On ne peut pas formuler es questions en termes de probabilités assoiées à des valeurs pontuelles des paramètres qui déterminent l'événement. Nous sommes alors ramené à emprunter d'autres outils que la somme de probabilités (ou d'une série de probabilités). Dans le as des espaes ontinus, le alul de la probabilité d'un événement par une somme (employé dans le as des espaes disrets) doit être remplaée par une intégrale. On peut avoir aussi un espae qui n'est ni ontinu ni disret. Une intégration au sens de Lebesgue peut fournir un enadrement universel uniforme pour tous les espaes probabilisés. 2 Dans la suite, nous introduisons un fondement élémentaire du alul des probabilités, en supprimant les preuves de ertaines onstrutions, qui peuvent se trouver dans les ouvrages sur le alul des probabilités ou sur la théorie de la mesure. Probabilités Continues Dans le as où l'espae des événements élémentaires n'est pas dénombrable les probabilités ne peuvent pas être aratérisées pontuellement. En eet, il se peut que es probabilités soient nulles et, don, leur onnaissane n'apporte auune information sur la probabilité des événements ontenant une innité indénombrable d'événements élémentaires. Considérons à titre d'exemple, les problèmes suivants : (Aiguille de Buon). On lane une aiguille de longueur 1 sur un parquet dont les lames sont parallèles de distane 1. Quelle est la probabilité que l'aiguille hevauhe une lame du parquet ? Une proédure a généré uniformément trois réels aléatoires dans l'intervalle (réel) [0; 1℄. Quelle est la probabilité pour que es grandeurs soient les mesures des tés d'un triangle ? 1 Exemple. Pour = fa; b; g, les -algèbres possibles sur sont : f;; g f;; ; fag; fb; gg et deux autres familles obtenues par les permutions b ! a et ! a. P ( ) = f;; fag; fbg; fg; fa; bg; fa; g; fb; g; g. ********************************************************* Propriétés. On démontre failement que : Toute -algèbre est fermée pour une intersetion dénombrable. L'intersetion d'une lasse de -algèbres est enore une -algèbre Soit C un sous-ensemble de P ( ). Il y a une plus petite -algèbre qui ontient C . 4 Espae Probabilisé Dénition. Soit un ensemble non vide quelonque. Une famille A de sous-ensembles de (i.e. A P ( )) est appelée -algèbre ou et est fermée pour la omplémentation et la réunion dénombrable : tribu, si elle ontient 2A A 2 A ) A 2 A Si pour tout i 2 N , Ai 2 A, alors Si2N Ai 2 A. 3 ( -additivité) Dénition. Un espae probabilisé est un triplet ( ; A; P r), où est un ensemble non vide, A une -algèbre sur et P r une appliation de A dans [0; 1℄ telle que : P ( ) = 1 P r(Ai): pour toute suite Ai, i 2 N , d'éléments de A 2-à-2 disjoints : 0 1 [ X i2N (ou mesure ou distribution) de probabilité sur AiA = loi i2N Pr P r est appelée une A, et pour tout A 2 A, P r(A) s'appelle probabilité de A. 6 Dénitions. La plus petite -algèbre ontenant C est appelée algèbre engendrée par C . Dans le as de R (ou R k en général), on prend pour C la lasse des intervalles (ou des pavés) ouverts, fermés, à droite et/ou à gauhe (pour R k , C est la lasse des pavés du type Q k 1 hai; bii, où h et i prennent les valeurs [ et ℄. La -algèbre engendrée par C est alors appelée tribu des boréliens de R (ou de R k ). Cette Tribu est notée par B (ou Bk ). 5 Exemple. Soit = fa; b; ; dg. Quelle est la -algèbre engendrée par ffag; f; dgg ? Solution. On vérie failement que l'ensemble : D = f;; ; fag; fbg; fa; bg; f; dg; fa; ; dg; fb; ; dgg est la plus petite -algèbre ontenant l'ensemble donné. Propriétés Élémentaires P r(A [ B ) + P r(A \ B ) = P r(A) + P r(B ) Soit ( ; A; P r) un espae probabilisé. Nous avons : P r(;) = 0. Pour tout A 2 A, P r(A) = 1 P r(A). Pour tout A; B 2 A : et don : P r(A [ B ) P r(A) + P r(B ): 8 En e qui onerne les tribus des boréliens, nous admettons le théorème suivant, dont la démonstration déborde le adre que nous nous sommes xé ii. Théorème. Soit P r une appliation de l'ensemble des pavés de R k dans [0; 1℄ satisfaisant : P r(R k ) = 1 i2N P r(Ai): si A est un pavé de R k qui est la réunion d'une suite Ai, i 2 N de pavés, 2-à-2 disjoints, de R k alors : X P r(A) = 7 Alors P r se prolonge de façon unique en une mesure de probabilité sur B k. Y O X P r(Zone Hahurée) = 0:78539816 4 Quelques Exemples Simples 10 Exemple 1. Une proédure a généré deux réels X et Y uniformément et indépendamment dans l'intervalle [0; 1℄. Dénir l'espae probabilisé et aluler la probabilité pour que la distane (eulidienne) du point (X; Y ) de l'origine ne dépasse pas 1. Solution. On prend pour le arré [0; 1℄ [0; 1℄. La -algèbre A est engendrée par l'ensemble des pavés (ou ii retangles) ontenus dans . La mesure de probabilité P r est le prolongement unique de l'appliation qui assoie à tout retangle ontenu dans son aire. 9 La distane du point (X; Y ) de l'origine ne dépasse pas 1 si et seulement si il se trouve à l'intérieur du premier quadrant délimité par le erle d'origine (0; 0) et de rayon 1. Or ette région est d'aire 4 . D'où la probabilité reherhée vaut . 4 Fontion de Répartition Dans la suite, nous introduisons la fontion de répartition et la densité (lorsqu'elle existe) pour les mesures de probabilités dénies sur (R ; B). 1; t℄) ; 8t 2 R : Soit P r une mesure de probabilité. Sa fontion de répartition (f.r.) F est dénie par : F (t) = P r (℄ Propriétés Nous admettons les deux propositions suivantes sur les f.r. 12 Exempe 2. Une proédure génère les réels X et Y uniformément et indépendamment dans l'intervalle [a; b℄, où a < b, et en retourne le maximum. Quelle la probabilité pour la valeur retournée soit z 2 [a; b℄ ? Pour qu'elle appartienne à l'intervalle [; d℄ [a; b℄ ? P r(Z a)2 a)2 z) = ((zb (d (b a)2 : a)2 ( (b a)2 : a)2 Solution. Soit Z = maxfX; Y g. On a Z z si et seulement si X z et Y z, pour tout z 2 [a; b℄. La probabilité de haun de es deux événements est zb aa . Ils sont de plus indépendants et, don : On en déduit : P r( < Z d) = 11 Densité t 1 f (x)dx; 8t 2 R ; Soit F la f.r. de la distribution P r. S'il existe une fontion f telle que : Z F (t) = alors ette fontion f s'appelle la densité de P r. La f.r. étant roissante, si la densité f existe, son intégrale de 1 à t, doit valoir F (t). Don, on peut dénir la densité f omme la dérivée de de la f.r., si ette dernière en admet une. Quelques Exemples Simples Exemple 1. Soit P r la distribution uniforme sur [0; 1℄, donnée par P r(ha; bi) = l([0; 1℄ \ ha; bi), pour tout intervalle ha; bi, où l'appliation l désigne la longueur d'un intervalle. 14 Proposition. La f.r. F est roissante, à valeur dans [0; 1℄, ontinue à droite et telle que limt!1F (t) = 1 et limt! 1F (t) = 0. La Proposition suivante permet de aratériser une loi de probabilité en termes de sa f.r. Proposition. Soit F : R ! [0; 1℄ roissante, ontinue à droite et telle que limt!1F (t) = 1 et limt! 1F (t) = 0. Alors il existe une mesure de probabilité unique P r sur (R ; B) dont la f.r. est F . 13 F(t) 1 O f(t) 1 O 1 Densité de la loi uniforme 1 t t Fonction de répartition de la loi uniforme La f.r. est donnée par : 8 > 0 si t < 0 < 0t<1 : 1 si t 1: F (t) = > t si Elle admet la densité : 8 > 0 si t < 0 < 1 si 0 t < 1 : 0 si t 1: f (t) = > 16 15 t) = P r(X t et Y t) = t2; 8t 2 [0; 1℄: Exemple 2. Soient Z la valeur maximale de deux réalisations indépendantes de la loi uniforme dans [0; 1℄, fournie par l'exemple préédent. Nous avons : P r(Z On en déduit : 8 > 0 si t < 0 < 0t<1 : 1 si t 1: FZ (t) = > t2 si Cette f.r. admet la densité : 8 > < 0 si t < 0 0t<1 : 0 si t 1: fZ (t) = > 2t si 17