 10 est acc ept e par lacheteur si 9 au moins des paquets sont sains. Quelle est la probabilit e quun lot soit acc ept e? Exercice 7. Une usine employant 30 personnes dont 4 ing enieurs, 10 techniciens et 16 ouvriers. 1. On choisit de fa cons successive 3 employ es : calculer la probabilit e davoir un employ e de chaque cat egorie professionnelle. 2. On choisit de fa con successive 3 employ es et soit X la variable al eatoire qui repr esente le nombre ding enieurs choisis. Donner la loi de probabilit e de X . Exercice 8. On etudie la dur ee des communications t el ephoniques dont la fonction de r epartition est : 0 si x < 0 F (x) = kx 1e si x 0. Sachant que k = 5 6. 1. Quelle est la probabilit e pour quune communication dure plus de 3 minutes ? 2. Quelle est la probabilit e pour quune communication ait une dur ee entre 3 et 6 minutes ? 3. Si on ne conna t pas k , quelle valeur faudrait-il lui donner pour que la probabilit e dune communication sup erieure ` a 3 minutes soit egale ` a 0.1 ? Exercice 9. Interpr etation du graphique dune f.d.r. La variable al eatoire X a pour fonction de r epartition F dont le graphe est repr esent e par la gure 1.

47

Fig. 1 -Fonction de r epartition F de la v.a. X 1. Pour tout x R, montrer que : P (X = x) = F (x) F (x), avec F (x) = lim0 F (x ). 2. En exploitant les informations fournies par ce graphique1 , donner les valeurs des probabilit es suivantes. P (X = 0), P (X 0), P (4 X 6), P (0 < X < 4), P (X 6).

3. La variable al eatoire X est-elle ` a densit e? Exercice 10. Soit (a, b) N2 ; a < b ; X est une variable al eatoire discr` ete de dans N telle que : 1 1 x |[1, ab]| ; P (X = x) = a b et P (X = x) = 0 ailleurs. 1) D eterminer une CNS sur a et b pour que les relations pr ec edentes d enissent eectivement une loi de probabilit e. 2) Dans ces conditions, tracer la repr esentation graphique de la fonction de r epartition FX de X .
b 3) Calculer la probabilit e pour que X |[a, a+ 2 ]|. Exercice 11. (Loi normale)

On consid` ere la fonction f (u) d enie par : f (u) = ke


u2 2

, u R.

1. D eterminer la constante k de telle sorte que f (x) puisse etre consid er ee comme la densit e de probabilit e dune v.a. continue U . 2. Soit (z ) la fonction de r epartition de U . Montrer que (z ) = 1 (z ) 3. Soit FX la fonction de r epartition de X . Montrer que FX (x) = ( 4. Soit X la v.a. d enie par X = m + U o` u m et sont des r eels non nuls. D eterminer la densit e de probabilit e g (x) de X. xm 5. Montrer que par le changement de variable z = toutes les varibles al eatoires normales N (m, ) se ram` ement ` a la loi normale centr ee r eduite U . 6. Application : Le stock journalier dun produit destin e` a un atelier suit une loi normale de moyenne 120 pi` eces et d ecart type 50 pi` eces. xm ).

48

a. Calculer la probabilit e pour que le nombre de pi` eces en stock soit compris entre 80 et 160. b. Calculer la probabilit e pour que le nombre de pi` eces en stock soit sup erieur ` a 200. c. Calculer la probabilit e pour quil y ait rupture de stock. d. Interpre ter ces r esultats.

On donne (0, 8) = 0, 7881, (1, 6) = 0, 9452 et (2, 4) = 0, 9918.

Exercice 12. Soit U une v. a. r. de loi uniforme sur [0, 1], et X la variable al eatoire d enie par 1 X = ln(U ), p o` u p > 0. D eterminer la loi de X . Exercice 13. Environ 5% des r eservations a eriennes sur une ligne donn ee ne sont pas utilis ees, et cest pourquoi une compagnie vend 100 billets pour 97 places. Quelle est la probabilit e pour que tous les passagers aient une place ? Faire le calcul exact (avec une loi binomiale), et le calcul approch e (avec une loi de Poisson). Exercice 14. Soit X une v. a. uniforme sur [1, +1]. 1. Calculer P (|X | > 1 2) 2. Quelle est la densit e de la v. a. Y = |X |. Exercice 15. On jette 5 d es. Apr` es le premier lancer, on reprend et on lance les d es qui nont pas donn e de six, jusqu` a ce quonobtienne 5 six. Soit X le nombre de lancers n ecessaires. 1. Calcuer P (X n) puis P (X = n) pour n N. 2. Combien de lancers sont n ecessaires en moyenne pour obtenir les 5 six ? Exercice 16. On d esire mod eliser le temps dattente dune panne de machine ` a laide de variables al atoires sans m emoire : la probabilit e pour que la machine tombe en panne apr` es la date k + n sachant quelle fonctionne ` a linstant n est ind ependante de n. 1. Montrer que la loi g eom etrique de param` etre p est sans m emoire : cest ` a dire que P (X > k + n/X > n) est ind ependante de n. 2. Caract eriser toutes les lois des variables al eatoires X ` a valeurs dans N qui sont sans m emoire. On pourra calculer P (X > 1 + n) en fonction de P (X > 1). 3. Caract eriser toutes les lois des variables al eatoires X ` a valeurs dans N qui sont sans m emoire.
1

Cet exercice constitue le sujet dun devoir libre.

49

Chapitre 4

Esp erance et variance dune variable al eatoire r eelle


Soit (, F , P ) un espace de probabilit e et X une v. a. de dans R.

4.1

Cas des variables al eatoires discr` etes


X ( )

Consid erons le cas o` u est ni et F = P (). La moyenne des valeurs X ( ) est : m= card() .

1 Si P est l equiprobabilit e, pour tout , P ({ }) = card () . Donc m= X ( )P ({ })

Si P est une probabilit e quelconque, X ( )P ({ }) est la moyenne des valeurs X ( ) pond er ees par les probabilit es des ev enements el ementaires { }. En calcul des probabilit es, cette moyenne est appel ee esp erance de X et not ee E (X ). Donc si est ni, E (X ) = X ( )P ({ }).

Soit X une v. a. r. discr` ete prenant ses valeurs dans lensemble {xi }iI , regroupant les pour lesquels X prend la m eme valeur, on obtient E (X ) =
iI

I N. En

xi P (X = xi ),

car P (X = xi ) =
/X ( )=xi

P ({ })

Nous allons d enir le concept de probabilit e dune v. a. r., qui, repr esentera sa valeur moyenne. D enition 4.1. 1. On dit que X est int egrable si la somme 2. Si X est int egrable, son esp erance est donn ee par : E (X ) =
iI iI

|xi |P (X = xi ) converge.

xi P (X = xi ) =
xX ()

xP (X = x).

Remarques : 1) La somme iI |xi |PX (xi ) est soit une somme nie (si X () est ni) et dans ce cas, lesp erance existe toujours, soit une s erie ` a terme positifs (si X () est une 50

partie d enombrable innie), et dans ce cas, la s erie peut etre divergente et avoir une somme egale ` a +. Rappelons que dans le cas dune s erie ` a termes positifs, la suite des sommes partielles est croissante, et deux cas se pr esentent donc : - soit la suite de ces sommes partielles est major ee et la s erie est convergente ; - soit la suite de ces sommes parielles tend vers + et la s erie diverge vers +. Exemples : 1. Si X est une v.a. constante X = c, alors E (X ) = c. 2. Soit X une v.a. discr` ete dont la loi est donn ee par : x P(x=x) E (x) = 2 2
1 9

3
2 9

4
3 9

5
2 9

6
1 9

1 2 3 2 1 + 3 + 4 + 5 + 6 = 4. 9 9 9 9 9 3. Soit X une v.a. de Bernoulli de param` etre p. On a X = 1A , alors E(X ) = E (1A ) = P (A) = p. En eet, X () = {0, 1}. On a {X = 1} = A = {/X ( ) = 1}. Donc E (X ) = 0.P (X = 0) + 1 P (X = 1) = P (X = 1) = P (A). Remarque : Si pour tout i I , on a : a xi b, on a :

a E (X ) b, car aP (X = xi ) E (X )
iI iI

bP (X = xi )

et comme iI P (X = xi ) = 1, on a le r esultat. En particulier, si X 0, alors E (X ) 0.

4.1.1

Esp erance dune fonction dune variable al eatoire r eelle

Soit g une fonction d enie sur X () ` a valeurs dans R. Th eor` eme 4.2. (Th eor` eme de transfert) Si I est ni ou si la s erie iI g (xi )P (X = xi ) est absolument convergente, alors la v.a. g (X ) admet une esp erance et on a : E (g (X )) =
iI

g (xi )P (X = xi ).

Preuve. Dans le cas o` u I = |[1, n]|. Soit Y = g (X ). Y prend les valeurs :

y1 , y2 ,,...,ym avec les probabilit es : P (X = xi )


iIj

P (Y = yj ) = o` u

Ij = {i/g (xi ) = yj }.

51

Donc : E (Y ) = = = P (X = xi )] xi )] = iIj g (xi )P (X = xi )] iI g (xi )P (X = xi ), car (Ij )1j m est une partition de |[1, n]|.
iIj m j =1 [ m j =1 yj P (Y = yj ) = m j =1 [ iIj yj P (X = m j =1 yj [

Remarque : 1. Si g = id, on retrouve la formule donnant lesp erance. 2. Si la fonction g est born ee, la formule pour E (g (X ))est valable sans aucune condition.

4.2

Cas des variables al eatoires ` a densit e

D enition 4.3. Soit X une v. a. r. ` a densit e. 1. On dit que X est int egrable si lint egrale 4 |x|fX (x)dx converge. 2. Si X est int egrable, son esp erance est donn ee par : E (X ) = Exemple : Soit X U[a,b] avec a < b. Alors : E (X ) =

xfX (x)dx.

xf (x)dx =

1 x2 b b+a x dx = [ ] = . ba ba 2 a 2

Exemple : Soit X U[a,b] avec a < b. Et soit g (x) = exp(x) Alors : + E (g (X )) = E (exp(X ) = g (x)f (x)dx + (x) 1 b = exp ba dx = ba [exp(x)]a =

exp(b)exp(a) . ba

Lanalogue du th eor` eme de transfert, dans ce cas, est le r esultat suivant : Th eor` eme 4.4. Soient X une v. a. r. ` a densit e et h une fonction continue. Alors h(X ) est int egrable si et seulement si lint egrale 4 |h(x)|fX (x)dx converge. Dans ce cas, on a E (h(X )) =

h(x)fX (x)dx.

4.3

Lin earit e de lesp erance

Proposition 4.5. 1. Si X et Y sont deux v. a. int egrables, et si a R, alors aX + Y est integrable et E (aX + Y ) = aE (X ) + E (Y ). 2. Si X est une v. a. positive, alors E (X ) 0. Si X et Y sont deux v. a. int egrables, et si X Y , alors E (X ) E (Y ). Autrement dit, X E (X ) est une forme lin eaire positive. Preuve. 1. La d emonstration repose sur un sch ema classique : on montre dabord la lin earit e pour les v. a. simples, puis par approximation, pour les v. a. positives, et nalement, pour toutes les variables al eatoires int egrables en utilisant que E (X ) = E (X + ) E (X ). (Hors programme). 52

2. Clair par d enition de lesp erance dune variable al eatoire. On d eja d emontr e le r erultat dans le cas discret. Noter aussi que si X Y , alors Y X 0.

4.4

Moments, variance et ecart-type

D enition 4.6. Soient X une v.a.r. et k N . On dit que X admet un moment dordre k si la v. a. r. X k est int egrable. Dans ce cas, la valeur E (X k ) est appel ee moment dordre k de X . On note mk (X ) = E (X k ).

Remarque 4.1. 1. Le moment dordre 1 de X , si il existe, est lesp erance de X . + r 2. Soit X v. a. ` a densit e f . Comme la fonction x x est continue, donc si xr f (x)dx converge absolument, mr (X ) existe et on a :
+

mr (X ) =

xr f (x)dx.

( th eor` eme de transfert).

3. Si la v. a. r. X admet un moment absolu dordre r ni, elle a aussi un moment absolu dordre p ni pour tout p |[0, r]| : En eet : Si 0 p r, on a : |X |p 1{|X |1} + |X |p 1{|X |>1} 1 + |X |r . ( car : 1 = 1{|X |1}{|X |>1} = |X |p = |X |p 1{|X |1} + |X |p 1{|X |>1} .) D enition 4.7. Soit X une v. a. r. admettant un moment dordre 2. 1. La variance de X est par d enition : V ar(X ) = E [(X E (X ))2 ] 2. L ecart-type de X est par d enition egal : (X ) = V ar(X ).

Remarque 4.2. La variance dune v. a. r. repr esente sa dispersion autour de sa moyenne. Cest un nombre toujours positif, ce qui est evident vu sa d enition. Nous allons montrer dans le paragraphe qui suit lin egalit e suivante : P (|X E (X )| > a) En pratique, on utilise la Proposition 4.8. Soit X une v. a. r. admettant un moment dordre 2. On a : V ar(X ) = E (X 2 ) E (X )2 . Preuve. Il sut dutiliser la lin earit e de lesp erance : V ar(X ) = E (X E (X ))2 = E (X 2 2E (X )X + E (X )2 ) = E (X 2 ) 2E (X )2 + E (X )2 = E (X 2 ) E (X )2 . V ar(X ) . a2

53

La variance v erie egalement les propri et es suivantes : Proposition 4.9. Soit X une v. a. r. admettant un moment dordre 2. On a : 1. V ar(aX + b) = a2 V ar(X ), pour tout a, b R. 2. V ar(X ) = 0 si et seulement si X est une constante. Preuve. 1. Laiss ee en exercice. 2. Cela repose sur le r esultat important suivant : si Z est une v. a. r. positive telle que E (Z ) = 0, alors Z = 0. En eet, on a Z 1 1 1 . n {Z n }

1 Donc P (Z n ) = 0 pour tout n N . On a aussi, 1 P (Z > 0) = P (n {Z n }) 1 = limn P (Z n ) = limn 0 = 0.

Il sut dappliquer ce r esultat ` a Z = (X E (X ))2 .

4.5
4.5.1

In egalit es classiques
Lin egalit e de Markov

Proposition 4.10. Si X est une v. a. r. positive, int egrable, et si a R + , On a : P (X > a) E (X ) . a

Preuve. Elle d ecoule de lin egalit e X a1X>a et de la positivit e de lesp erance.

4.5.2

Lin egalit e de Bienaym e-Tchebyche

Proposition 4.11. Si X est une v. a. r. admettant un moment dordre 2, et si a R + , On a: V ar(X ) P (|X E (X )| > a) . a2 Preuve. Il sut dappliquer lin egalit e de Markov ` a (X E (X ))2 apr` es avoir remarqu e que : {|X E (X )| > a} = {(X E (X ))2 > a2 }.

54

4.5.3

Lin egalit e de Jensen

Proposition 4.12. Soient X une v. a. r. int egrable, et g : R R une fonction convexe telle que la v. a. r. g (X ) soit int egrable. Alors : g (E (X )) E (g (X )). Preuve. La convexit e de g assure quen tout point son graphe est au-dessus de sa tangente : Pour tout t R, il existe (on peut prendre pour gd (t) ou gg (t)), tel que : g (x) g (t) + (x t). On prend : x = X ( ) et t = E (X ) et on prend lesp erance, on obtient : g (E (X )) E (g (X )).

4.6

Lesp erance et la variance des lois classiques


n+1 2 n2 1 . 12

Proposition 4.13. Soit X une v. a. de loi uniforme discr` ete sur {1, 2, ..., n}. Alors, on a : E (X ) = et V ar(X ) =

Preuve. On commence par le calcul de lesp erance, par d enition :


n

E (X ) =
k=1

1 kP (X = k ) = n

k=
k=1

1 n(n + 1) n+1 ( )= . n 2 2

Pour d eterminer V ar(X ), on calcule E (X 2 ) :


n

E (X ) =
k=1

1 k P (X = k ) = n
2

k2 =
k=1

n(n + 1)(2n + 1) . 6n

n(n+1)(2n+1) 2 (car, on peut montrer par r ecurrence que : n ). k=1 k = 6 Or, n(n + 1)(2n + 1) (n + 1)2 n2 1 V ar(X ) = E (X 2 ) E (X )2 = = . 6 4 12

Proposition 4.14. Soit X une v. a. de Bernoulli de param` etre p. Alors, on a : E (X ) = p Preuve. On a X = 1A o` u A = {/X ( ) = 1}. Donc E (X ) = P (A) = p, et V ar(X ) = E (X 2 ) E (X )2 = p(1 p). et V ar(X ) = p(1 p).

55

Proposition 4.15. Soit X une v. a. binomiale B (n, p) de param` etres n et p. Alors, on a : E (X ) = np et V ar(X ) = np(1 p).

Preuve. Soit X le nombre de succ` es obtenus au cours de la r ealisation de n epreuves ind ependantes de Bernoulli de param` etre p. Donc X = X1 + X2 + ... + Xn avec Xi B(p). En utilisant la lin earit e de lesp erance : E (X ) = E (X1 ) + ...E (Xn ) = np. Pour calculer la variance, on utilise la relation suivante V ar(X1 +...+Xn ) = V ar(X1 )+...+V ar(Xn ) Do` u V ar(X ) = V ar(X1 ) + ... + V ar(Xn ) = np(1 p). si les (Xi ) sont ind ependantes ( voir chapitre 6).

Proposition 4.16. Soit X une v. a. g eom etrique X G (p). Alors, on a : E (X ) = Preuve. Laiss ee en exercice. Proposition 4.17. Soit X une v. a. de Poisson de param` etre . Alors, on a : E (X ) = Preuve. E (X ) =
n=0

1 p

et

V ar(X ) =

1p . p2

et

V ar(X ) = .

nP (X = n) =
n=1 +

n1 = . (n 1)!

E (X 2 ) =

n2 P (X = n) =
n=0 1 n=2

n2 P (X = n) + P (X = 1).
0 n1

Or, n2 = n(n 1) + n et P (X = 1) = e 1! = e 0! = e (n1)! pour n = 1, et + +

n2 P (X = n) =
n=2 n=2 +

n2 e + (n 2)!

e
n=2

n1 (n 1)!

Donc, E (X 2 ) = 2 e
n=2

n2 e + e (n 2)!

+ n=1

n1 = 2 + . (n 1)!

Donc, V ar(X ) = E (X 2 ) E (X )2 = 2 + 2 =

56

Proposition 4.18. Si X U[a,b] , a, b R, a < b. Alors, on a : a+b (b a)2 et V ar(X ) = . 2 12 Remarque : La d enition est la m eme pour les intervalles ]a, b[, [a, b[, ..., (car U[ a, b] est absolument continue). Preuve. + + x b+a 1 x2 b E (X ) = xf (x)dx = dx = [ ]a = . ba 2 2 b a + 1 b3 a3 E (X 2 ) = x2 f (x)dx = 3 ba Donc, 1 b3 a3 (a + b)2 (b a)2 V ar(X ) = = . 3 ba 4 12 E (X ) = Proposition 4.19. Si X N (m, 2 ). Alors, on a : E (X ) = m et V ar(X ) = 2 . Preuve. Il sut de montrer que si X N (0, 1), alors E (X ) = 0 et V ar(X ) = 1. Ensuite, X m X = X = X + m. Et ona : E (X ) = E (X ) + m = m Soit maitenant X N (0, 1).On a : Pour lesp erance : E (X ) = Or,
0 +
x2 2

et

V ar(X ) = E ( 2 (X )2 ) = 2 E (X )2 = 2 .

x2 1 x e 2 dx 2

xe

dx = [e

x2 2

]+ = 1, 0
2

comme la fonction x Pour la variance,

2 xe x 2

est impaire, alors


+

+ x 1 2 x 2 e

dx = 0, donc E (X ) = 0.

E (X )2 =

x2 1 x2 e 2 dx 2 2

Par une int egration par partie, on pose g (x) = x et f (x) = xe x 2 , on obtient : + + + 2 x2 x2 x2 2 + 2 x x e 2 dx = [xe 2 ]0 + e 2 dx = e 2 dx = . 2 0 0 0 x2 x2 + (car e 2 dx = 2 et x e 2 est paire.) De plus x x2 e
x2 2

est paire, donc


+

x2 e

x2 2

dx =

En conclusion, V ar(X ) = 1.

57

Proposition 4.20. Soit X E (), > 0. Alors, on a E (X ) = Preuve. Laiss ee en exercice. 1 et V ar(X ) = 1 . 2

4.7
4.7.1

Fonctions caract eristiques


Int egration dune fonction complexe

Rappelons ici rapidement et sans d emonstrations quelques propri et es de lint egration des fonctions complexes. Soit (, F , P ) un espace de probabilit e et f : C une fonction complexe. 1. f est mesurable si et seulement ses parties r eelle Ref et imaginaire Imf sont mesurables de (, F ) dans (R, B (R)). 2. f est int egrable par rapport ` a P si et seulement si ses parties r eelle Ref et imaginaire Imf sont int egrables par rapport ` a P , et f dP =

Ref dP + i

Imf dP. (Ref )2 + (Imf )2

3. f est int egrable par rapport ` a P si et seulement si son module |f | = est int egrable par rapport ` a P , et f dP

|f |dP.

Preuve. Montrons le dernier point. Lint egrale de f est un nombre complexe que lon peut ecrire sous forme trigonom etrique : f dP = ei . Alors
f dP

= = ei = Re
fe

f dP i dP

= =

fe

i dP

( R) (dapr` es 2)

Re(f e

i )dP

|f e

i |dP

|f |dP.

4.7.2

Fonction caract eristique dune variable al eatoire r eelle

D enition 4.21. Soit X une variable al eatoire r eelle d enie sur un espace de probabilit e (, F , P ). Sa fonction caract eristique X est d enie par : t R, X (t) = E(eitX ) = eitx dPX (x) ( C).

Th eor` eme 4.22. Soit X une variable al eatoire r eelle d enie sur un espace de probabilit e (, F , P ). Sa fonction caract eristique X est uniform ement continue sur R, de module inf erieur ou egal ` a 1,et v erie X (0) = 1. Preuve. 1. |X (t)| = | eitx dPX (x)| 2. X (0) = E(ei0X ) = E(1) = 1
itx |dP (x) X

|e

1dPX (x)

= PX () = 1.

58

3. D ecoule du th eor` eme de la convergence domin ee : |X (t + h) X (t)| |E(ei(t+h)X eitX )| E| eihX 1 ||eitX | 0
2

quand h 0.

Et on prend le supt . Th eor` eme 4.23. Soit X une variable al eatoire r eelle telle que E(|X |m ) < +, avec m 1. Alors X est m-fois d erivable sur R et dm X (t) = im E(X m eitX ). dtm et, en particulier X (0) = ik EX k . Preuve. Puisque D ecoule du th eor` eme de d erivation dune int egrale d ependant dun param` etre : dk itX (e ) = (iX )k eitX , dtk |
(k)

on a

dk itX (e )| |X |k , dtk et on peut appliquer m fois le th eor` eme de d erivation dune int egrale d ependant dun param` etre.

En pratique : si E(|X |) < alors EX = iX (0), si E(X 2 ) < alors E(X 2 ) = X (0). Proposition 4.24. Si X et Y sont deux variables al eatoires ind ependantes et si Z = X + Y , alors t R, Z (t) = X (t)Y (t). Exercice : Faire la preuve.

4.7.3

Exemples de calcul

Par le th eor` eme de transfert, la d enition de la fonction caract eristique se d ecline de la fa con suivante : 1. Si X est discr` ete, X (t) = eitx P (X = x).
xX ()

2. Si X a pour densit e f, X (t) =

eitx f (x)dx.

59

Exercice : Dans tous les exemples qui suivent, retrouver esp erance et variance en d erivant la fonction caract eristique. Loi de Bernoulli de param` etre p X (t) =
xX ()

eitx P (X = x) = eit P (X = 1) + ei0 P (X = 0) = peit + 1 p.

Loi bin omiale de param` etre B (n, p) X (t) =


xX () e itx P (X

= x) =

n itk k=0 e P (X

= k) =

n itk k=0 e

n k

pk (1 p)nk

n k=0

n k

(peit )k (1 p)nk = (peit + 1 p)n .

Loi de Poisson de param` etre X (t) = =


itx xX () e P (X

= x) = exp((eit

itk k=0 e P (X

= k) =

itk k k=0 e e k!

. e
(eit )k k=0 k!

1))

Exercice : D eterminer la fonction caract eristique de la loi g eom etrique de param` etre p. Loi uniforme sur [a, a] X (t) = = =
itx itx 1 4 e fX (x)dx = 4 e 2a 1[a,a] (x)dx 1 2a 1 2a a itx a e dx

a 1 2a ( a cos(tx)dx

+i

a a sin(tx)dx) sin(at) at .

a a cos(tx)dx

1 1 2a [ t

sin(tx)]a a =

Loi normale centr ee r eduite : M ethode par equation di erentielle X (t) = =


2 itx itx 1 4 e fX (x)dx = 4 e 2 exp(x /2)dx 1 1 1 2 2 2 4 cos(tx) 2 exp(x /2)dx + i 4 sin(tx) 2 exp(x /2)dx = 4 cos(tx) 2 exp(x /2)dx.

Comme la loi normale admet des moments de tout ordre, on peut d eriver X : X (t) =
1 1 d 2 2 4 dt (cos(tx)) 2 exp(x /2)dx) = 4 (x sin(tx)) 2 exp(x /2)dx 1 2 4 t cos(tx)) 2 exp(x /2)dx) (par IPP)

= tX (t). On a donc etablit une equation di erentielle lin eaire satisfaite par X (t) : donc t R, X (t) = Cexp(t2 /2), Donc t R, X (t) = exp(t2 /2). M ethode par prolongement analytique Soit R : E(exp(X )) = = = et X (0) = 1 = C.

4 exp(x)fX (x)dx
1 2 4 exp(x) 2 exp(x /2)dx . 1 2 4 2 exp((x 2x)/2)dx

60

Cette int egrale est convergente pour tout R. De plus x2 2x = (x )2 2 , do` u: E(exp(X )) =
1 2 2 4 2 exp( /2) exp((x ) /2)dx 1 2 2 4 2 exp((x ) /2)dx = exp( /2)

= exp(2 /2)

Maintenant, par le th eor` eme de d erivation sous le signe int egrale, h1 : z E(exp(zX )) est 2 holomorphe sur C et h2 : z E(exp(z /2)) est holomorphe sur C. Or ses deux fonctions co ncident sur R. Par le th eor` eme de prolongement analytique, h1 h2 co ncident sur C. En particulier, h1 (it) = X (t) = h2 (it) = exp((it)2 /2) = exp(t2 /2). En pratique : On essaie didentier le r esultat (h2 ) sur une partie de C o` u on sait faire calculer h1 explicitement (ici R), puis on prolonge ce r esultat par prolongement analytique. Loi normale quelconque Rappelons que si X N (0, 1) et si Y = X + m, alors Y N (m, 2 ). On a alors Y (t) = E(eitY ) = E(eit(X +m) ) = E(eitm ei(tX ) ) = eitm E(ei(t)X ) = eitm X (t ) = eitm exp(t2 2 /2).

4.8

Th eor` eme dunicit e

Lid ee est la suivante : on a vu que lint egration contre des fonctions-test continues born ees caract erise la loi dune variable al eatoire r eelle. Ici, on diminue la classe des fonctions-test pour limiter aux exponentielles complexes : Th eor` eme 4.25. Soit X et Y deux variables al eatoire r eelles. Si t R, X (t) = Y (t), alors X et Y ont la m eme loi. Preuve. Admis. Utilise des r esultats de densit e de type Stone-Weierstrass. Exemple : Soit X P () et Y P () deux variables al eatoire ind ependantes. D eterminer la loi de Z = X + Y . Par ind ependance, Z (t) = X (t)Y (t) = exp((eit 1)) exp((eit 1)) = exp(( + )(eit 1)). On reconna t la fonction caract eristique dune variable al eatoire de loi de Poisson de param` etre + . Donc Z P ( + ). Exercice : Soit (Xi )1in des variables al eatoire ind ependantes suivant toutes des lois gaussiennes. Montrer que toute combinaison lin eaire des (Xi )1in suit encore une loi gaussienne. Exercice : Soit (Xi )1in des v.a.i.i.d. de loi Bernoulli de param` etre p. n D eterminer la loi de i=1 Xi . En d eduire, sans calcul, esp erances et variances des lois binomiales.

61

4.9

Annexe : D enition de lesp erance dune variable al eatoire : Cas g en eral

Le cadre est le suivant : on a un espace de probabilit e (, F , P ), et X une variable al eatoire d enie sur ` a valeur dans R. Comment d enir sa valeur moyenne, ou esp erance ? On sait que pour une variable al eatoire discr` ete, on utilise une moyenne des valeurs prises par X , pond er ees chacune par la probabilit e qua X de prendre cette valeur : E(X ) =
xX ()

xP (X = x).

On connait aussi la formule de la valeur moyenne pour une bonne fonction (continue par exemple) sur un intervalle [a, b] : m= 1 ba
b

f (x)dx.
a

On voudrait construire une formule g en erale qui englobe les deux pr ec edentes : EX =

X ( )dP ( ) =

xdPX (x),

cest-` a-dire etre capable dint egrer une fonction sur par rapport ` a la probabilit e P , ou une fonction sur R par rapport ` a la loi image PX . Cette formule d egalit e entre deux int egrales sur deux espaces di erents sera fondamentale pour les calculs pratiques, on lappelle th eor` eme de transfert. Dans toute la suite, lensemble R est muni de la tribu bori elienne B (R), et on consid erera des variables al eatoires X : (, F ) (R, B(R)). Pour les variables al eatoires simples D enition 4.26. Soit A une partie de . On appelle indicatrice de A lapplication suivante : 1A : {0, 1} 1A ( ) = 1 0 si A, sinon.

D enition 4.27. Une variable al eatoire X : R est dite simple si et seulement si il existe un entier n > 0, une famille (Ai )1in d el ements de F et une famille (ai )1in des nombres r eels distincts tels que :
n

X=
i=1

ai 1Ai .

Les ai sont des nombres r eels distincts, donc cette ecriture est la repr esentation canonique de X . Une variable al eatoire simple ne prend quun nombre ni de valeurs. Si (, F ) = (R, B(R)), une fonction simple est une fonction en escaliers avec un nombre ni de marches. D enition 4.28. Si X = esp erance de la fa con suivante
n i=1 ai 1Ai

est une variable al eatoire simple, on d enit son


n

EX =
i=1

ai P (Ai ). 62

Remarque : Il faut v erier que cette d enition ne d epend pas de l ecriture particuli` ere choisie pour X . Si X= m b B repr e sente une e criture non canonique de X ( i.e. les b ne sont pas distincts), i i i i=1 on pose : Ai = X 1 ({ai }), et E (X ) = = Ai = j Ji Bj , Ji = {j [1, m]/bj = ai },
n i=1 ai j Ji P (Bj ) m b P i=1 j (Bj ).

n i=1 Ji = [1, n].

n i=1 ai P (j Ji Bj ) = n i=1 j Ji bj P (Bj ) =

En conclusion la d enition de lesp erance ne d epend pas de l ecriture de X . Proposition 4.29. Lensemble des fonctions simples est un Respace vectoriel. Sur cet ensemble, lesp erance est une application lin eaire positive : si X et Y sont deux v. a. simples et si a est un nombre r eel, alors : E (aX + Y ) = aE (X ) + E (Y ), et si X 0, alors E (X ) 0.

On rappelle que X 0 signie que pour tout , X ( ) 0. Preuve. La positivit e est claire, et la lin earit e est laiss ee en exercice. Pour les variables al eatoires positives D enition 4.30. Si X est une variable al eatoire positive, on d enit son esp erance de la fa con suivante : E (X ) = sup{E (Y )/ Y fonction simple positive telle que Y X }. Remarque : Lesp erance dune v. a. positive est positive, remarquons aussi que cette 1 esp erance peut valoir + (prenez la loi de Cauchey : f (x) = (1+ , pour tout r eel x). x2 ) Pour les variables al eatoires quelconques D enition 4.31. Soit X une v. a. r eelle, on pose : X + = max(X, 0) X = max(X, 0) et on a X = X+ X |X | = X + + X .

D enition 4.32. Une variable al eatoire r eelle X est dite int egrable si et seulement si E |X | < +, si et seulement si E (X + ) < + et E (X + ) < +. On d enit alors son esp erance de la fa con suivante : E (X ) = E (X + ) E (X ). Remarque : Lensemble des variables al eatoires r eelles int egrables sur lespace de probabilit e (, F , P ) est not e L1 (, F , P ). Cest un R-espace vectoriel, et lesp erance est une application lin eaire positive sur cet espace. Lesp erance de X est not ee : E (X ) =

X ( )dP ( ) =

X.dP

Cette esp erance prolonge celle introduite les variables al eatoires discr` etes. n 1 (Si X () = {x1 , ..., xn }, on posant Ai = X ({xi }) et X = i=1 xi 1Ai , do` u:
n n

E (X ) =
i=1

xi P (Ai ) =
i=1

xi P (X = xi )).

63

Th eor` eme dapproximation Th eor` eme 4.33. Soit X variable al eatoire positive. Il existe une suite (Xn )n de variables al eatoires simples croissante ` a valeurs positives qui converge simplement vers X . Preuve. Il sut de prendre Xn ( ) k 2n n si si k 2n X ( ) < (k + 1)2n . X ( ) n.

V erier la n de la preuve. Proposition 4.34. Soit (Xn )n une suite de variables al eatoires simples croissante ` a valeurs positives qui converge simplement vers X . Alors X est une v. a. positive et E (X ) = limn E (Xn ). Preuve. Admis

4.9.1

Th eor` eme de transferet

Consid erons (, F , P ) un espace de probabilit e. Rappelons que si X : (R, B(R)) est une variable al eatoire, alors elle permet de d enir, ` a partir de P sur (, F ), une probabilit e PX sur (R, B (R)) appel ee loi de X de la fa con suivante : B B (R) PX (B ) = P ({ /X ( ) B }) = P (X 1 (B )) = P (X B ).

On aimerait utiliser ce lien entre les probabilit es P sur (, F ) et PX sur (R, B(R)) pour calculer les esp erances des variables al eatoires dune autre mani` ere : Th eor` eme 4.35. Soit X : (, F ) (R, B (R)) une variable al eatoire, et h : (R, B(R)) (R, B(R)) une application mesurable. On pose Y = h(X ), qui est encore une variable al eatoire r eelle d enie sur . 1. Y L1 (, F , P ) h L1 (R, B(R), PX ) 2. Dans ce cas, E (Y ) = Y dP = h(X )dP = Y ( )dP ( ) = h(X ( ))dP ( ) = 4 h(x)dPX (x) = 4 hdPX . Preuve. On va utiliser la strat egie usuelle : dabord on le montre pour des fonctions indicatrices, puis pour des fonctions simples, puis pour des fonctions positives, puis pour des fonctions quelconques. 1. Soit B B (R), posons h = 1B . E (Y ) = E (h(X )) = E (1B (X )) = E (1X B ) = P (X B ) par d enition de lesp erance de lindicatrice de {X B } F = PX (B ) par d ef. de la loi image = 4 1B (x)dPX (x) par d ef. de lesp erance de lindicatrice de {B } B (R) = 4 h(x)dPX (x). 64

2. Si h est une fonction simple, on utilise la lin earit e de lesp erance sur chacun des deux espaces de probabilit es (, F , P ) et (R, B (R), PX ) : soit h = n i=1 ai 1Ai , on a : E (Y ) = E (h(X )) = E ( n i=1 ai 1Ai (X )) = n i=1 ai E (1Ai (X )) n = i=1 ai 4 1Ai (x)dPX (x) dapr` es l etape pr ec edente = 4( n a 1 ( x )) dP ( x ) = h ( x ) dP ( x ) . i A X X i i=1 4 3. Si h est une fonction mesurable positive, on utilise le r esultat dapproximation : soit (hn )n une suite de fonction simples positive qui converge en croissant vers h. On sait par l etape pr ec edente que E (hn (X )) = hn (X ( ))dP ( ) =

hn (x)dPX (x).

puis on utilise le r esultat de croissance monotone de chaque c ot e, en passant ` a la limite quand n tend vers linni, on obtient : E (X ) =

h(x)dPX (x).

4. Finalement, pour h int egrable quelconque, on prend h = h+ h : la condition n ecessaire et susante dint egrabilit e est alors claire, et on utilise la lin earit e sur chacun des deux espaces de probabilit es (, F , P ) et (R, B (R), PX )

Nous allons maitenant d ecliner ce r esultat dans les deux cas que nous avons vu pr ec edemment : v. a. discr` etes et v. a. ` a densit e. Corollaire 4.36. 1. Soit X une v. a. r eelle avec X () = {x1 , x2 , ..., xn , ...} ni ou d enombrable. La v. a. h(X ) est int egrable si et seulement si |h(xi )|PX (xi )
i1

est une s erie convergente et dans ce cas : E (h(X )) =


i1

h(xi )PX (xi ).

2. Soit X une v. a. r eelle ` a densit e f . La v. a. h(X ) est int egrable si et seulement si

|h(x)|f (x)dx < +

est une int egrale convergente, et dans ce cas E (h(X )) =

h(X )dP =

h(x)dPX (x) =

h(x)f (x)dx.

65

4.10

Exercices

Exercice 1. Soit X une variable al eatoire repr esentant le nombre dheures de vie dune ampoule el ectrique. Supposons que X soit distribu e avec la densit e de probabilit e suivante : f (x) =
x 1 e 1000 1[0,+[ (x). 1000

Trouver la dur ee de vie moyenne attendue dune telle ampoule. Exercice 2. 1. Soit X une variable al eatoire ` a valeurs dans N. Montrer que :
+

E (X ) =
j =1

P (X j ).

2. Montrer que si X est une variable al eatoire discr` ete ` a valeurs enti` eres (positives, n egatives ou nulles) dont lesp erance math ematique existe, on a :
+

E (X ) =
j =1

[P (X j ) P (X j )].

Exercice 3. Soit X une variable al eatoire de loi de Poisson de param` etre > 0 (i. e. k P (X = k ) = e , k 0 ). k! 1 1 1. V erier que 1+ eatoire int egrable. Calculer E( 1+ X est une variable al X ).
1 1 2. Calculer E( (1+X )(2+ eduire E( 1+ X ). X ) ) et en d

Exercice 4. Un joueur joue ` a pile ou face de la mani` ere suivante : la premi` ere fois il parie 1 euro ; sil gagne, il gagne 2 euros et il sarr ete ; sinon, la deuxi` eme fois il parie 2 euros ; sil gagne, il gagne 4 euros et il sarr ete, etc... Cest-` a-dire que tant quil perd il double sa mise pour le coup suivant et il sarr ete d` es le premier succ` es. Quelle est lesp erance de gain du joueur ? Exercice 5. Dans une classe de n el` eves, la probabilit e quun el` eve sache son cours pour la colle est p; p ]0, 1[. La probabilit e quun el` eve qui sait son cours sache faire lexercice en colle est ; ]0, 1[. Aura une bonne note un el` eve qui conna t son cours et qui r eussit lexercice. On note X la variable egale au nombre d el` eves sachant leur cours, et Y celle egale au nombre d el` eves ayant une bonne note. 1. Quelle est la loi de X 2. Quelle est la loi de Y ; calculer lesp erance et la variance 2 de Y . Exercice 6. X est une VARD qui suit la loi de Poisson de param` etre . Montrer que : P (X + 1) .

Exercice 7. Un satellite de t el ed etection eectue 6 passages par mois au-dessus dune r egion donn ee. Les photos r ealis ees lors des di erents passages peuvent etre inutilisables, du fait notamment de la pr esence dune couverture nuageuse.
La variance dune v.a. mesure la dispersion de cette v.a. par rapport ` a son esp erance. Si la variance est petite, la v.a. est concentr ee autour de sa moyenne. La variance est tjrs positive et une variance faible correspond ` a un niveau homog` ene, proche de la moyenne.
2

66

1. Soit X la v.a. qui d esigne le nombre de photos valables pour les 6 passages. Trouver la loi de X . 2. Quelle doit etre la probabilit e dobtenir une photo valable lors dun passage donn e pour que la probabilit e davoir au moins une photo valable par mois soit de 0,9 ? Exercice 8. Un appareil electronique utilise 20 transistors identiques dans sa fabrication. On admet que ces transistors sont les seules sources de panne de lappareil. La probabilit e quun transistor soit d efectueux est de 0,1. D` es quun appareil contient au moins deux transistors d efectueux, il tombe en panne. a. Quelle est la probabilit e quun appariel tombe en panne ? b. Jugeant lappariel pr ec edant peu rentable, on en construit un autre dont la probabilit e de tomber en panne est egale ` a 0,2. Sur un lot de 2000 appariels, quel est le nombre (moyenne) dappariels en panne auquel doit-on sattendre ? et avec quel ecart type ? Exercice 9. Une conture peut etre quali ee de pur sucre si elle contient entre 440 et 520 grammes de sucre par kilogramme de conture. Un fabricant v erie 200 pots de conture de 1 kilogramme chacun. Il trouve que le poids moyen de sucre est de 480 grammes avec un ecart type de 20 grammes. Sachant que le poids en sucre est distribu e normalement, calculer le pourcentage de la production du fabricant qui ne doit pas porter la mention pur sucre en consid erant que l echantillon des 200 pots est repr esentatif de la production globale. Exercice 10. Soit X une v. a. ayant pour densit e de probabilit e la fonction f d enie par : f (x) = ex pour x 0 f (x) = 0 pour x < 0 o` u est un r eel positif. 1. V erier que f est bien une densit e de probabilit e. 2. D eterminer la fonction de r epartition de X. 3. Calculer E (X ) et plus g en eralement E (X k ). En d eduire la valeur de V (X ). 4. Soit X0 la v.a. ayant pour densit e de probabilit e: g (x) = k (x0 ).f (x) pour x x0 g (x) = 0 pour x < x0 o` u x0 est un r eel positif donn e. a) Quelle est la valeur de k (x0 ) ? b) Calculer E (X0 ) et V (X0 ). Exercice 11. Soit X une variable al eatoire r eelle admettant une variance. Montrer que la fonction x E ((X x)2 ) admet un minimum global et le calculer.

67

Exercice 12. (Loi de Cauchy ) On consid` ere la fonction f (x) d enie par : f (x) = k , 1 + x2 x R.

1) D eterminer la constante k telle que f (x) puisse etre consid er ee comme la densit e de probabilit e dune v.a. continue X . 2) Que peut-on dire des moments de cette v.a. ? Exercice 13. Si U1 et U2 sont deux variables al eatoires normales centr ees, r eduites et ind ependantes, calculer : a. P (U1 > U2 ). b. P (U1 + 2U2 > 5) c. calculer k tel que P (U1 + kU2 > 2) = 0.05. Exercice 14 . Le lait produit par une usine a une teneur en mati` eres grasses qui suit une loi normale de moyenne 160 grammes par litre et d ecart type 3 10 grammes par litre les consommateurs nacceptent que le lait dont la teneur en mati` eres grasses est comprise entre 135 grammes par litre et 185 grammes par litre. Calculer la proportion de la production du lait inacceptable par les consommateurs. Exercice1 15 . Soit un vendeur de lots de pi` eces m ecaniques disposant, ` a une date t0 , dun stock s. La demande X , pour un intervalle de temps [t0 , t1 ], est une v. a. enti` ere ayant une loi de probabilit e d enie par : P (X = x) = k (x0 )p q x1 =0 pour pour x x0 x < x0

o` u p et q sont deux r eels positifs tels que p + q = 1 et x0 est un entier naturel inf erieur ` a s. 1) Calculer k (x0 ) et E (X ). 2) Si X est inf erieure au stock s, les lots restants sont vendus ` a perte et le vendeur aura ` a aronter une d epense moyenne de c1 DH. Si X est sup erieure au stock s, il faut un approvisionnement sp ecial de pi` eces manquantes et le suppl ement du co ut repr esente une perte moyenne de c2 DH. Calculer l esp erence math ematique des d epenses que va devoir aronter le vendeur pendant la p eriode [t0 , t1 ]. Exercice 16. Soit X une variable al eatoire r eelle. On appelle fonction caract eristique de X la fonction X d enie par X (t) = E (eitX ) = 4 eitx f (x)dx dans le cas des v.a continue : cest la transform ee de Fourier de la fonction f itk = k e pk dans le cas discret 1) V erier que X (0) = 1 et que |X (t)| 1 t R. 2) D eterminer la f. c. X de la v. a. X dans les cas suivants : a. X = a, a R. b. X est une v. a. de Bernoulli de param` etre p.
3

L ecart type est par d enition =

V (X ). Une v.a. X est dite centr ee r eduite si E (X ) = m = 0 et = 1.

68

c. X est une v. a. de binomiale de param` etres n et p, i.e. X B (n, p). e. X est une v. a. de binomiale de param` etre , i.e. X P (). f. X est une variable al eatoire de loi uniforme sur [a, a] 2 ) et Y N (m , 2 ) , alors X + Y N (m + m , 2 + 2 ). 2) D eduire que X N (m1 , 1 2 2 1 2 1 2 Exercice 17. Soit X v. a. r. de densit e p(x) = xex 1x0 . 1. D eterminer la loi de la v. a. Y = eX 1. 2. D eterminer la fonction caract eristique de X . 3. En d eduire la moyenne et la variance de X . 4. Soit Z une v. a. ind ependante de X et de m eme loi. Calculer lesp erance et la variance de 3X 4Z .

Cet exercice constitue le sujet dun devoir libre.

69

Chapitre 5

Variables al eatoires vectorielles


5.1 Introduction

De nombreux probl` emes concrets fond intervenir plusieurs variables al eatoires, regroup ees dans un vecteur al eatoire. Il est important de caract eriser la loi dun tel vecteur et les relations liant ses composantes. Nous allons voir dans ce chapitre que tout ce que lon a construit pour une variabble al eatoire r eelle se transpose quasiment mot par mot au cas dun vecteur al eatoire. Les principales di erences sont : - la notion de loi marginale - la notion de covariance, qui essaie de traduire un certainlien entre les coordonn ees du vecteur al eatoire. Dans la suite, nous nallons d enir les notions que pour les couples de variables al eatoires. Mais la plupart des r esultats enonc es se g en eralisent facilement ` a un nombre quelconque de variables. Notation : Un couple de v. a. est une application mesurable donn ee par : (X, Y ) : (, F ) (R2 , B(R2 )).

5.2

Couples al eatoires discrets

D enition 5.1. 1. On dit quun couple al eatoire est discret sil prend ses valeurs dans un ensemble {(xi , yj )(i,j )I J } avec I J N2 ou dans Z2 . 2. La loi conjointe de X et Y (i.e. la loi du couple (X, Y ))) est la donn ee des nombres positifs : pij = P ({X = xi } {Y = yj }), (i, j ) I J avec pij = 1.
(i,j )I J

3. Si lon sint eresse uniquement au comportement de lune des deux variables, on introduit les lois marginales de X et Y d enies par pi. = P (X = xi ) =
j J

pij

et

p.j = P (Y = yj ) =
iI

pij .

70

Remarque : Les deux ev enements (X = xi ) et (j J Y = yj , X = xi ) sont identiques. Donc pi. = pij .


j J

De plus, pi. =
iI iI j J

pij =
(i,j )I J

pij = 1.

Exemple : On tire, avec remise, deux boules dun sac contenant 3 boules num erot ees 1, 2, et 3. On consid` ere la v. a. X qui est la somme des points obtenus et soit Y le maximum des points obtenus. Calculer la loi conjointe de X et Y . D eduire les lois marginales de X et Y . On a X () = {2, 3, 4, 5, 6} et Y () = {1, 2, 3}. Il sagit d evaluer P (X = i, Y = j ) lorsque 2 i 6 et 1 j 3. Les r esultats sont donn es dans le tableau suivant : yj /xi 1 2 3 Loi de X Les cas possibles sont : (1, 1) X = 2 (1, 2), (2, 1) X = 3 (1, 3)(3, 1)(2, 2) X = 4 (3, 2)(2, 3) X = 5 (3, 3) X = 6. Explicitons le calcul de la premi` ere ligne : 1 P (X = 2, Y = 1) = P ({(1, 1)} = , 9 P (X = a, Y = 1) = 0 si a 3. 2 0 0
1 9 1 9

3 0 0
2 9 2 9

4 0
1 9 2 9 3 9

5 0 0
2 9 2 9

6 0 0
1 9 1 9

Loi de Y
1 9 3 9 5 9

La formule donnant lesp erance de h(X ) se g en eralise au contexte dun couple de v. a. de X et Y . h(xi , yj )pi,j E (h(X, Y )) =
iI j J

o` u h est une fonction de deux variables. En particulier : E (XY ) =


iI j J

xi yj pi,j

Exercice : Calculer E (XY ) pour X et Y de lexemple pr ec edent.

71

5.3

Couples al eatoires ` a densit e

D enition 5.2. On dit quun couple al eatoire (X, Y ) est ` a densit e sil existe une fonction 2 2 f(X,Y ) : R R positive telle que pour tout domaine D de R , on a P(X,Y ) (D) = P ((X, Y ) D) = avec
D

f(X,Y ) (x, y )dxdy.

42 f(X,Y ) (x, y)dxdy = 1.

Les densit es marginales de X et Y sont donn ees par : fX (x) = Exercice : On pose

f(X,Y ) (x, y )dy

et

fY (y ) =

f(X,Y ) (x, y )dx.

x2 + y 2 ). 2 1. D eterminer c pour que f soit une densit e de probabilit edun vecteur al eatoire Z = (X, Y ) de R2 . f (x, y ) = cexp(

2. Calculer les densit es des lois marginales de Z . Solution : 1. f est continue de R2 dans R, donc mesurable. f 0 si c 0. pour lint egrale : 1 =

4 2 4 2 x y2 2 dx)( = c( dy ) e e 4 4
2

f (x, y )dxdy = c

x2 +y 2 2

dxdy

= c 2 2. Donc

c= 2. fX (x) = Donc De m eme :

1 . 2

x2 1 x2 +y2 1 2 e dy = e 2 ( 2 2

y2 x2 1 1 e 2 dy ) = e 2 . 2 2

X N (0, 1).
y2 1 fY (y ) = e 2 . 2

Donc Y N (0, 1). Enn, on a aussi lanalogue du th eor` eme de transfert : Proposition 5.3. Soit h : R2 R une fonction et (X, Y ) un couple al eatoire admettant pour densit e f(X,Y ) . Alors, la v. a. h(X, Y ) est integrable si et seulement si lint egrale double | h ( x, y ) | f ( x, y ) dxdy est convergente. (X,Y ) 42 Dans ce cas, on a : E (h(X, Y )) =

42

h(x, y )f(X,Y ) (x, y )dxdy. 72

5.4

Ind ependance et esp erance de produits

En g en eral, la donn ee des lois de probabilit es de deux variables al eatoires X et Y ne permet pas de calculer la loi du couple al eatoire (X, Y ) (alors que la r eciproque est vraie). Cest toutefois possible dans un cas particulier tr` es important, celui des variables al etoires ind ependantes. D enition 5.4. 1. Soit X et Y deux v. a. discr` etes ` a valeurs respectivement dans {ai } et {bj }. Les v. a. X et Y sont ind ependantes si et seulement si : Pij = P ({X = ai } {Y = bj }) = P (X = ai )P (Y = bj ). 2. Soit X et Y deux v. a. ` a densit e. Les v. a. X et Y sont ind ependantes si et seulement si : f(X,Y ) = fX (x).fy (y ). Cons equence : X En eet, E (XY ) = 42 xyf(X,Y ) (x, y)dxdy = 4 xfX (x)dx 4 yfY (y )dy. = E (X )E (Y ). Y = E (XY ) = E (X )E (Y ).

5.5
5.5.1

Covariance et coecient de corr elation lin eaire


Covariance

Pour mesurer le lien entre deux grandeurs al eatoires, on fait appel ` a la notion de covariance : D enition 5.5. Soit (X, Y ) un couple al eatoire tel que X et Y admettent toutes les deux un moment dordre 2. On appelle covariance de X et Y et on note cov (X, Y ) la quantit e: cov (X, Y ) = E ([X E (X )][Y E (Y )]). Remarque : 1. On peut montrer quil existe une autre formule pour calculer la covariance : cov (X, Y ) = E (XY ) E (X )E (Y ). 2. Si X Y , alors cov (X, Y ) = 0. La proposition suivante donne quelques propri et es de la covariance. Proposition 5.6. Soit X , Y et Z trois v. a. r. admettant un moment dordre 2. on a : 1. cov (X, X ) = V ar(X ), 2. cov (aX + bY, Z ) = acov (X, Z ) + bcov (Y, Z ), a, b R. 3. V ar(X + Y ) = V ar(X ) + 2cov (X, Y ) + V ar(Y ). 4. cov (X, Y )2 V ar(X )V ar(Y ) (In egalit e de Cauchy-Schwartz.) Preuve. 1. Il sut dappliquer la d enition de la variance. 2 et 3. Cest imm ediat en utilisant la lin earit e de lesp erance. 4. Il sut de remarquer que (X, Y ) cov (X, Y ) est une forme bilin eaire sym etrique sur lensemble des v. a. r. de carr ee int egrable. 73

5.5.2

coecient de corr elation

Limportance de la notion de covariance r eside dans le fait quelle permet, dans certaine mesure, de caract eriser num eriquement la d ependance stochastique entre deux v. a. On peut en particulier armer que : cov (X, Y ) = 0 si X et Y sont ind ependantes. Mais la r eciproque est fausse comme le montre lexemple suivant : Exemple : Soit X une v. a. de Bernoulli de param` etre 0 < p < 1. Alors E (X (1 X )) = 0 et bien entendu X et 1 X ne sont pas ind ependantes : par exemple : P (X = 0, 1 X = 0) = 0 = P (X = 0)P (X = 1) = p(1 p). Linconvinient de la covariance tient au fait quelle peut etre tr` es grande en valeur absolue, ce qui la rend inutilisable pour mesurer le degr e de d ependance entre X et Y . Pour des besoins pratiques, la covariance est donc remplac ee par une mesure standaris ee : le coecient de corr elation lin eaire. D enition 5.7. Soit (X, Y ) un couple al eatoire tel que X et Y soient non constantes et admettent toutes les deux un moment dordre 2. On appelle coecient de corr elation lin eaire de X et Y , et on note (X, Y ), la quantit e: (X, Y ) = cov (X, Y ) , (X ) (Y )

o` u (X ) et (Y ) sont les ecarts-types de X et Y . Remarque : 1. 1 (X, Y ) +1, (dapr` es lin egalit e de Cauchy-Schwartz). 2. (X, Y ) = 0 si X et Y sont ind ependantes. X Y 3. On peut ecrire (X, Y ) sous la forme Cov ( ( a dire comme la covaX ) , (Y ) ), cest ` riance de deux v. a. dont la variance est egale ` a 1. 4. Si X et Y sont centr ees, on a : (X, Y ) =
1

< X, Y > X 2 Y 2

o` u X 2 = (E (X 2 )) 2 . (X, Y ) sinterpr` ete alors comme le cosinus de langle que forment les deux vecteurs X et Y , egale au rapport du produit scalaire sur le produit des normes. Une corr elation elev ee indique une relation lin eaire forte alors quune corr elation faible nindique pas labsence de relation, mais simplement labsence de relation lin eaire.

74

5.6

Exercices

Exercice 1. Deux variables al eatoires X1 et X2 prennent les valeurs 0,1,2. 1. Comment doit-on choisir p pour que le tableau ci-dessus donne une loi conjointe de (X1 , X2 ) ? X1 \X2 0 1 2 0 p 2p 4p 1 p 2p
p 2

2
p 4 p 2

2. Quelles sont les lois marginales de X1 et de X2 . Ces deux variables sont-elles ind ependantes ? 3. Soit Y = X1 + X2 . Calculer lesp erance de Y .

Exercice 2. Soit (X, Y ) un couple al eatoire ` a valeurs dans N N tel que : (n, k ) N N , P (X = k, Y = n) = (1 q n )q n(k1) e n1 , (n 1)!

avec q ]0, 1[ et > 0. D eterminer les lois marginales de X et de Y . Ces deux variables sont-elles ind ependantes ?

Exercice 3. Soit X1 et X2 deux variables al eatoires ind ependantes et soient F1 (x) et F2 (x) leurs fonctions de r epartition. D eterminer les fonctions de r epartition des v. a . Y = M ax(X1 , X2 ) et Z = M in(X1 , X2 ). Exercice 4. Soient X et Y deux variables al eatoires et soit r leur coecient de corr elation. 1) Montrer que le coecient de corr elation r est compris entre 1 et 1. 2) Soient 4 r eels non nuls : a, b, c et d. Calculer le coecient de corr elation des v. a. U = aX + b et V = cY + d.
1 2

Lesp erance math ematique du couple (X, Y ) est par d enition E (X, Y ) = (EX, EY ) Lesp erance math ematique du produit X.Y est donn ee par : E (XY ) =
::
iI j J

xi yj pij ,

( cas discret )

et E (XY ) =

42

xyf (x, y )dxdy,

( cas continu )

75

Quelles conclusions peut-on tirer des r esultats de ce calcul ? Exercice 5. Soient X et Y deux variables al eatoires ind ependantes et de m eme densit e f (x) = On pose U = XY et V =
X Y .

1 1 (x). x2 [1,+[

1. Calculer la loi du couple (U, V ). Les v.a.r. U et V sont-elles ind ependantes ? 2. Calculer les lois marginales de U et de V . 3. Calculer 1 E( ). UV

La fonction de r epartition du couple (X, Y ) est d enie par : F(X,Y ) (x, y ) = P (X x et Y y ).

X et Y sont ind ependantes si : P (X = xi et Y = yj ) = PX (xi )PY (yj ) f(X,Y ) (x, y ) = fX (x)fY (y ) (v. a. discr` etes )

(v. a. continues)

76

Chapitre 6

Th eor` emes limites


6.1 Introduction

Soit (Xn ) une suite de v. a. r. d enies sur un espace de probabilit e (, F , P ). Une suite de v. a. r eelles etant une suite de fonctions dans R. Il existe divers fa cons de d enir la convergence de (Xn ) dont certaines jouent un grand r ole en calcul des probabilit es et en statistique.

6.2
6.2.1

Les di erents types de convergence


La convergence en probabilit e

D enition 6.1. La suite (Xn ) de v. a. converge en probabilit e vers la constante a, si : > 0, On note Xn
n

lim P (|Xn a| > ) = 0. P a.

Remarque : 1. On d enit la convergence en probabilit e de (Xn ) vers X comme la convergence de (Xn X ) vers 0. 2. La convergence en probabilit e signie que l ecart entre la valeur de Xn et la constante a est tr` es faible quand la taille de l echantillon est grande.

6.2.2

La convergence presque s ure

D enissons dabord l egalit e presque s ure de deux v. a. D enition 6.2. Soit X et Y deux v. a. r., X et Y sont egaux presque s urement si : P ({/X ( ) = Y ( )}) = 0. D enition 6.3. La suite (Xn ) converge p. s. vers X si : P ({/ lim Xn ( ) = X ( )}) = 0.
n

Autrement dit, 0 tel que P (0 ) = 1 et 0 ,

limn Xn ( ) = X ( ).

77

On note Xn

p.s. X.

Remarque : La convergence presque s ure implique la convergence en probabilit e. En eet, > 0, n0 n n0 , |Xn ( ) X ( )| < 0 . Donc : > 0, n0 , n n0 , {|Xn X | > } c 0. Par suite,
n

lim P (|Xn X | > ) = 0.

6.2.3

La loi faible des grands nombres

Th eor` eme 6.4. Soit (Xn ) une suite de v. a. r. ind ependantes, de m eme loi et de carr e 2 < +). On a alors, int egrable (EX1 X1 + X2 + ... + Xn n Preuve. Dapr` es lin egalit e de B. T. , on a :
+Xn E (X1 )| > ) = P (|(X1 + ... + Xn ) E (X1 + ... + Xn )| > n) P (| X1 +... n

P E (X1 ). n

V ar(X1 +...+Xn ) 2 n2

V ar(X1 ) n2

(car V ar(X1 + X2 + ... + Xn = nV ar(X1 ), par ind ependance). Remarque : 2 < + assure que la grandeur EX est bien d 1. La condition EX1 enie. 1 2. Intuitivement le r esultat p ec edent signie que le facteur n, qui gure au d enominateur, est trop grand. Le th eor` eme central limite arme quil faut remplacer n par n mais aussi le mode de convergence. 3. Si (An ) est une suite d ev enements ind ependantes et de m eme probabilit e p. La suite n 1 e vers p. des v. a. n i=1 1Ai converge en probabilit

6.2.4

La convergence en loi

D enition 6.5. Soit (Xn ) une suite de v. a. d enies sur le m eme espace probabilis e, de fonction de r epartition Fn . Soit X une v. a. d enie sur le m eme espace probabilis e, de fonction de r epartition F . On dit que (Xn ) converge en loi vers X si en tout point x o` u F est continue, on a :
n

lim Fn (x) = F (x).

Remarque : 1. Pour les v. a. discr` etes la convergence en loi vers une v. a. discr` ete sexprime par : limn+ P (Xn = x) = P (X = x) Cest ainsi quon a etabli la convergence de la loi binomiale vers la loi de Poisson. (Voir Chapitre 3). 78

2. Une suite de v. a. discr` etes peut cependant converger en loi vers une v. a. continue. Par exemple : 1 2 Exercice : Soit (Xn ) une suite de v. a. r. de loi uniforme sur {0, n , n , ..., 1}. Montrer que : Loi Xn X, avec X U[0,1] . Remarque : La convergence en loi peut sexprimer par : pour toute fonction de C 0 = {f C (R, R)/ lim|x| f (x) = 0}, on a

f dPXn

f dPX .

Proposition 6.6. La convergence en probabilit e entra ne la convergence en loi. Preuve. Supposons que (Xn ) converge en probabilit e vers X . Soit C 0 , et soit > 0, la continuit e uniforme de sur R entra ne lexistence de > 0, tel que pour tout u et v v eriant |u v | , on ait |oXn oX | . Il suit, en notant M = : |E (oXn ) E (oX )|
|Xn X | |oXn

oX |dP +

|Xn X |> |oXn

oX |dP

+ 2M P (|Xn X | > ). On conclut. R ecapitulons : Convergence p.s = Convergence en probabilit e =Convergence en loi.

6.3

Le th eor` eme central limite

Th eor` eme 6.7. (Le th eor` eme central limite) Soit (Xn ) une suite de v. a. r. ind ependantes de m eme loi et admettant un moment dodre 2. On pose : Sn = X1 + X2 + ... + Xn , alors, on a : n Sn loi ( m) N (0, 1), n

avec m = E (X1 ) et 2 = V ar(X1 ). Remarque : 1. Ce th eor` eme permet de comprendre limportance de la loi normale puisquil signie que la somme des v. a. i.i.d. tend ` a suivre une loi normale quelles que soient les lois suivies par ces variables.
E (Sn ) = Sn 2. Le th eor` eme central limite implique, si n est grand, que la loi de Sn est voi n sine de N (0, 1), ce qui est equivalent ` a dire que la loi de Sn est voisine de N (nm, n 2 ).

79

Application : On se sert souvent du th eor` eme central limite pour calculer rapidement des probabilit es en avoir une premi` ere estimation. Exemple (1) : Dans une le dattente, dix personnes attendent avant d etre servies. Si le temps de service dune personne est une v. a. de loi exponentielle de param` etre = 1 minute, quelle est la probabilit e que la dur ee dattente totale d epasse 15 minutes ? On pose : T = T1 + T2 + ... + T10 . o` u Ti (i=1,...,10) sont des v. a. ind ependantes de loi E (1). On utilise le th eor` eme central limite pour la v. a. T . T peut etre approch ee par une v. a. normale de moyenne E (T ) = 10E (T1 ) = 10 et de variance : V ar(T ) = 10V ar(T1 ) = 10. On trouve alors rapidement : P (T > 15)
10 P (N (0, 1) > 15 ) 10 = P (N (0, 1) > 1, 511) = 0, 057.

On peut donc attendre dans la le sans crainte dy rester plus de 15 minutes. Exemple (2) : Donnons un autre exemple, issu du contr ole de la qualit e. Si on sait quen moyenne 5% des articles produits par un certain proc ed e de fabrication sont d efectueuses. Quelle est la probabili e quil y ait au plus 60 pi` eces d efectueuses dans un lot de 1000 pi` eces choisies au hasard ? Notons X le nombre de pi` eces d efectueuses dans le lot. De mani` ere exacte, X B (1000, 0, 05). Si on voulait faire le calcul exact, ce serait tr` es compliqu e. On utilise le T.C.L. et faire comme si le nbr X de pi` eces d efectueuses suit une loi normale de param` etre m = 1000 0, 05 = 50 et = 1000var(Xi ) = 1000 0, 05 0, 95 = 47, 5. On trouve : 60 50 P (X 60) P (N (0, 1) ) = 0, 9265. 6, 9 Remarque : En pratique, lapproximation de la loi binomiale par la loi normale donne des r esultats convenables si np 5 et n(1 p) 5. Dans ces conditions, on peut retenir lapproximation : B(n, p) N (np, np(1 p)).

Remarque : Vitesse de convergence dans la loi des grands nombres Le th eor` eme central limite pr ecise la convergence donn ee par la loi des grands nombres. Pla cons-nous dans le cas dune suite r eelle (un )n qui converge vers une limite l. On suppose quon ne conna t pas exactement la valeur de l, et quon sait facilement calculer les termes successifs de la suite (un )n . On aimerait donc donner une valeur approch ee de l en disant pour n susament grand, un nest pas loin de l. Toute la question est de savoir dire rigoureusement ce que veut dire un nest pas loin de l, autrement dit d etre capapledestimer lerreur commise entre un et l. Ceci revient ` a etudier la vitesse de convergence de la suite 80

(un )n vers l cest -` a-dire de trouver le terme suivant dans le d eveloppement asymptotique de un quand n tend vers linni : par exemple, un = l 1 3 + o( 2 ) 2 n n
1 . n2

limn n2 (un l) = 3.

Dans ce cas, la vitesse est en si si <2 >2

Remarquons que alors alors limn n (un l) = 0 limn n (un l) = +.

, ,

Le cas = 2celui qui donne une limite nie, est donc celui qui donne la bonne vitesse de convergence. Revenons maintenant au cas des v. a. i.i.d. La loi faible des grands nombres dit que X1 + ... + Xn P EX1 . n Pour etudier la vitesse de convergence de cette suite, on cherche tel que n ( X1 + ... + Xn EX1 ) converge en un certain sens. n

Ici, on nobtient pas de limite d etrministe, ce qui nest pas surprenant vu quon est en train de regarder des limites de variables al eatroires, mais le TCL nous dit que la limite est une loi 1 gaussienne, que la vitesse de convergence est en et que la notion de convergence consid er ee n ici est la convergence en loi.

81

6.4

Exercices

Exercice 1. (M ethode de monte-Carlo) Soit h : [0, 1] R une fonction continue et soit (Xn ) une suite de v.a.r. ind ependantes et m eme loi uniforme sur [0, 1]. Montrer que h(X1 ) + ... + h(Xn ) P n
1

h(x)dx
0

quand

n +.

Comment se servir de ce r esultat pour approximer une int egrale ? Exercice 2. 1. D emontrer que si np quand n et p 0, et si X B (n, p). Alors X converge en loi vers une v. a. Y P (). 2. Application : Un contr ole rigoureux des ampoules electriques fournies par un atelier a permis de constater que sur 14760 ampoules, il y avait 738 ampoules d efectueuses. Soit X le nombre des ampoules d efectueuses gurant dans un lot de 60 ampoules. a) Indiquer la loi de probabilit e de X . b) Quelle est la probabilit e davoir plus de 3 ampoules d efectueuses dans un lot de 60 ampoules ? c) Quelle est la probabilit e davoir 78 ampoules bonnes dans un lot de 80 ampoules ? Exercice 3. Une caisse dassurance maladie re coit 120 personnes pour lobtention de remboursements. On admet que la caisse doit payer, en moyenne, ` a chaque personne 1000 dh avec un ecart type de 600 dh. La caisse dispose de 130000 dh. Calculer la probabilit e que cette somme soit susante. Exercice 4. Une usine poss` ede un restaurant dentreprise qui assure chaque jour 2 services. Chacun des 900 employ es de lusine se pr esente indi eremment ` a lun ou ` a lautre des services avec une probabilit e de 0,5. Par ailleurs les choix des employ es sont ind ependants. a) Quelle est la probabilit e pour que le nombre de personnes se pr esentant au premier service soit sup erieur ` a 500 ? b) De quel nombre de places faut-il diposer dans le restaurant pour que la probabilit e de pouvoir r epondre ` a la demande aux deux services sont sup erieure ` a 95%. c) Le nombre total des repas ` a servir chaque jour est une variable al eatoire ; chaque employ e a chaque jour une probabilit e de 0,75 de prendre son repas ` a lusine. - Quelle est lesp erance math ematique de cette variable ? - Combien de repas convient-il de pr eparer pour que la probabilit e de satisfaire la demande soit sup erieure ` a 99% ?

Exercice 5 2% des individus dune population pr esentent une certaine mutation. - Calculer le nombre moyen de mutants dans un echantillon de 100 individus. - Quelle est la probabilit e quil ny ait aucun mutant ?

82

- Quelle est la probabilit quil y en ait au moins 5 ? Faire le calcul exact (avec une loi binomiale), et le calcul approch e (avec une loi de Poisson). Exercice 6 On lance une pi` ece equilibr ee 1000 fois. On veut calculer la probabilit e pour que le nombre de pile soit compris entre 450 et 550. - Soit X le nombre de pile . Quelle est la loi de X ? la probabilit e cherch ee. Cette expression est trop longue ` a calculer ! - Ecrire - Quelle est lesp erance m et l ecart-type de X ? - Montrer que lon peut approximer X par une loi normale N (m, ). - Il ne reste plus qu` a r epondre ` a la question initiale.

83

Deuxi` eme partie

Statistiques

84

Chapitre 7

Introduction aux statistiques


7.1
7.1.1

Introduction :
Les statistiques, les probabilit es, la statistique

1. Les statistiques sont des ensembles de donn ees, dobservations : recensement...ce sont donc des chires. 2. Les probabilit es forment une branche des math ematiques et sont donc rigoureuses et exactes ; pour cela il travaillent sur des objets math ematiques parfaitement d enis et abstraits (bien que toujours dorigine concr` ete). 3. La statistique est la science qui utilise les m ethodes math ematiques (venant g en eralement des probabilit es) pour etudier et analyser des statistiques eu vue : - den acco tre les connaissances scientiques ; - de planier des strat egies ; - daider ` a la prise de d ecision. Dans la th eorie des probabilit es que nous avons d evelopp e jusqu` a pr esent, nous avons r ealiser des calculs de nature probabiliste : par exemple, en evaluant la probabilit e d ev enements ou en d eterminant lesp erance dune variable al eatoire. On a toujours suppos e que les di erents param` etres qui interviennent dans le mod` ele sont connus. Ce qui est rarement le cas en pratique. Nous nous int eressons ` a la mod elisation dune grandeur al eatoire ` a valeurs r eelles. Dans le cadre probabiliste, cette notion correspond au concept de variable al eatoire ; soit X cette variable al eatoire. Donnons un exemple : si lon sint eresse ` a compter le nombre de fois ou apparait le r esultat S , au cours de k exp eriences ind ependantes, ` a deux issus possibles S et E , on choisira pour X une v. a. de loi B(k, p). En g en eral le param` etre p nest pas connu. Dans dautres situations, on peut choisir pour X une v. a. de loi de Poisson P (), ou une loi de Gauss N (m, 2 ). Les valeurs de , m et etant inconnues. Le but de la statistique est de pouvoir evaluer ces param` etres inconnus ` a laide des valeurs X1 , X2 , ..., Xn que lon a observ ees en r ealisant une s erie de n exp eriences ind ependantes.

7.1.2

La d emarche statistique

Apr` es le recueil des donn ees que nous naborderons pas ici, la d emarche statistique consiste ` a traiter et interpr eter les informations recueillies. Elle comporte deux grand aspects : laspect descriptif ou exploratoitre et laspect inf erentiel ou d ecisionnel. 85

A- La statistique exploratoire : Son but est de synth etiser , r esumer, structurer linformation contenue dans les donn ees. Elle utilise pour cela des repr esentations des donn ees sous forme de tableaux, de graphiques, etc. L etude statistique porte sur un caract` ere. Si le caract` ere est quantitatif, les mesures sont alors les valeurs dune variable statistique (ex. un age , une taille,...). Si le caract` ere est qualitatif, on est oblig e de quantier (ex. sexe, mensonge,...). B- La statistique inf erentielle : Son but est d etendre les propri et es constat ees sur l echantillon ` a la population toute enti` ere. Le calcul des probabilit es joue un r ole fondamental. Donnons quelques exemples : B.1. Estimation dune moyenne : Une m eme grandeur est mesur ee n fois de suite par un m eme observateur, limpr ecision de linstrument de mesure et dautres facteurs rendent uctuantes ces mesures et on obtient n valeurs di erentes x1 , x2 , ..., xn . Comment d eterminer la vraie valeur m ? La loi des grands nombres montre que la moyenne x1 + x2 + ... + xn x= n constitue une bonne approximation de m. x est une estimation de m. Lestimation consiste ` a donner des valeurs approch ees aux param` etres dune population (m, , etc) ` a laide dun echantillon de n observations issues de cette population. B.2. V erication dune hypoth` ese ou test : Le cas suivant est classique en contr ole de qualit e. Un client commande ` a son fournisseur des lots de pi` eces dont la qualit e est sp eci ee par contrat : le fournisseur sengage ` a respecter un taux de pi` eces d efectueuses inf erieur ` a 4%. Avant de livrer, le fournisseur eectue un contr ole sur 50 pi` eces et en trouve 3 d efectueuses soit 6% : Doit-on livrer quand m eme au risque de refuser la marchandise ? Le raisonnement est alors le suivant : si le taux th eorique de d efectueux est de 4% quelles sont les chances dobserver un tel nombre de d efectueux ? Le calcul des probabilit es montre alors quil y a une probabilit e voisine de 0.32 dobserver trois pi` eces d efectueuses ou plus (loi binomiale B(50, 0.04)). Cette probabilit e etant assez forte, l ev enement constat e para t donc normal au fournisseur et ne semble pas de nature ` a remettre en cause lhypoth` ese formul ee. Mais le client serait-il dacord ?... Il faut alors calculer le risque dun refus par le client. On contate la similitude de cette d emarche statistique avec la d emarche scientique habituelle : observation, hypoth` eses, v erication. Le but de la statistique est de pouvoir evaluer ces param` etres inconnus ` a laide de la r ealisation de n exp eriences ind ependantes. Le probl` eme central de la statistique est le suivant : on dispose dun echantillon de n observations et on d esire en d eduire les propri et es de la population dont il est issu. Pour cela : Il faut que les tirages soient equiprobables et ind ependants les uns des autres. Il faut que l echantillon soit repr esentatif de la population. (On appel population un ensemble dobjets. Ces objets sont appel es des individus ou unit es statistique.)

Dans ce qui suit, nous tacherons de d esigner les variables al eatoires par des majuscules et les r esultats des exp eriences par des minuscules pour bien distinger ce qui est al eatoire de 86

ce qui ne lest pas.

7.2

D enitions

1. On mod elise une exp erience al eatoire par une v.a. X . On note Q sa loi. Q est appel ee la loi vraie. Comme nous lavons expliqu e pr ec edemment, on peut choisir, Q = P () si la v. a. est ` a valeurs enti` eres , ou Q = N (m, ) lorsque la v. a. est ` a valeurs r eelles. On peut aussi ne faire aucune hypoth` ese sp ecique sur Q. 2. Un echantillon de taille n de X (ou un n- echantillon de X ) est une suite de v. a. X1 , X2 ,...,Xn , qui sont ind ependantes, de m eme loi Q (on fait lhypot` ese essentielle, quil est possible de reproduire n fois lexp erience, ind ependamment ` a chaque fois).

3. Les valeurs observ ees de X1 , X2 ,...,Xn sont not ees x1 , x2 ,...,xn . Ce sont les valeurs num eriques fournies par lexp erience. 4. Une statistique est une v. a. Yn = f (X1 , X2 , .., Xn ). Par exemple : Xn = X1 + X2 + ... + Xn . n

7.3

Estimation ponctuelle

Lestimation ponctuelle consiste ` a donner des valeurs approch ees aux param` etres inconnus (m, , , etc...) ` a laide dun echantillon de n observations issues de la population. On construit une v. a. estimateur T qui est une fonction de l echantillon al eatoire X1 ,...,Xn et dont la valeur observ ee constitue une estimation de la valeur du param` etre recherch e. Soit un param` etre de la loi de X que lon cherche ` a estimer. D enition 7.1. On appelle estimateur T de , une variable al eatoire qui est une fonction de l echantillon : Tn = f (X1 , ..., Xn ). Remarque : 1. Un estimateur Tn d epend du choix de l echantillon. 2. Un estimateur nest pas unique, il sagit den choisir un bon. Les propri et es usuelles dun bon estimateur sont : labsence de biais et la convergence. D enition 7.2. 1. Lestimateur Tn est sans biais si : E (Tn ) = . 2. Lestimateur Tn est asymptotiquement sans biais si
n

lim E (Tn ) =

3. Lestimateur Tn est convergent si :


n

lim V ar(Tn ) = 0. 87

7.3.1

Estimation de la moyenne
Xn = 1 n
n

Posons :

Xi .
i=1

Xn est appel ee moyenne empirique1 de l echantillon (X1 , ..., Xn ). Proposition 7.3. Xn = Preuve. E (X n ) = V ar(X n ) =
1 V n2 1 n n i=1 Xi

est un estimateur sans biais et convergent de m = E (X ).

1 1 (E (X1 ) + ... + E (Xn )) = (m + m + ... + m) = m = E (X ). n n ar(X1 + ... + Xn ) =


1 (V n2

ar(X1 ) + ... + Xn ) (quand n ).

1 =n V ar(X1 ) 0

2 On a utilis e que (Xi )n i=1 sont i.i.d. avec EX1 = EX = m et V ar (X1 ) = V ar (X ) = .

7.3.2

Estimation de la variance
2 Sn

Posons : 1 = n1

(Xk X )2 ,
k=1

(Statistique

2 Sn )

Proposition 7.4.

2 Sn

est un estimateur sans biais et convergent de la variance.

Preuve. On introduit la nouvelle statistique :


2 Sn =

1 n

(Xk X )2
k=1

( variance empirique de l echantillon).

2 : Partons de X m = X X + X m. D ecomposition de Sn i i On a alors : n n n n

(Xi m)2 =
i=1 i=1

(Xi X )2 +
i=1

(X m)2 + 2(X m)
i=1

(Xi X ) .
=0

Do` u 1 n Donc,

(Xi m)2 =
i=1 n

1 n

(Xi X )2 + (X m)2 .
i=1

2 Sn =
1

1 n

(Xi m)2 (X m)2 .


i=1

La moyenne empirique : la moyenne calcul ee en se basant sur loservation et lexp erience.

88

2) : Calculons E (Sn 2) = E (Sn 1 n 1 n n i=1 E (Xi n i=1 V 2 n

m)2 E (X m)2

ar(Xi ) V ar(X )
n1 2 n .

= 2 Pour conclure, remarquons que :

2 Sn =

n S2. n1 n

Donc,
2 E (Sn ) = . 2 : Un calcul dont la longueur est la seule dicult Variance de Sn e montre que : 2 V ar(Sn )=

n1 [(n 1)4 (n 3) 4 ], n3

avec i est le moment centr e dordre i de X et si n :


2 V ar(Sn ) 2 est convergent. Donc Sn

4 4 . n

Remarque : 2 est un estimateur de la variance, qui est biais 1. Sn e, cest la raison pour laquelle on 2. utilise Sn 2 est un estimateur asymptotiquement sans biais et convergent. Pour n grand S 2 est 2. Sn n 2. tr` es peu di erent de Sn Exercice 1. On a enregistr e, minute apr` es minute, le nombre de d esint egrations subies par un fragment de roche radioactive. Le r esultat de cette exp erience est : 0 0 0 1 0 3 0 0 1 0 1 1 0 0 0 2 0 2 1 0.

Estimer la moyenne m et l ecart-type de l v. a. X d enie comme le nombre de d esint egrations par minute pour ce fragment de roche. La machine ` a calculer fournit : x= Et x1 + x2 + ... + xn = 0, 60. 20

1 ((x1 x) + ... + (x20 x)2 ) = 0, 88 19 En pratique : On observe un echantillon de taille n. On obtient pour chaque Xk une valeur observ ee de Tn (elle d epend de l echantillon observ ee). Cette valeur observ ee est appel ee une estimation ponctuelle de . s2 =

89

7.4

Estimation par intervalle conance

Les param` etres estim es ponctuellement ` a partir dun echantillon ne sont pas exactes. On voudrait connaitre leur degr e de pr ecision. La d emarche de lestimation par intervalle de conance consiste ` a trouver un intervalle al eatoire qui contient avec une probabilit e donn ee. D enition 7.5. Un intervalle de conance, relatif au param` etre , de niveau de conance 1 (ou de risque ) est un intervalle al eatoire [C1 , C2 ], o` u C1 et C2 sont deux statistiques, telles que : P (C1 C2 ) = 1 . Remarque : Les valeurs couramment utilis ees sont 1 = 0, 90 , 0, 95, ou 0, 99. Dans la suite on va sint eresser ` a = m = E (X ). On choisit alors : C1 = X , C2 = X + . Par cons equent [X , X + ] est un intervalle de conance de m, de risque si : P (X m X + ) = P (|X m| ) = 1 . (7.4.1)

Concr etement on se donne n et et on cherche tel que (7.4.1) soit v eri ee. Nous allons expliciter le calcul de lorsque la taille de l echantillon est grande, ou sous une hypoth` ese de normalit e.

7.4.1

Etude de cas des echantillons de grande taille n 30


X1 + X2 + ... + Xn nm X1 + X2 + ... + Xn , m= = Sn n n n
Sn =

On a : X m= o` u lon a pos e:

X1 + X2 + ... + Xn nm n loi N (0, 1). n n n ) P (|G| )

Dapr` es le T.C.L.
Sn

Par cons equent, P (|X m| ) = o` u Or, G N (0, 1). P (|G| a) = P (a G a) = (a) (a) = 2 (a) 1. En conclusion n P (|X m| ) 2 ( ) 1. On introduit la d enition suivante : D enition 7.6. On note Zu le r eel positif tel que : (Zu ) = u, 1 u 1. 2 (7.4.2)
P (|Sn

| ) =

P (|Sn |

90

On d eduit de (7.4.1) et (7.4.2) que , n et sont li es par : 2 ( n ) 1 = 1 ( n ) = 1 n = Z1 2 = Z . n 1 2


2

En conclusion, si n 30, [X Z ,X + Z ] est un intervalle de conance de n 1 2 n 1 2 la moyenne m, de niveau de conance 1 (ou de risque ).

En pratique : On observe un echantillon de taille n. On obtient pour chaque v. a. Xk une valeur observ ee xk . On en d eduit les valeurs observ ees C1 et C2 : C1 = x Z1 , 2 n et C2 = x + Z1 . 2 n

Lintervalle [C1 (x1 , ..., xn ), C2 (x1 , ..., xn )] est une estimation de lintervalle de conance de de niveau de conance 1 . Remarque : 1. On ne peut etre s ur que est dans lintervalle [C1 , C2 ]. La probabilit e de se tromper est donn ee par : P ( [C1 , C2 ]) = 1 . 2. On rappelle : Z0,950 = 1, 64, Z0,975 = 1, 96 et Z0,995 = 2, 58.

Exercice 2. Un echantillon de taille 100, a pour moyenne 125,7 et variance 968,51. D eterminer un intervalle de conance de m avec seuil 1%.(i. e. de risque 1%). Solution On a = 0, 01 donc 1 est donn ee par :

= 0, 995 et Z0,995 = 2, 575. 968, 51 2, 575 = 0, 80. 10

= Z1 = 2 n

Par cons equent, Lintervalle cherch e est [117, 7; 133, 7]. Lapproche que nous avons d evelopp ee sapplique ` a lestimation de la probabilit e p dun ev enement A se produisant au cours dune exp erience al eatoire E . On reproduit cette exp erience E , de mani` ere ind ependante, et on note (Xn ) la suite des v. a. de comptage associ ees ` a A. Xn = 1 0 si A se produit ` a lexp erience n sinon

Les v. a. Xn sont ind ependantes, et Xn est une v. a. de Bernoulli de param` etre p. Ce qui signie que (X1 , ..., Xn ) est un echantillon. Mais, m = E (X ) = p = P (A). 91

Par cons equent, si n est grand, n P (|X p| ) 2 ( ) 1.


Z ,X + Z ] est un intervalle de conance de p = P (A), En conclusion, [X n 1 2 n 1 2 de niveau de conance 1 , lorsque n 30.

Exercice 3. (Controle de qualit e). Lors de la production en s erie dun article, on vaut evaluer la proportion darticles d efectueux. On pr el` eve 200 pi` eces au hasard, on trouve 18 articles d efectueux. Construire un intervalle de conance de m de seuil 5%. (Rep. 0, 04 [0, 05; 0, 13])

7.4.2

Etude de cas X N (m, 2 )

Lestimation de la moyenne repose sur le r esultat suivant : X N (m, 2 ) n

(en eet, i, Xi N (m, 2 ). De plus les Xi sont i.i.d.). D eterminons lintervalle de conance pour la moyenne. On charche tel que : P (|X m| ) = 1 , o` u d esignant un seuil donn e. Mais, X = m + n G avec G N (0, 1). On en d eduit :

n ). P (|X m| ) = P ( |G| ) = P (|G| n

On proc` ede comme dans le cas des echantillons de grand taille, on a : n P (|X m| ) = 2 ( ) 1. En conclusion : [X Z ,X + Z ] est un intervalle de conance de la moyenne m, de niveau de n 1 2 n 1 2 conance 1 . Remarque : 1. Si nest pas connu, on peut le remplacer pas s. 2. Quand la taille de l echantillon est petite et si X ne suit pas la loi normale, aucune r` egle g en erale ne permet de d eterminer lintervalle de conance. La technique ad equate d epend essentiellement de la loi suivie par X . Exercice 4. On mesure le taux dur e de 10 personnes, on trouve les r esultats suivants : 24, 40, 30, 19, 48, 32, 35, 21, 18, 40.

d eterminer un intervalle de conance pour le risque 5%.

92

7.5

Tests param` etriques

Les tests statistiques sont des outils daide ` a la d ecision quand linformation est imcompl` ete. Ils fornissent un cadre scientique qui permet de valider certaines hypoth` eses. Nous allons faire des tests sur un param` etre inconnu . On veut d ecider sil faut raisonnablement rejeter ou accepter une hypoth` ese sur . En pratique, on teste une hypoth` ese H0 dite hypoth` ese nulle contre une hypoth` ese alternative H1 . Par exemple : 1) H0 : m = 2 H1 : m = 3 2) H0 : m = 5 H1 : m < 5 Remarques Le test 1) est appel e un test bilat eral. Le test 2) est appel e un test unilat eral. On veut d ecider de choisir H0 ou H1 , uniquement ap` es avoir r ealiser une s erie dexp eriences : x1 , x2 , ..., xn . On choisit un estimateur T de . On d enit une r egion de rejet R, qui d epend de , T, H0 et H1 telle que : si t R, on rejette H0 et on accepte H1 , si t R , on accepte H0 , avec t d esignant la valeur observ ee de T (T statistique, T = f (X1 , ..., Xn ), alors t = f (x1 , ..., xn )). La r egion Rc est aussi appel e r egion dacceptation. Il est evident quil existe un risque derreur. On d enit : Le risque de premi` re esp` ece qui est la probabilit e de rejetter ` a tord H0 (rejetter H0 alors que H0 est vraie). Le risque de deuxi` eme esp` ece qui est la probabilit e daccepter ` a tord H0 ( accepter H0 alors que H1 est vraie). et sont donn ees par les relations : = P ( T R | H0 ) ; = P ( T R | H1 ). La notation P ( T R | H0 ) repr esente la probabilit e pour que T appartienne ` a R, lorsque lhypoth` ese H0 est satisfaite. Ainsi si H0 est m = 3, = P ( T R | H0 ) = P ( T R | m = 3) est la probabilit e pour que T R, lorsque la moyenne de X vaut 3. En pratique on se borne ` a evaluer , le calcul de est souvent dicile ` a r ealiser. Dans la suite nous ne consid ererons que des tests portant sur la moyenne = m. On choisit : 1 T = X = (X1 + X2 + ... + Xn ), n Lorsque H0 : m = m0 et H1 : m = m0 , on prend : Rc =]m0 , m0 + [ ; > 0. On a : {T R} = {X R} = {|X m0 | }. Comme pr ec edemment, et n etant donn es, on cherche tel que P (|X m0 | > |m = m0 ) = . Condition equivalente ` a: P (|X m| |m = m0 ) = 1 . 93

On peut reproduire lanalyse d evelopp ee pour la d etermination dun intervalle de conance. Si n est grand (n 30), ou si X suit une loi gaussienne, est donn e par la formule : = z1/2 . n Lorsquon teste H0 : m = m0 contre H1 : m = m0 , avec un risque de premi` ere esp` ece > 0, la r egion dacceptation de H0 est X
z n 1/2

, X+

z n 1/2

Exercice 5. Une machine prouduit des pi` eces ayant une moyenne de 8,3 cm avec un ecart-type de 0,6 cm. Avant de passer une commande importante, le responsable de la machine veut tester si m = 8, 3 ou si m a chang e. Pour ce faire, il pr el` eve 100 pi` eces et trouve une longueur moyenne de 8,4 cm. Doit-il accepter la production avec un seuil derreur de 5% ? Exercice 6. La dur ee de vie dun equipement electrique est de 400 heures avec un ecart-type de 60 heures. On voudrait tester si la moyenne vaut 400 heures au moins de 400 heures. On eectue un test avec 25 appareils. On trouve une moyenne de 378,1 heures. Que peut-on en conclure, avec un risque de 5% ?

94

7.6

Exercices

Exercice 1. Loi de Pareto Soit Y une variable exponentielle de param` etre > 0. 1. Quelle est la loi de la v.a. X = eY . Cette loi est appel ee la loi de Pareto P (, 1). 2. D eterminer une condition n ecessaire et sussante dexistence de E (X ), puis la calculer. 3. D eterminer une condition n ecessaire et sussante dexistence de V (X ), puis la calculer. Exercice 2. Loi de Weibull Une variable al eatoire X est dite de Weibull de param` etre (, ) ( > 0, > 0), si la v.a. X suit une loi exponentielle de param` etre > 0. D eterminer une densit e de X et calculer E (X ). Exercice 3. Loi du Chi-deux : 2 Soit X une v.a. suivant une loi normale centr ee et r eduite N (0, 1). 2 1. Montrer que la v.a. Y = X est une variable ` a densit e que lon d eterminera. On dit que Y suit une loi du Chi-deux ` a un degr e de libert e. En g en eral, si X1 , X2 , ..., Xr est une suite de v.a. ind ependantes toutes de loi N (0, 1), 2 + ... + X 2 est appel alors la loi de la v.a. Z = X1 e e la loi du Chi-deux ` a r degr e de r libert e et not ee 2 r 2. Montrer que Y admet une esp erance que lon calculera. Exercice 4. Soit T une v. a. r eelle dont une densit e de probabilit e est f d enie par f (x) =
2x R2

si 0

0xR sinon

o` u R est un r eel strictement positif inconnu. 1. a) V erier que f est bien une densit e de probabilit e. b) Montrer que T admet une esp erance et une variance que lon calculera. 2. Soit T1 , ..., Tn n variables al eatoires ind ependantes de m eme loi que T . On pose n 1 Ti . Xn = n
i=1

a) Calculer E (Xn ) et V ar(Xn ). b) Xn est-il un estimateur sans biais de R ? c) D eterminer un r eel tel que Xn = Xn soit un estimateur sans biais de R. 3. On consid` ere un nombre > 0 donn e. ` laide de lin a) A egalit e de Bienaym e-Tchebyche, montrer que P (|Xn R| ) R2 . 8n2

b) En d eduire que : limn P (|Xn R| ) = 0. ( On dit que Xn est un estimateur convergent de R.)

95

Chapitre 8

Examens corrig es des ann ees universitaires 2005-2007


Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa Devoir surveill e N 1. Epreuve de Probabilites et Statistiques Examen de 13 mars 2006 Dur ee du sujet : 1H :30min Responsable : Lakhel El Hassan Horaire : 10H :30min-12H :00

Exercice 1. Dans une usine on dispose de 3 machines A, B , C fabriquant des pi` eces m ecaniques dun type d etermin e. La machine A assure 25% de la production, la machine B assure 35% et C en assure 40%. 5% des pi` eces fabriqu ees ` a laide de la machine A sont d efectueuses. Les pourcentages sont respectivement egaux ` a 4% et 2% pour les machines B et C . 1) On tire une pi` ece au hasard quelle est la probabilit e quelle soit d efectueuse ? 2) On tire une pi` ece dun lot constitu e de pi` eces fabriqu ees, dans les proportion ind equ ees, par les machines A, B et C . On constate que cette pi` ece est d efectueuse. Calculer la probabilit e quelle ait et e fabriqu ee : - par la machine A - par la machine B 3) On tire une pi` ece au hasard. Elle est saine. Quelle est la probabilit e quelle vienne de C . Exercice 2. Un test sanguin a une probabilit e de 0.95 de d etecter un certain virus lorsque celui ci est eectivement pr esent. Il donne n eanmoins un faux r esultat positif pour 1% des personnes non infect ees. Notons V = {la personne test ee a le virus}, T = {la personne test ee a un test positif}. 1. Si 0.5% de la population est porteuse du virus, quelle est la probabilit e quune personne ait le virus sachant quelle a un test positif ? 2. Interpr eter le r esultat.

96

Exercice 3. 1. Soit n 2, Etablir que, si (A1 , ..., An ) est une suite d ev enements telle que P ( 0, alors
n n n i=1 Ai )

>

P(
i=1

Ai ) = P (A1 )
i=2

Pi1 Ak (Ai ).
k=1

(Indication : On pourra raisonner par rucurrence sur n). 2. Application : Un sac contient initialement une boule blanche et une boule noire. On r ealise ind eniment lexp erience suivante : on tire une boule, on regarde sa couleur, on la remet dans le sac et on rajoute une nouvelle boule de la m eme couleur que celle obtenue. Notons X le nombre de tirage(s) n ecessaire(s) avant dobtenir une boule noire, avec la convention que X = 0 si on ne tire jamais de boule noire. Notons Bi l ev enement On obtient une boule blanche au ieme tirage.
c et que {X = n} = B B ... B c a. Montrer que {X = 1} = B1 1 2 n1 Bn pour n 2. c sachant B B ... B b. Que vaut la probabilit e de Bn 1 2 n 1 ?

c. Calculer, pour i {2, ..., n 1}, la probabilit e de Bi sachant B1 B2 ... Bi1 . ` laide de la question 1) (en choisissant Ai = Bi d. A montrer que P (X = n) = n(n1 +1) (On remarquera que e. En remarquant que
23...(n1) n1 i 2 i=2 i+1 = 3...(n1)n = n ) 1 1 1 n(n+1) = n n+1 , montrer que +

si

i < n

et

c ), An = Bn

P (X = n) = 1.
n=1

f. Que vaut P (X = 0) ? Interpr eter le r esultat.

Bar eme approximatif : Exercice 1 : 4 points Exercice 2 : 4 points Exercice 3 : 12 points.

97

Corrig e du DS N 0 1 - A. U. 2005-2006- : Exercice 1 : Soit A : etre fabriqu e par A, B : etre fabriqu e par B ,... D: etre d efectueuse et D : saine. On a P (A) = 0.25, P (B ) = 0.35, P (C ) = 0.4. A, B et C sont tels que A B = A C = B C = et A B C = . 1) En applicant la formule des probabilit es totales on a : P (D) = PA (D)P (A) + PB (D)P (B ) + PC (D)P (C ) = 0.05 0.25 + 0.04 0.35 + 0.02 0.4 = 0.0345 = 3.45%. 2) Dapr` es le th eor` eme de Bayes, PD (A) = P (B/D) = 3)De m eme : PD (C ) = Exercice 2 : 1. On cherche P (V /T ). On sait que : P (V ) = 0.005, On en d eduit : P (V /T ) = =
P ( T V ) P (T )

PA (D)P (A) 0.05 0.25 = = 36%. P (D) P (D) P (D/B )P (B ) 0.04 0.35 = = 40%. P (D) 0.0345 PC (D)P (C ) 0.98 0.4 = = 40%. 1 P (D) P (D)

P (T /V ) = 0.95,

et

P (T /V c ) = 0.01.

P (T /V )P (V ) P (T /V )P (V )+P (T /V c )P (V c )

0.950.005 0.950.005+0.010.995

= 0.323

2. Le test nest pas able : si la personne pr esente un test positif, la probabilit e quelle ne soit pas porteuse du virus est deux fois plus elv ee que celle quelle le soit ( en eet ; P (V /T ) 33%. ) Exercice 3 : 1. On raisonne par r ecurrence sur n. Si n = 2, l egalit e devient P (A1 A2 ) = P (A1 )PA1 P (A2 ) et se justie m eme par la d enition de la probabilit e conditionnelle PA1 . Supposons que la propri et e soit vraie au rang n et montrons la au rang n + 1 :
n+1 n n

P(
i=1

Ai ) = P (
i=1

Ai An+1 ) = P (
i=1

Ai )P6n (An+1 ) k=1 Ak

Par hypoth` ese de r ecurrence,


n n+1

= P (A1 )
i=2

(An+1 ) = P (A1 ) P6i1 Ak (Ai )P6n k=1 Ak


k=1

i=2

P6i1 Ak (Ai ).
k=1

98

Ainsi, la propri et e se transmet du rang n au rang n + 1. Finalement, nous avans prouv e, par r ecurrence
n n

n 2 : P (
i=1

Ai ) = P (A1 )
i=2

P6i1 Ak (Ai ).
k=1

2. a. Si X = 1, cest que lon a tir e une boule noire d` es le premier tirage. Ainsi : c {X = 1} = B1 . Si X = n avec n 2, cest que, lors des n 1 premiers tirages, on a tir e des boules blanches et quau n-i` eme tirage, on a tir e une boule noire. Ainsi : c {X = n} = B1 B2 ... Bn1 Bn . b. Si B1 B2 ... Bn1 a lieu, cest que lon a r ealis e n 1 tirages et que lon a tir e des boules blanches. Ainsi, ` a ce stade, le sac contient n + 1 boules dont n blanches. de cas favorables 1 la probabilit e de tirer une boule noire est donc nb nb de cas possibles = n+1 . En dautres termes : n c . PB1 B2 ...Bn1 (Bn )= n+1 c. Par un raisonnement similaire au pr ec edent, on trouve i {2, ..., n 1} : PB1 B2 ...Bi1 (Bi ) = d. En suivant les indications de l enonc e, on peut ecrire
c) = P( P (X = n) = P (B1 B2 ... Bn1 Bn n i=1 Ai ) n 1 6 c) = 1 6 (Bi )P n1 Bk (Bn 1 i=2 P i 2 k=1 k=1 Bk

i . i+1

= P (A1 )

= P (B1 ) e. On a :
N

n 6 1 (Ai ) i=2 P i k=1 Ak n 1 i 1 1 i=2 i+1 n+1 = n(n+1) .

P (X = n) =
n=1 n=1

1 = n(n + 1)

N n=1

1 n

N +1 n=2

1 1 =1 . n N +1

Par suite,
+ N

P (X = n) = lim
n=1

P (X = n) = lim (1
n=1 N

1 ) = 1. N +1

f. Par d enition dune probabilit e,


+

P (X = n) = 1.
n=0

Do` u : P (X = 0) = 0, En dautres termes, on nira toujours par tirer une boule noire (quitte ` a attendre susamment longtemps.)

99

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa Devoir surveill e N o 2. Epreuve de Probabilit es et Statistiques Examen de 17 avril 2006. Dur ee du sujet : 1h :30min Responsable : Lakhel El Hassan Horaire : 10h :30-12h :00.

Exercice 1. Interpr etation du graphique dune f.d.r. (5 points) La variable al eatoire X a pour fonction de r epartition F dont le graphe est repr esent e par la gure 1.

Fig. 1 -Fonction de r epartition F de la v.a. X 1. Pour tout x R, montrer que : P (X = x) = F (x) F (x), avec F (x) = lim0 F (x ). 2. En exploitant les informations fournies par ce graphique1 , donner les valeurs des probabilit es suivantes. P (X = 0), P (X 0), P (4 X 6), P (0 < X < 4), P (X 6).

3. La variable al eatoire X est-elle ` a densit e? Exercice 2. (5points) Soit (a, b) N2 ; a < b ; X est une variable al eatoire discr` ete de dans N telle que : 1 1 x |[1, ab]| ; P (X = x) = a b et P (X = x) = 0 ailleurs.
1

Ne perdez pas de temps ` a le reproduire sur votre copie.

100

1) D eterminer une CNS sur a et b pour que les relations pr ec edentes d enissent eectivement une loi de probabilit e. 2) Dans ces conditions, tracer la repr esentation graphique de la fonction de r epartition FX de X .
b 3) Calculer la probabilit e pour que X |[a, a+ 2 ]|. Exercice 3. (10 points)

On consid` ere la fonction f (u) d enie par : f (u) = ke


u2 2

, u R.

1. D eterminer la constante k de telle sorte que f (x) puisse etre consid er ee comme la densit e de probabilit e dune v.a. continue U . 2. Que valent E (U ) et V (U ) ? 3. Soit X la v.a. d enie par X = m + U o` u m et sont des r eels non nuls. D eterminer la densit e de probabilit e g (x) de X. 4. Soit FX la fonction de r epartition de X . Montrer que FX (x) = ( xm ).

m Montrer que par le changement de variable z = x toutes les varibles al eatoires nor males N (m, ) se ram` ement ` a la loi normale centr ee r eduite U .

5. Soit (z ) la fonction de r epartition de U . Montrer que (z ) = 1 (z ) 6. Application : Le stock journalier dun produit destin e` a un atelier suit une loi normale de moyenne 120 pi` eces et d ecart type 50 pi` eces. a. Calculer la probabilit e pour que le nombre de pi` eces en stock soit compris entre 80 et 160. b. Calculer la probabilit e pour que le nombre de pi` eces en stock soit sup erieur ` a 200. c. Calculer la probabilit e pour quil y ait rupture de stock. d. Interpre ter ces r esultats.

On donne (0, 8) = 0, 7881, (1, 6) = 0, 9452 et (2, 4) = 0, 9918.

101

Corrig e du DS no 2 -16 mars 2006Exercice 1 1. Voir le cours. 2. Calcul des probabilit es par la lecture du graphe de F P (X = 0) P (X 0) P (4 X 6) P (0 < X < 4) P (X 6) = = = = = F (0) F (0) = 0, 4 0, 2 = 0, 2 1 P (X < 0) = 1 F (0) = 1 0, 2 = 0, 8 P (X 6) P (X < 4) = F (6) F (4) = 1 0, 6 = 0, 4 P (X < 4) P (X 0) = F (4) F (0) = 0, 6 0, 4 = 0, 2 1 P (X < 6) = 1 F (6) = 1 1 = 0

3. La v.a. X nest pas ` a densit e car sa fonction de r epartition nest pas continue. Exercice 2 Voir s erie dexercice N 4 Exercice 3 f 0 et 1. f est une densit e + f (x)dx = 1 On doit avoir
+

u2 2

du = 1.

On a vu dans le cours On doit donc avoir

+ x 2 e

dx =

2. 1 k= . 2

2.

U N (0, 1) Donc E (U ) = 0 et V ar(U ) = 1 (Voir CH.4). 3. On a : X = m + U Par suite E (X ) = m + E (U ) V (X ) = 2 V (U )

Comme E (U ) = 0 et V (U ) = 1 on aura : E (X ) = m V (X ) = 2 4. Soit (u) la fonction de r epartition de U et G(x) celle de X . On peut ecrire : G(x) = P (X x) = P (m + U x) (car X = m + U ) Mais P (m + U x) = P (U x m) = P (U Or P (U Donc G(x) = ( 102 xm xm ) = ( ) xm ). xm )

Si f (u) est la densit e de probabilit e de U et g (x) celle de X On sait que : f (U ) = (U ) . g (x) = G (x) Mais, on a : G (x) = Par cons equent g (x) = Finalement, 1 xm ( ). 1 xm f( ).

1 x m 1 g (x) = e 2 ( )2 . 2 5 ) Montrons que (z ) = 1 (z ).

1ere m ethode : Dap` es le graphe de la fonction . On ramarque que : (z ) = 1 (z ). 2ieme m ethode : (z ) = = =


z x 1 2 dx 2 e x2 + 1 + e 2 dx z 1 2 2 x2 + 1 1 z 2 e 2 dx
2 x2 2

dx

Or, par le changement de variable u = x, on obtient :


+ z
x2 1 e 2 dx = 2

+z

x2 1 e 2 dx = (z ) 2

Finalement, (z ) = 1 (z ). 6. Application : X N (120, 50) a. Probabilit e pour que le nombre de pi` eces en stock soit compris entre 80 et 160 : P (80 X 160) = = = = Or (0, 8) = 0, 7881, donc : P (80 X 160) = 0, 5762. Interpretation : Il y a 57, 62% de chances pour que le nombre de pi` eces en stock soit compris entre 80 et 160. b. P (X > 200) = = = = 1 P (X 200) 120 120 1 P ( X 20050 ) 50 1 P (U 1, 6) = 1 (1, 6) 1 0, 9452 = 0, 0548.
120 120 120 P ( 80 X 16050 ) 50 50 P (0, 8 U 0, 8) (0, 8) (0, 8) (0, 8) (1 (0, 8))

Interpretation : Il y a 5, 48% de chances pour que le nombre de pi` eces en stock soit superieur ` a 200. 103

c. P (X 0) = 0, 0082. Interpretation : Il y a un risque tr es faible de moins de 1% pour quil y a rupture du stock.

104

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa Devoir surveill e N o 3. Epreuve de Probabilit es et Statistiques Examen de 15 juin 2006. Dur ee du sujet : 1h :30min Responsable : Lakhel El Hassan Horaire : 10h :30-12h :00.

Question de cours :(3 points) Soit U une v.a. r eelle qui suit la loi uniforme sur [0, 1]. 1 Si > 0 quelle est la loi de Y = ln U . Exercice 1. (9 points) Soient r un r eel strictement sup erieur ` a 2 et X une variable al eatoire r eelle de densit e f si x 1 et f ( x ) = 0 sinon. donn ee par f (x) = xrr +1 Donner lallure du graphe de f puis v erier que cest bien une densit e de probabilit e. Calculer lesp erance et la variance de X . D eterminer la densit e de la variable al eatoire Y = ln X Le nombre de kilom` etres couverts par une batterie de voiture avant d efaillance est une variable al eatoire ayant la m eme loi que Y et desp erance egale ` a 9000 kilom` etres. Une personne ach` ete une batterie neuve et souhaite se lancer dans un voyage de 3000 kilom` etres. Avec quelle probabilit e terminera-t-elle son voyage sans avarie de batterie ? Exercice 2. (8 points) Soit T une v. a. r eelle dont une densit e de probabilit e est f d enie par f (x) =
2x R2

1. 2. 3. 4.

si 0

0xR sinon

o` u R est un r eel strictement positif inconnu. 1. a) V erier que f est bien une densit e de probabilit e. b) Montrer que T admet une esp erance et une variance que lon calculera. 2. Soit T1 , ..., Tn n variables al eatoires ind ependantes de m eme loi que T . On pose n 1 Xn = Ti . n
i=1

a) Calculer E (Xn ) et V ar(Xn ). b) Xn est-il un estimateur sans biais de R ? c) D eterminer un r eel tel que Xn = Xn soit un estimateur sans biais de R. 3. On consid` ere un nombre > 0 donn e. ` laide de lin a) A egalit e de Bienaym e-Tchebyche, montrer que P (|Xn R| ) R2 . 8n2

b) En d eduire que : limn P (|Xn R| ) = 0. ( On dit que Xn est un estimateur convergent de R.) 105

Corrig e du DS no 3 -15 juin 2006Question de cours : Soit U une v.a. r eelle de loi uniforme sur [0, 1]. On pose 1 Y = LnU , > 0. Pour trouver la loi de Y , on se donne une fonction test h quelconque, on met 1 E (h(Y )) = E (h( LnU )) =
+ +

1 h( Lnu)fU (u)du

1 sous la forme h(y )fy (y )dy ` a laide du changement de variable y = Lnu et la densit e de Y est alors fy trouv ee. On a : 1 1 1 E (h(Y )) = E (h( LnU )) = 0 h( Lnu)du + y = 0 h(y )e dy.

Par cons equent, Y admet pour densit e fY donn ee par fY (y ) = ey 1[0,+[ (y ) Y (). Exercice 1 1. La fonction f est ` a valeurs positives. On a de plus
+ +

f (x)dx =
1

r xr+1

dx = [xr ]+ =1 1

car r > 0. La fonction f est donc bien une densit e. 2. On a


+ +

|x|f (x)dx =
1

rxr dx =

r xr+1 r1

=
1

r < + r1

car r 1 > 0. On en d eduit que X admet une esp erance. Comme


+ +

|x|f (x)dx =

xf (x)dx, r . r1
+

on a E (X ) = On a :
+

x2 f (x)dx =
1

rxr+1 dx =

r xr+2 r2

=
1

r < + r2

car r 2 > 0. r On en d eduit que X admet un moment dordre 2 et quil vaut r equent, X 2 . Par cons r r 2 r admet une variance qui vaut r2 ( r1 ) = (r1)2 (r2) . Remarque. Ceux qui ont donn e les bonnes valeurs pour E (X ) et V ar(X ) sans justier leur existence ont quand m eme eu tous les poinnts.

106

3. Soit h une fonction born ee. On a


+

E {h(Y )} = E {h(lnX )} =
1

h(lnx)rxr1 dx.

Faisons le changement de variable y = lnx x = ey . On obtient


+

E {h(Y )} =
0

h(y )rery dy.

On en d edui que la densit e fy de Y est donn ee par fY (y ) = rery si y 0 et fY (y ) = 0 sinon. On reconnait la densit e de la loi exponentielle de param` etre r. Remarque. On pouvait aussi utiliser la fonction de r epartition. 4. Le nombre N de kilom` etres couverts avant d efaillance suit donc une loi exponentielle. Lenonc e nous apprend que EN = 9000. Or on sait que lesp erance dune loi exponentielle est egale ` a linverse de son param` etre. Par cons equent, N suit la loi exponentielle 1 de param` etre 9000 . La probabilit e que la personne termine son voyage sans avarie de batterie est donc egale ` a: + x 1 1 x 3 . e 9000 dx = [e 9000 ]+ P (N > 3000) = 3000 = e 9000 3000 Exercice 2 1. a. V erions que f est bien une densit e de probabilit e: On a x R, f (x) 0. De plus,

f (x)dx = 1.

b. Montrons que T admet une esp erance :


R

E (T ) =

xf (x)dx =
0

2x2 2 = R. 2 R 3

Montrons que T admet une variance : on a, V ar(T ) = E (T 2 ) E (T )2 . Calculons : E (T 2 ) : E (T 2 ) = Or, E (T ) = 2 3 R. 2 2 Donc E (T ) = 4 9R . Finalement, V ar(T ) = E (T 2 ) E (T )2 = 2. On pose : Xn =
1 n n i=1 Ti . +

x2 f (x)dx =

R2 . 2

R2 . 18

a. Calculons E (Xn ) :

n 1 E (Xn ) = E ( n i=1 Ti ) n 1 n E ( i=1 Ti )) n 1 i=1 E (Ti )). n

107

2 Or les Ti ont la m eme loi et on a : E (Ti ) = 3 R. Do` u: 2 E (Xn ) = R 3 Calculons V ar(Xn ) : 1 V ar(Xn ) = V ar( n 1 =n 2 V ar ( 1 R2 =n 2 n 18 . n i=1 Ti ) n i=1 Ti ),

Les Ti sont

tes

R2 . 18n b. V erions si Xn est un estimateur sans biais : On a, V ar(Xn ) = 2 E (Xn ) = R = R. 3 Par suite, Xn est un estimateur biais e. c. D eterminons tel que Xn = Xn soit sans biais. Pour que Xn soit un estimateur sans biais de R, il faut que E (Xn ) = R. Comme 2 E (Xn ) = E (Xn ) = R. 3 Donc 3 = . 2 3. a. Montrons que P (|Xn R| ) Dapr` es lin egalit e de B. T., on a :
R2 . 8n2

Donc :

P (|Xn R| ) Cherchons V ar(Xn ) :

V ar(Xn ) . 2

3 9 V ar(Xn ) = V ar( Xn ) = V ar(Xn ). 2 4 Or, V ar(Xn ) = Do` u: V ar(Xn ) = Donc : P (|Xn R| ) b. On a, P (|Xn R| ) Do` u : limn P (|Xn R| ) limn Donc Xn est un estimateur convergent de R. 108 R2 . 18n R2 . 8n R2 . 8n2 R2 . 8n2 = 0.

R2 8n2

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa Examen de rattrapage Epreuve de Probabilit es et Statistiques Examen de 28 juin 2006. Dur ee du sujet : 1h :30min Responsable : Lakhel El Hassan Horaire : 16h :30-18h :00.

Exercice 1. (11 points) On lance quatre fois de suite une pi` ece de monnaie non truqu ee. Soient X le nombre de s equences Pile-Face (dans cet ordre) obtenues 1 et Y le nombre de Piles obtenus. 1 3 1. Expliquer pourquoi P ({X = 0} {Y = 1}) = 16 et P ({X = 1} {Y = 1}) = 16 . Dans la suite, on admettra que la loi du couple al eatoire (X,Y)est donn ee par X \ 0 1 2 Y 0
1 16

1
1 16 3 16

2
1 16 1 4 1 16

3
1 16 3 16

4
1 16

0 0

0 0

2. Donner la loi de X et dessiner sa fonction de r epartition. 3. La variable al eatoire Y suit une loi usuelle. Laquelle ? Quels sont ses param` etres ? Donner E (Y ) et V ar(Y ) sans faire de calcul. 4. Montrer que les variables al eatoires X et Y ne sont pas ind ependantes. (On pourra comparer P ({X = 0} {Y = 1}) et P (X = 0)P (Y = 1)) 5. Calculer le coecient de corr elation lin eaire (X, Y ) 6. On sait que pour toutes variables al eatoires ind ependantes X1 et X2 on a (X1 , X2 ) = 0. Est-ce que la r eciproque de cette proposition est vraie ? Exercice 2. (9 points) Soient r un r eel strictement sup erieur ` a 2 et X une variable al eatoire r eelle de densit e f donn ee par f (x) = xrr +1 si x 1 et f (x) = 0 sinon. 1. 2. 3. 4. Donner lallure du graphe de f puis v erier que cest bien une densit e de probabilit e. Calculer lesp erance et la variance de X . D eterminer la densit e de la variable al eatoire Y = ln X Le nombre de kilom` etres couverts par une batterie de voiture avant d efaillance est une variable al eatoire ayant la m eme loi que Y et desp erance egale ` a 9000 kilom` etres. Une personne ach` ete une batterie neuve et souhaite se lancer dans un voyage de 3000 kilom` etres. Avec quelle probabilit e terminera-t-elle son voyage sans avarie de batterie ?

Par exemple, la s equence P P F P donne X = 1 ; F P P P donne X = 0, P F P F donne X = 2; etc...

109

Correction dexamen de rattrapage -28 juin 2006Exercice 1 : 1. Lunivers = {P, F }4 est de cardinal 24 = 16. Calculons X ( ) et Y ( ) pour chaque . Si = P P P P alors X ( ) = 0 et Y ( ) = 4 Si = P P P F alors X ( ) = 1 et Y ( ) = 3 Si = P P F P alors X ( ) = 1 et Y ( ) = 3 Si = P F P P alors X ( ) = 1 et Y ( ) = 3 Si = P P F F alors X ( ) = 1 et Y ( ) = 2 Si = P F P F alors X ( ) = 2 et Y ( ) = 2 Si = P F F P alors X ( ) = 1 et Y ( ) = 2 Si = P F F F alors X ( ) = 1 et Y ( ) = 1 Si = F P P P alors X ( ) = 0 et Y ( ) = 3 Si = F P P F alors X ( ) = 1 et Y ( ) = 2 Si = F P F P alors X ( ) = 1 et Y ( ) = 2 Si = F P F F alors X ( ) = 1 et Y ( ) = 1 Si = F F P P alors X ( ) = 0 et Y ( ) = 2 Si = F F P F alors X ( ) = 1 et Y ( ) = 1 Si = F F F P alors X ( ) = 0 et Y ( ) = 1 Si = F F F F alors X ( ) = 0 et Y ( ) = 0. 1 . Et P (X = 1) {Y = 1} = On en d eduit P (X = 0) {Y = 1} = P ({F F F P }) = 16 3 P ({P F F F }) + P ({F P F F }) + P ({F F P F }) = 16 . 2. La v. a. X prend ses valeurs dans {0, 1, 2} et on a :
1 P (X = 0) = 16 + 5 P (X = 1) = 8 , 1 P (X = 2) = 16 . 1 16

1 16

1 16

1 16 +

5 16 ,

La fonction de r epartition de X est donn ee par :

3. La v. a. Y compte le nombre de piles obtenus quand on jette quatre fois de suite une pi` ece 1 de monnaie non truqu ee, donc Y suit la loi binomiale de taille n et de param` etre 2 . Donc 1 E (Y ) = 4 = 2. 2 Et 1 1 V ar(Y ) = 4 (1 ) = 1. 2 2 1 5 4. On a P ({X = 0} {Y = 1}) = 16 . P ({X = 0}) = 16 et P ({Y = 1}) = 1 4. Donc P ({X = 0} {Y = 1}) = P ({X = 0})P ({Y = 1}). Or, si X et Y sont ind ependantes, 110

on aurait (par d enition) P ({X = 0} {Y = 1}) = P ({X = x})P ({Y = y }), pour tous (x, y ) {0, 1, 2} {0, 1, 2, 3, 4}. Donc X et Y ne sont pas ind ependantes. 5. On a : E (XY ) = Donc : Par suite, (X, Y ) = 0. 6. La r eciproque de cette proposition est fausse, car X et Y ne sont pas ind ependantes et elles v erient pourtant (X, Y ) = 0.
3 16

1 2

9 16

1 4

=3 2.

Cov (X, Y ) = E (XY ) E (X )E (Y ) = 0.

Exercice 2 : Voir Exo 1. du DS N o 3.

111

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa Devoir surveill e N 1. Epreuve de Probabilites et Statistiques Examen de 16 octobre 2006 Responsable : Lakhel El Hassan Horaire : 09H :00min-10H :30min

Exercice 1. On consid` ere trois cartes : une avec les deux faces rouges, une avec les deux faces blanches, et une avec une face rouge et une face blanche. On tire une carte au hasard. On expose une face au hasard. Elle est rouge. Parieriez-vous que la face cach ee est blanche ? pour vous aider dans votre choix : 1. D eterminer lespace de probabilit e. 2. Calculer la probabilit e que la face cach ee est blanche sachant que la face visible est rouge. Exercice 2. Dans une usine on dispose de 3 machines A, B , C fabriquant des pi` eces m ecaniques dun type d etermin e. La machine A assure 25% de la production, la machine B assure 35% et C en assure 40%. 5% des pi` eces fabriqu ees ` a laide de la machine A sont d efectueuses. Les pourcentages sont respectivement egaux ` a 4% et 2% pour les machines B et C . 1. On tire une pi` ece au hasard quelle est la probabilit e quelle soit d efectueuse ? 2. On tire une pi` ece dun lot constitu e de pi` eces fabriqu ees, dans les proportion ind equ ees, par les machines A, B et C . On constate que cette pi` ece est d efectueuse. Calculer la probabilit e quelle ait et e fabriqu ee par la machine A 3. On tire une pi` ece au hasard. Elle est saine. Quelle est la probabilit e quelle vienne de C . Exercice 3 : (La formule du crible) (, P (), P ) est un espace de probabilit e. A1 , A2 ,...An sont n ev enements. 1. Montrer que P (A1 A2 ) = P (A1 ) + P (A2 ) P (A1 A2 ). une formule analogue pour P (A1 A2 A3 ). 2. Etablir 3. Montrer , par r ecurrence, que :
n n n

P(
i=1

Ai ) =
i=1

P (Ai )+...+(1)k+1
1i1 <...<ik n

P (Ai1 ...Aik )+...+(1)n+1 P (


i=1

Ai ).

Application : On utilise dans la suite la formule du crible. 1. Pour f eter leur r eussite ` a un concours, n etudiants se donnent rendez-vous dans un restaurant. En entrant chaque personne d epose sa veste dans un vestiaire. Apr` es le repas, ils r ecup` erent leur veste au hasard. Quelle est la probabilit e pour quune personne au moins ait sa propre veste ? D eduire la probabilit e quaucune personne ne repart avec sa veste.

112

2. En sinspirant de la question pr ec edente, calculer la probabilit e n (k ) pour que k personne exactement aient leur propre veste ? 3. Calculer la limite (k ) de n (k ) quand n . V erier que la famille ( (k ), k N) d etermine une probabilit e sur N. Bar eme approximatif : Exercice 1 : 4 points, Exercice 2 : 6 points, Exercice 3 : 10 points.

113

Corrig e du DS N 0 1 - A. U. 2006-2007- : Exercice 1 : On num erote les faces de la premi` ere carte a ,b, de la dexi` eme c, d, et de la troisi` eme e, f . Les couleurs des faces sont : a = R, b = R, c = R, e = B, f = B.

Une carte cest une face expos ee et une face cach ee : (E, C ). Lunivers est donc : = {(a, b), (b, a), (c, d), (d, c), (e, f ), (f, e)}.

On munit (, P ()) de la probabilit e uniforme. Dapr` es la d enition de la probabilt e conditionnelle, on a : P (E = R, C = B ) Card{(c, d)} 1 = = . P (E = R ) Card{(a, b), (b, a), (c, d)} 3

P (C = B/E = R) =

Exercice 2 : Soit A : etre fabriqu e par A, B : etre fabriqu e par B ,... D: etre d efectueuse et D : saine. On a P (A) = 0.25, P (B ) = 0.35, P (C ) = 0.4. A, B et C sont tels que A B = A C = B C = et A B C = . 1) En applicant la formule des probabilit es totales on a : P (D) = PA (D)P (A) + PB (D)P (B ) + PC (D)P (C ) = 0.05 0.25 + 0.04 0.35 + 0.02 0.4 = 0.0345 = 3.45%. 2) Dapr` es le th eor` eme de Bayes, PD (A) = 3) PD (C ) = Exercice 3 : Partie I. Voir TD Application : On pose Ai = {i a sa veste }, on a par la formule du crible : P(
1in Ai )

PA (D)P (A) 0.05 0.25 = = 36%. P (D) P (D) PC (D)P (C ) 0.98 0.4 = = 40%. 1 P (D) P (D)

= =

n p+1 p=1 (1)

1i1 <...<ip n P (Ai1

... Aip ).

n p+1 C p (np) n n! p=1 (1)

n p+1 1 . p=1 (1) p!

Or P(
1in

Ai ) = 1 P (
1in n

Ai )

Donc P(
1in

Ai ) = 1
p=1

(1)p+1

1 . p!

114

On note (n) = Card{ permutations de {1,...,n} sans points xe}. On a : 1 Donc (n) = n!
p=0

(n) = n!

(1)p+1
p=1 n

1 . p!

(1)p

1 p!

On en d eduit donc le nombre de permutations de {1, ..., n} sans points xe. 2) Remarquons que n (k ) = Card{ permutations de {1,...,n} ayant k points xes } . Card{ permutation de {1,...,n}}

k possibilit Il existe Cn es pour les k points xes. On en d eduit

n (k ) = = 3) On a :

k card{ permutation de {1,...,n} sans point xe } Cn Card{ permutation de {1,...,n}} k (nk ) Cn n!

1 k!

nk p1 p=0 (1) p! .

limnn (k) = (k ) = Do` u (N) =


k=0

1 1 e . k!

(k ) =
k=0 k

1 1 e = 1. k!

(On peut poser pk = (k ), on a donc pk 0 et

pk = 1, do` u le r esultat.)

115

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa

Ann ee Universitaire 2006-2007 Responsable : Lakhel El Hassan

Devoir libre N o 1. Probabilit es et statistiques ` A rendre au plus tard le 10 d ecembe.

Exercice 1. On d esire mod eliser le temps dattente dune panne de machine ` a laide de variables al eatoires sans m emoire : la probabilit e pour que la machine tombe en panne apr` es la date k + n sachant quelle fonctionne ` a linstant n est ind ependante de n. 1. Montrer que la loi g eom etrique de param` etre p est sans m emoire : cest ` a dire que P (X > k + n/X > n) est ind ependante de n. 2. Caract eriser toutes les lois des variables al eatoires X ` a valeurs dans N qui sont sans m emoire. On pourra calculer P (X > 1 + n) en fonction de P (X > 1). 3. Caract eriser toutes les lois des variables al eatoires X ` a valeurs dans N qui sont sans m emoire. Exercice 2. La dur ee de vie, exprim ee en ann ees, dun circuit electronique est une variable al eatoire T dont la fonction de r epartition F est d enie par : F (t) = 0 2 1 exp 1 2t si t < 0 si t 0

1. Donner la densit e de probabilit e f de T . Calculer E [T ]. 2. Sachant que le circuit a d ej` a fonctionn e durant 1 an, quelle est la probabilit e quil continu ` a fonctionner encore durant au moins 2 ans ? La loi est-elle sans m emoire ? 3. Un equipement electronique E est compos e de 10 circuits identiques et ind ependantes. Au circuit i (1 i 10) est associ ee la variable al eatoire : Xi = 1 0 si la dur ee de vie du circuit i est inf erieure ` a un an sinon.

a. Quelle est la loi de probabilit e de la variable al eatoire N egale au nombre de circuit dont la dur ee de vie est inf erieure ` a un an ? b. L equipement E est dit en s erie si la d efaillance de lun de ses circuits entra ne sa d efaillance. Quelle est alors la probabilit e quil soit d efaillant avant un an ? c. L equipement E est dit en parall` ele si sa d efaillance ne peut se produire que si tous ses circuits sont d efaillants. Quelle est alors la probabilit e quil soit d efaillant avant un an ? avant t ans ? Exercice 3. Une usine employant 30 personnes dont 4 ing enieurs, 10 techniciens et 16 ouvriers. 116

1. On choisit de fa cons successive 3 employ es : calculer la probabilit e davoir un employ e de chaque cat egorie professionnelle. 2. On choisit de fa con successive 3 employ es et soit X la variable al eatoire qui repr esente le nombre ding enieurs choisis. Donner la loi de probabilit e de X .

Exercice 4. Soit X et Y deux variables al eatoires r eelles. 1. Montrer que X + Y (resp. XoY) est une variable al eatoire r eelle. 2. Montrer que X.Y (resp. X si Y ne sannulle pas) est une variable al eatoire r eelle. Y 3. Soit (Xn ) une suite de variables al eatoires r eelles. Si les fonctions inf n Xn , supn Xn , lim inf Xn , lim supn Xn sont bien d enies, montrer que ces fonctions sont des variables al eatoires r eelles. Exercice 5. Soit un vendeur de lots de pi` eces m ecaniques disposant, ` a une date t0 , dun stock s. La demande X , pour un intervalle de temps [t0 , t1 ], est une v. a. enti` ere ayant une loi de probabilit e d enie par : P (X = x) = k (x0 )p q x1 =0 pour pour x x0 x < x0

o` u p et q sont deux r eels positifs tels que p + q = 1 et x0 est un entier naturel inf erieur ` a s. 1) Calculer k (x0 ) et E (X ). 2) Si X est inf erieure au stock s, les lots restants sont vendus ` a perte et le vendeur aura ` a aronter une d epense moyenne de c1 DH. Si X est sup erieure au stock s, il faut un approvisionnement sp ecial de pi` eces manquantes et le suppl ement du co ut repr esente une perte moyenne de c2 DH. Calculer l esp erence math ematique des d epenses que va devoir aronter le vendeur pendant la p eriode [t0 , t1 ].

117

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa Devoir surveill e N 2. Epreuve de Probabilit es et Statistiques Examen de 25 d ecembre 2006 Responsable : Lakhel El Hassan Horaire : 8H :30min-10H :00

Exercice 1. (9 points) On lance trois fois de suite une pi` ece de monnaie non truqu ee. Soient X le num ero du lancer o` u on obtient Pile la premi` ere fois 1 (avec la convention que X = 4 si on nobtient pas de Pile ) et Y le num ero du lancer o` u on obtient Face la premi` ere fois (avec la convention que Y = 4 si on nobtient pas de Face). 1. Donner la loi du couple (X, Y ). 2. Donner la loi de X , son esp erance et sa variance. 3. Donner la loi de Z = X + Y , son esp erance et sa variance. 4. Calculer le coecient de corr elation lin eaire (X, Y ) et interpr eter le r esultat obtenu. 5. Montrer que pour toutes variables al eatoires ind ependantes X1 et X2 on a (X1 , X2 ) = 0. Est-ce que la r eciproque de cette proposition est vraie ? Probl` eme 2. ( Une somme doublement al eatoire) (11 points) Sur le m eme espace probabilis e (, F , P ), on suppose d enies - une variable al eatoire N ` a valeurs dans N, - une suite de variable al eatoire positives (Xi )i1 , ayant toutes m eme loi. On pose alors :
n

S0 := 0, On d enit la variable al eatoire T par

Sn =
i=1

Xi

(n 1).

T :=
i=1

Xi ,

autrement dit, , T ( ) = SN () ( ). Ce mod` ele est dun usage courant. Par exemple si une compagnie dassurances sint eresse au risque pour une certaine cat egorie de v ehicules, dans une ville donn ee, N repr esente le nombre de sinistres d eclar es au cours dune p eriode de temps donn ee et Xi le remboursement pay e par la compagnie pour le i-` eme sinistre d eclar e pendant cette p eriode. On peut imaginer facilement dautres applications comme le cumul des hauteurs de pluie sur une ann ee, le total des retraits eectu es sur un distributeur automatique bancaire en une journ ee, etc.
1 Par exemple, la s equence P P P donne X = 1 et Y = 4 ; F P F donne X = 2 et Y = 1 ;, F F P donne X = 3 et Y = 1 ; F F F donne X = 4 et Y = 1 ; etc.

118

Le but de cet exercice est de calculer lesp erance de T en fonction des esp erances des Xi et de N sans supposer connues les loi des Xi ou de N . On suppose de plus que N est ind ependante de la suite (Xi )i1 , ce qui implique notamment (on ne vous demande pas de le justier) que pour tout j N et tous bor eliens B et B de R, les ev` enement {Sj B } et {N B } sont ind ependants. 1. Trouvez lerreur dans le raisonnement suivant : Par additivit e de lesp erance des variables al eatoires positives,
N N

ET = E
i=1

Xi

=
i=1

EXi = N EX1 .

2. Soit A F un ev enement et Y une variable al eatoires sur (, F , P ) tels que pour tout t 0, les ev enements {Y > t} et A soient ind ependants. Montrer que t 0, P (Y 1A > t) = P (Y > t)P (A).

(Indication : commencer par calculer P ({Y 1A > t} Ac ).) 3. Soit X une variable al eatoire positive. Montrer que :
+

E (X ) =
0

P (X > t)dt.

4. D eduire de ce qui pr ec` ede que j N, E(Sj 1{N =j } ) = P (N = j )j EX1 .

5. Pour tout entier n 1, on pose Tn := T 1{N n} . Justiez l egalit e


n

Tn =
j =0

Sj 1{N =j } .

En d eduire que n N , 6. V erier que T =


j

ETn = EX1
j =0

jP (N = j ).

Sj 1{N =j } .

(on comparera les valeurs prises par les deux membres en un quelconque). 7. D eduire que : E (T ) = E (N )E (X1 ).

Bar eme approximatif : Exercice 1 : 9 points Probl` eme 2 : 11 points

119

Corrig e du DS N o 2 - A. U. 2006-2007 : Exercice 1 : A Ecrire Probl` eme 2 :

120

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa Devoir surveill e N 3. Epreuve de Probabilit es et Statistiques Contr ole continu de 09 janvier 2007
1

Responsable : Lakhel El Hassan Horaire : 10H :30min-12H :00

Exercice 1. (6 points) Soit un r eel et f la fonction r eelle d enie par : f (x) =


(x1)2 e2x

si si

x < 0, x 0.

1. Calculer pour que f soit une densit e de probabilit e. 2. D eterminer la fonction de r epartition F associ ee ` a f. 3. Soit X une v. a. r. de densit e f . D eterminer la loi de la v. a. Y = sgn(X ) avec sgn(x) = 1 si x < 0, sgn(x) = 1 si x > 0 et sgn(0) = 0. Exercice 2. (10 points) La dur ee de vie, exprim ee en ann ees, dun circuit electronique est une variable al eatoire T dont la fonction de r epartition F est d enie par : F (t) = 0 2 1 exp 1 2t si t < 0 si t 0

1. Donner la densit e de probabilit e f de T . Calculer E [T ]. 2. Sachant que le circuit a d ej` a fonctionn e durant 1 an, quelle est la probabilit e quil continu ` a fonctionner encore durant au moins 2 ans ? La loi est-elle sans m emoire ? 3. Un equipement electronique E est compos e de 10 circuits identiques et ind ependantes. Au circuit i (1 i 10) est associ ee la variable al eatoire : Xi = 1 0 si la dur ee de vie du circuit i est inf erieure ` a un an sinon.

a. Quelle est la loi de probabilit e de la variable al eatoire N egale au nombre de circuit dont la dur ee de vie est inf erieure ` a un an ? b. L equipement E est dit en s erie si la d efaillance de lun de ses circuits entra ne sa d efaillance. Quelle est alors la probabilit e quil soit d efaillant avant un an ? c. L equipement E est dit en parall` ele si sa d efaillance ne peut se produire que si tous ses circuits sont d efaillants. Quelle est alors la probabilit e quil soit d efaillant avant un an ? avant t ans ?
1

la qualit e et la clart e de la r edaction constituent des el ements essentiels dans lappr eciation de la copie.

121

Exercice 3 : (Vitesse moyenne) (4 points) On veut estimer par intervalle de conance la vitesse moyenne des automobiles dans un certain virage dune route ` a grand trac. Pour cela on a enregistr e ` a laide dun radar les vitesses X1 ( ) = x1 , ..., X400 ( ) = x400 de 400 automobiles en une p eriode de temps de 2 heures avec des conditions de circulation homog` enes (m et eo, visibilit e, densit e de trac,. . .). On a obtenu les statistiques suivantes
400 400

xi = 35200km/h,
i=1 i=1

2 x2 i = 3107600(km/h) .

Lhomog en eit e des conditions de trac permet de supposer que les variables al eatoires X1 , . . . ,X400 , dont on a ainsi observ e une r ealisation, sont ind ependantes et de m eme loi. Proposez un intervalle de conance au niveau 98% pour la vitesse moyenne EX1 en indiquant clairement quels r esultats du cours l egitiment les approximations faites. Les donn ees num eriques cidessus ont et e arrang ees pour vous permettre de faire facilement tous les calculs ` a la main si vous ne disposez pas dune calculatrice.

Bar eme approximatif : Exercice 1 : 6 points Exercice 2 : 10 points Exercice 3 : 4 points

122

Corrig e du DS N o 3 - A. U. 2006-2007 : Exercice 1 : A Ecrire Exercice 2 : 1. La densit e de probabilit e f de T est 1 f (t) = texp( t2 )It>0 . 2 Lesprance vaut E [T ] =
+ 2 1 2 t exp( 2 t )dt 0 + 1 2 exp( 2 t )dt 0

1 2 + = [texp( 2 t )]0 +

= = 2. La probabilit e s ecrit

1 2

+ 2 1 2 t exp( 2 t )dt 2 2 .

P (T 3) e 2 P (T 3) P (T 1) 4 = = P (T 3/T 1) = . 1 = e P (T 1) P (T 1) e 2 On a pas P (T 3/T 1) = P (T 2) = e2 . Donc la loi nest pas sans m emoire. 3. a. La loi de probabilit e de la variable al eatoire N egale au nombre de circuit dont la 1 dur ee de vie est inf erieure ` a un an est : B (10, 1 e 2 ). En eet, le v. a. Xi sont ind ependantes et suivent une loi de Bernoulli de param` etre : p = P (X1 = 1) = P (T 1) = F (1) = 1 e 2 . b. La probabilit e que l equipement en s erie soit d efaillant avant un an vaut :
=10 10 P (i i=1 (Xi = 1)) = 1 P (i=1 (Xi = 0)) 10 = 1 i=1 P (Xi = 0) 10 = 1 e 2 0.99
1

c. La probabilit e que l equipement en parall` ele soit d efaillant avant 1 an est : P (10 i=1 (Xi = 1)) =
10 1

P (Xi = 1) = (1 e 2 )10 = 8.9.105 .

Soit Ti la dur ee de vie de l equipement i. La probabilit e que l equipement en parall` ele soit d efaillant avant t ans vaut :
10

P (10 i=1 (Ti t)) =


i=1

P (Ti t) = (1 e 2 t )10 = pt .

1 2

123

on obtient p2 = 0.23 Exercice 3 :

p3 = 0.099

Nous allons chercher pour EX1 un intervalle de conance centr e sur X = 35200/400 = 88km/h. Pour construire cet intervalle de conance, on ne peut pas utiliser ici le th eor` eme limite central classique car l ecart-type des Xi est inconnu. On va utiliser le TLC avec autonormalisation o` u lonremplace par S, laracine carr ee de la variance empirique S2 = 1 n
n

(Xi E (Xi ))2 =


i=1

1 n

Xi2 X
i=1

Les Xi etant de carr e int egrable, le TLC avec autonormalisation nous dit que X E (X1 ) n N (0, 1) (en S Cette convergence l egitime pour n grand, lapproximation loi)

X E (X1 ) | t) = P (|N (1, 1)| t) = 2 (t) 1, P (| n S o` u est la f.d.r. de la loi N (0, 1). Par suite : X E (X1 ) tS tS | n | t X E (X1 ) X + . S n n Cette in egalit e nous donne alors un intervalle de conance pour EX1 au niveau 2 (t) 1. Il sagit bien dun intervalle de conance puisque les bornes XtSn1/2 sont calculables ` a partir des observations sans connaissance de la loi des Xi . Pour terminer les calculs, on d etermine t en r esolvant 2 (t) 1 = 0, 98, ce qui equivaut ` a (t) = 0, 99,. Do` u t = 2, 33. On calcule ensuite X ( ) et S ( ) : X=x= Et S ( ) = s = 1 400 1 400
400 2 x2 i x = i=1 400

xi = 35200km/h = 88Km/h.
i=1

3107600 (88)2 = 25Km/h2 . 400

do` u S ( ) = s = 5km/h. Un intervalle de conance I au niveau 98% pour EX1 en km/h est donc 2.33 5 2.33 5 I = [88 , 88 + ] = [87, 41; 88, 59]. 20 20

124

Universit e Cadi Ayyad Ecole Nationale des Sciences Appliqu ees Sa Sujet de contr ole de rattrapage. Epreuve de Probabilit es et Statistiques Contr ole de 23 janvier 2007
1

Responsable : Lakhel El Hassan Horaire : 8H :30min-10H :00

Exercice 1. (8 points) 1. Soit X : N une variable al eatoire. Quest- ce que la loi de X ? Comment calculet-on lesp erance de X , la variance de X ? 2. Soit X : R une variable al eatoire de densit e f . Comment calcule-t-on P (X [a, b]) pour un intervalle [a, b] de R. Comment calcule-t-on E (X ), E (X 2 ) ? Quand dit-on que X est int egrable ? 3. Si X est une v. a. r. positive, int egrable, et si a R + , montrer que : P (X > a) E (X ) . a

4. Si X est une v. a. r. admettant un moment dordre 2, et si a R + , montrer que : P (|X E (X )| > a) V ar(X ) . a2

Exercice 2. (12 points) Soit T une variable al eatoire ` a valeurs dans N. Pour tout n N, on suppose que P (T n) > 0 et que P{T n} (T n + 1) = P (T 1). (1) 1. On pose p = P (T = 0). Si G est une variable al eatoire de loi g eom etrique G (p), monk trer que Z = G 1 v erie P (Z = k ) = p(1 p) pour k N. 2. Pour n N, calculer P (Z n). 3. On pose fn = P (T n). Montrer que fn+1 = fn f1 pour tout n N. 4. En d eduire P (T n) pour n N (on remarquera que (fn ) est une suite g eom etrique). 5. Montrer que deux variables al eatoires X et Y ` a valeurs dans N ont la m eme loi si P (X n) = P (Y n) pour tout n N. 6. En d eduire que T et Z ont la m eme loi. 7. Quel est lanalogue de (1) dans le cas continu ?

la qualit e et la clart e de la r edaction constituent des el ements essentiels dans lappr eciation de la copie.

125

Corrig e du contr ole de rattrapage - A. U. 2006-2007 : Exercice 1 : Voir le cours. Exercice 2 : 1. On a p = P (T = 0). Montrons que Z = G 1 v erie P (Z = k ) = p(1 p)k pour k N. On a G prend ses valeurs dans N , donc Z prend ses valeurs dans N. Par d enition de la loi g eom etrique, on a P (G = l) = p(1 p)l1 . Donc, pour k N, on a P (Z = k ) = P (G = k + 1) = p(1 p)k . 2. Calculons P (Z n), pour tout n N. On a : P (Z n) =
+ k=n P (Z

= k ) = p(1 p)n
l=0 (1

k=n (1

p)kn

= p(1 p)n

1 n p)l = p(1 p)n 1(1 p) = (1 p) .

3. On a fn = P (T n). Montrons que fn+1 = fn f1 pour tout n N. Pour tout n N, on a : fn + 1 = P (T n + 1) = P (T n + 1 (1) P (T 1)P (T n) = f1 fn . = 4. En d eduire P (T n) pour n N. Remarquons que (fn ) est une suite g eom etrique). La suite (fn ) est g eom etrique de raison f1 = P (T 1) = 1 P (T = 0) = 1 p. Donc, pour n N, on a : P (T n) = fn = (f1 )n = (1 p)n . 5. Par d enition, deux v. a. X et Y ` a valeurs dans N ont la m eme loi si P (X = n) = P (Y = n) pour tout n N. On suppose que P (X n) = P (Y n) pour tout n N. On a P (X = n) = P (X n) P (X n + 1) = P (Y n) P (Y n + 1) = P (Y = n). Donc X et Y ont la m eme loi. 6. Cest une cons equence imm ediate des questions 2), 4) et 5). 7. La propri et e dabsence de m emoire : Soit X une v. a. r. suivant la loi exp(), alors X v erie : s R+ , t R+ , P (X > t + s/X > t) = P (X > s) et T n) = PT n (T n + 1)P (T n)

(On parle aussi de la propri et e de non vieillissement).

126

8.1

Bibliographie

Voici une bibliographie tr` es incompl` ete. Allez voir vous m eme ` a la Biblioth` eque. Gardez en m emoire quun bon livre est un livre qui vous donne envie dapprendre et de travailler son contenu ! ! A compl eter.

127

You might also like