COURS DenombCO BCPST1 CHAPITRE : 6 DENOMBREMENT 1 / Ensembles …nis : 1.1 Dé…nition : Un ensemble E est dit …ni s’il est vide ou s’il existe un entier n et une bijection de [[1; n]] vers E . L’entier n est appelé cardinal de E: Notation : Card(E) = n: Convention : Si E = ; alors Card(E) = 0 Vocabulaire : Dénombrer un ensemble, c’est déterminer son cardinal, c’est à dire évaluer le nombre de ses éléments . 1.2 Propriétés: 1.2.1 Soient E et F deux ensembles …nis. Il existe une bijection entre E et F si et seulement si card(E) = card(F ). 1.2.2 Soient E et F deux ensembles …nis. Si F alors card(F ) card(E). 1.2.3 Soient E et F deux ensembles …nis . Si F alors E = F et réciproquement. E E et card(E) = card(F ) 1.2.4 Soient E et F deux ensembles …nis de même cardinal et soit f une application de E dans F alors : f injective () f surjective () f bijective 1.3 Propriétés: Soient A et B deux parties d’un ensemble …ni E ; 1.3.1 Si A et B sont disjoints alors card(A [ B) = card(A) + card(B) 1.3.2 card(A r B) = card(A) 1.3.3 card(A) = card(E) card(A \ B) card(A) 1.3.4 card(A [ B) = card(A) + card(B) card(A \ B) 1.4 Formule du crible ou de Poincaré: Soit (Ai )1 i n une famille de parties d’un ensemble E …ni, alors n n P P S P card(Ai1 \ Ai2 ) + card( Ai ) = card(Ai ) i=1 i=1 n+1 .............+( 1) 1 i1 <i2 n 1 i1 <i2 <i3 n card(Ai1 \ Ai2 \ Ai3 )+ card(Ai1 \ Ai2 \ :::::: \ Ain ) 1 1.5 Corollaire : Si (Ai )1 i n est un système complet d’un ensemble E …ni, alors n P card(E) = card(Ai ) i=1 1.6 Théorème : Si E et F sont deux ensembles …nis alors card(E F ) = card(E) card(F ) 1.7 Théorème : Si E est un ensemble …ni alors card(E n ) = (card(E))n 2 / p-listes d’un ensemble : 2.1 Dé…nition : On désigne par p liste (ou p uplet) d’un ensemble E …ni, toute suite de p éléments de E: Deux p listes comportant les mêmes éléments en ordre di¤érents sont distinctes. Une p listes peut contenir plusieurs fois le même élément de E. 2.2 Théorème : Dans un ensemble contenant n éléments, le nombre de p listes distinctes est np . 2.3 Domaine d’application : Tirages successifs avec remise. 2.4 Théorème : Il existe np applications d’un ensemble à p éléments vers un ensemble à n éléments . 2.5 Théorème : Si card(E) = n alors card(P(E)) = 2n : 3 / p-listes d’éléments distincts ou arrangements : 3.1 Dé…nition : Dans un ensemble E …ni; toute suite de p éléments distincts est appelée : arrangement de p éléments de E: (ou parfois p listes d’éléments distincts ) Deux arrangements comportant les mêmes éléments en ordre di¤érents sont distincts. Un arrangement ne peut pas contenir plusieurs fois le même élément. 3.2 Théorème : Dans un ensemble contenant n éléments, le nombre d’arrangement de p éléments n! distincts est : Apn = (1 p n) (n p)! 3.3 Domaine d’application : Tirages successifs sans remise . 3.4 Théorème : Il existe Apn injections d’un ensemble à p éléments vers un ensemble à n éléments . 2 3.5 Dé…nition : Si card(E) = n; on appelle permutation : tout arrangement des n éléments de E: Le nombre de permutations de n éléments est n! 3.6 Théorème : Il existe n! bijections d’un ensemble à n éléments vers un ensemble à n éléments . 4 / Parties d’un ensemble ou combinaisons : 4.1 Dé…nition : Dans un ensemble E …ni, toute famille non ordonnée d’éléments distincts est appelée combinaison. ( On parle également de poignée ). Dans une combinaison, l’ordre n’importe pas. Une combinaison ne peut pas contenir plusieurs fois le même élément. 4.2 Théorème : Dans un ensemble contenant n éléments, le nombre de combinaisons de p éléments n n! distincts est : = Cnp = (0 p n) p p!(n p)! 4.3 Domaine d’application : Tirages par poignées . 4.4 Théorème : Soit E un ensemble ordonné croissant de p éléments, et soit F un ensemble ordonné croissant de n éléments. n Il existe applications strictement croissantes de E vers F: p 4.5 Formules : 4.5.1 8n 2 N et 8p 2 [[0; n]] n p 4.5.1.1 n = n p n 0 4.5.1.2 = n n =1 4.5.2 8n 2 N et 8p 2 [[1; n]] 4.5.2.1 Apn = nApn 4.5.3 convention : x y 1 1 = n p n 1 = n n 1 =n 4.5.2.3 p n p =n n p 1 1 = 0 si x < y 4.5.4 8n 2 N et 8p 2 [[1; n n p 4.5.2.2 1]] Formule du triangle de Pascal : 1 n 1 + 1 p 3 . 4.5.5 8(a; b) 2 C2 et 8n 2 N (a + b)n = n P Formule du binôme de Newton : n k n a b k k=0 k 4.5.6 8(a; b) 2 N2 et 8 n 2 N avec n n P k=0 5 a k b n k = min(a; b) Formule de Vandermonde : a+b n / Récapitulatifs : Méthode de tirage des p éléments parmi n Tirages avec remise, éléments distincts ou non, éléments ordonnés : P-LISTE Tirages sans remise, éléments distincts, éléments ordonnés : ARRANGEMENTS ou P-LISTE d’éléments distincts Conditions Nombre de tirages n et p non nuls Nombre de p listes de p éléments choisis parmis n : np 0 cas particulier d’arrangements : PERMUTATIONS Tirages simultanés ou par poignées, éléments distincts, éléments non ordonnés : COMBINAISONS 0 p n Nombre d’arrangements de p éléments choisis parmi n : n! Apn = (n p)! p=n Nombre de permutations de n éléments : n! p Nombre de combinaisons de p éléments choisis parmi n : n n! = Cpn = p p!(n p)! n 4 COURS BCPST1 EprobCO CHAPITRE : 19 ESPACES PROBABILISES FINIS 1 / Vocabulaire : 1.1 On appelle épreuve, une expérience aléatoire succeptible d’être répétée. 1.2 Lorsque l’on e¤ectue une expérience aléatoire, certains faits liés à cette expérience peuvent se produire ou non. On les appelle évènements. 1.3 A chaque expérience aléatoire, on peut associer un ensemble , appelé univers, tel que chaque évènement puisse être représenté par une partie de : Dans ce cours, on suppose toujours que est un ensemble …ni et on note P( ) l’ensemble des parties de : 1.4 Les singletons f!g de P( ) sont appelés évènements élémentaires. 1.5 Le couple ( ; P( )) est appelé espace probabilisable …ni. 1.6 Tout évènement qui n’est jamais réalisé est dit évènement impossible. 1.7 Tout évènement qui est toujours réalisé est dit évènement certain. 1.8 Soient A et B deux évènements de P( ): A et B sont dits disjoints ou incompatibles si A \ B = ; 1.9 Un système complet d’évènements (ou partition de ) est une famille (Ai )1 i n d’évènements de tels que : 8 (i; j) 2 [[1; n]]2 ; i 6= j =) Ai \ Aj = ; c’est à dire que les évènements Ai sont deux à deux incompatibles. n S Ai = i=1 2 / Notations : ! est un résultat possible de l’épreuve !2 f!g ! est un évènement élémentaire A A est un évènement A évènement contraire de A A\B signi…e que A et B sont réalisés A[B signi…e que A ou B sont réalisés ( ’ou’inclusif ) AnB signi…e que A est réalisé mais pas B A B signi…e que soit A soit B est réalisé, mais pas les deux ( ’ou’exclusif ) A B signi…e que la réalisation de A implique celle de B 5 . 3 / Probabilités : 3.1 Dé…nition : Soit ( ; P( )) un espace probabilisable …ni, on appelle probabilité toute application P dé…nie de P( ) vers [0; 1] et véri…ant les conditions suivantes : P[ ] = 1 Pour toute famille (Ai )1 i n d’évènements deux à deux incompatibles on a : n n S P P Ai = P [Ai ] i=1 i=1 3.2 Vocabulaire: Le triplet ( ; P( ); P ) est appelé espace probabilisé …ni. Pour tout évènement A de P( ); le réel P [A] est appelé probabilité de l’évènement A: 3.3 Propriétés: Soit ( ; P( ); P ) un espace probabilisé …ni. 3.3.1 3.3.2 3.3.3 3.3.4 3.3.5 3.3.6 P [A] = 1 P [A] P [;] = 0 P [A8B] = P [A] P [A \ B] Si A B alors P [A] P [B] P [A [ B] = P [A] + P [B] P [A \ B] Inégalité de Boole : soit (Ai )1 i n une famille d’évènements, n n S P alors P Ai P [Ai ] i=1 i=1 3.4 Formule du crible (ou de Poincarré): Soit (Ai )1 i n une famille d’évènements , alors n n S P P P Ai = P [Ai ] P [Ai1 \ Ai2 ] + i=1 i=1 n+1 .............+( 1) 1 i1 <i2 n P [Ai1 \ Ai2 \ :::::: \ Ain ] P 1 i1 <i2 <i3 n P [Ai1 \ Ai2 \ Ai3 ] + 3.5 Formule du crible pour un système complet d’évènements: Si (Ai )1 i n est un système complet d’évènements alors P n S Ai = i=1 3.6 Théorèmes : n P P [Ai ] i=1 Soit = f! 1 ; ! 2 ; :::; ! n g et soient p1 ; p2 ; ::::; pn n nombres réels , n P 3.6.1 Si 8 i 2 [[1; n]] pi 0 et pi = 1 alors l’application P dé…nie pour i=1 tout i de [[1; n]] par P [f! i g] = pi est une probabilité et est unique. 3.6.2 Réciproquement, si P est une probabilité telle que 8 i 2 [[1; n]] n P alors 8i 2 [[1; n]] : pi 0 et pi = 1 P [f! i g] = pi i=1 6 . 3.7 Probabilité uniforme.: 3.7.1 Dé…nition .: probabilité uniforme ou equiprobabilité Il y a équiprobabilité lorsque les probabilités de tous les évènements élémentaires sont égales ; on parle alors de probabilité uniforme. 3.7.2 Théorème : S’il y a équiprobabilité alors pour tout évènement A de P( ) on a : card(A) P [A] = . card( ) 4 / Probabilités conditionnelles : 4.1 Dé…nition : probabilité conditionnelle Soit ( ; P( ); P ) un espace probabilisé …ni et soient A et B deux évènements de P( ): On appelle probabilité conditionnelle de l’évènement B sachant que A est réalisé l’application PA dé…nie si P [A] n’est pas nulle par : P [A \ B] 8 B 2 P( ) PA [B] = P [B=A] = P [A] Remarque : P [A \ B] = P [B=A] P [A] = P [A=B] P [B] 4.2 Propriétés : 4.2.1 L’application PA est une probabilité. 4.2.2 P [B=A] = 1 P [B=A] 4.2.3 P [(B1 [ B2 )=A] = P [B1 =A] + P [B2 =A] P [(B1 \ B2 )=A] 4.3 Formule des probabilités composées : ou du ”conditionnement successif ” Soit (Ai )1 i n une famille d’évènements telle que P [A1 \ A2 \ :::: \ An 1 ] 6= 0, alors n T P Ai = P [A1 ] P [A2 =A1 ] P [A3 =(A1 \ A2 )] ::::: P [An =(A1 \ A2 \ :::: \ An 1 )] i=1 4.4 Formule des probabilités totales : Soit (Ai )1 i n un système complet d’évènements de probabilités non nulles . Pour toutn évènement B on a n P P P [B] = P [Ai \ B] = P [Ai ] P [B=Ai ] i=1 i=1 Cas particulier : si P [A] et P A sont non nulles alors P [B] = P [A] P [B=A] + P A P [B=A] 4.5 Formule de Bayes: Soit (Ai )i2I un système complet d’évènements de probabilités non nulles et soit B un évènement tel que P [B] 6= 0 P [Ai ] P [B=Ai0 ] pour tout i0 2 I ; on a : P [Ai0 =B] = P 0 P [Ai ] P [B=Ai ] i2I 7 . 5 / Indépendance en probabilité : 5.1 Dé…nition : évènements indépendants Soit ( ; P( ); P ) un espace probabilisé …ni. Deux évènements A et B de P( ) sont dits indépendants pour la probabilité P si et seulement si P [A \ B] = P [A] P [B] ou encore : P [B=A] = P [B] et P [A=B] = P [A] 5.2 Propriétés : Si deux évènements A et B de P( ) sont indépendants pour la probabilité P alors : A et B ; A et B; A et B le sont également pour P . 5.3 Propriétés : Si P [A] = 0 ou P [A] = 1 alors A est indépendant de tout autre évènement. 5.4 Dé…nition famille mutuellement indépendante : Dans ( ; P( ); P ); la famille d’évènements (Ai )1 i n est dite mutuellement indépendante pour la probabilité P si pour toute partie I incluse dans [[1; n]] T Q on a : P Ai = P [Ai ] i2I i2I 5.5 Dé…nition : évènements deux à deux indépendants : Dans ( ; P( ); P ); la famille (Ai )1 i n est une famille d’évènements deux à deux indépendants pour la probabilité P si 8 (i; j) 2 [[1; n]]2 avec i 6= j on a : P [Ai \ Aj ] = P [Ai ] P [Aj ] 5.6 Propriétés : L’indépendance mutuelle entraine l’indépendance deux à deux. Attention : la réciproque est fausse. 5.7 Propriétés : Dans ( ; P( ); P ); si la famille (Ai )1 i n est mutuellement indépendante, (respectivement si les évènements sont deux à deux indépendants ) alors la famille (Bi )1 i n où Bi désigne soit Ai soit Ai est également une famille mutuellement indépendante, (respectivement , ses évènements sont deux à deux indépendants ). 5.8 Dé…nition : épreuves indépendantes Des épreuves sont dites indépendantes si les évènements associés à ces épreuves sont mutuellement indépendants. 8 COURS VarAlCO BCPST1 CHAPITRE : 20 VARIABLES ALEATOIRES REELLES 1 Variable aléatoire réelle : 1.1 Dé…nition : Soit ( ; P( )) un espace probabilisable …ni, on appelle variable aléatoire réelle toute application X dé…nie de vers R . !R X : On note X( ) l’ensemble des valeurs prises par X : ! ! X(!) Une variable aléatoire est dite discrète si X( ) est un ensemble dénombrable. Elle est dite discrète et …nie si X( ) est un ensemble …ni. Elle est dite discrète et in…nie si X( ) est un ensemble dénombrable et in…ni. 1.2 Restrictions : Dans ce chapitre , X( ) est un ensemble …ni donc : X( ) = fx1 ; x2; ::::::; xn g On parle alors de variable aléatoire discrète sur un ensemble …ni. 1.3 Notations : 8 i 2 f1; 2; :::::; ng, l’évènement (X = xi ) est noté X X 1 (fxi g) = f! ; ! 2 = X(!) = xi g 8 (a; b) 2 R2 , l’évènement (a < X X 1 ([a; b[) = f! ; ! 2 =a 8 x 2 R , l’évènement (X X 1 (] 1; x]) = f! ; ! 2 b) est noté X 1 1 (fxi g) (]a; b]) X(!) < bg x) est noté X = X(!) 1 (] 1; x]) xg 1.4 Propriétés : Soit ( ; P( )) un espace probabilisable …ni, soient X et Y deux v.a.r. dé…nies sur ( ; P( )) ; soit un nombre réel alors les applications : X + Y ; X ; XY ; sup(X; Y ) et inf(X; Y ) sont des v.a.r. dé…nies sur ( ; P( )): 2 Loi de probabilité d’une variable aléatoire réelle : 2.1 Dé…nition : Soit X une variable aléatoire réelle dé…nie sur un espace probabilisé ( ; P( ); P ) . Soit X( ) = fx1 ; x2; ::::::; xn g . Dé…nir la loi de probabilité de la v.a.r X c’est donner les valeurs de P [X = xi ] pour tout i de [[1; n]] : On parle aussi de loi de distribution de X: Dans la pratique on ordonne X( ) sous forme d’une suite strictement croissante et l’on note souvent pi = P [X = xi ] 9 2.2 Théorème : La donnée de n 8 couples (xi ; pi ) est la loi de probabilité d’une v.a.r. si et < 8 i 2 [[1; n]] ; pi 0 n P seulement si : pi = 1 : i=1 3 Fonction de répartition d’une variable aléatoire réelle : 3.1 Dé…nition : Soit X une variable aléatoire réelle dé…nie sur un espace probabilisé ( ; P( ); P ) . On appelle fonction de répartition de la v.a.r. X, la fonction F dé…nie par : 8 x 2 R ; F (x) = P [X x] 3.2 Propriétés : Soit F la fonction de répartition d’un v.a.r. X dé…nie sur ( ; P( ); P ) avec X( ) = fx1 ; x2; ::::::; xn g et x1 < x2 < :::::: < xn 3.2.1 F (x) 2 [0; 1] 3.2.2 F est croissante sur R 3.2.3 8 (a; b) 2 R2 = a < b ) F (b) F (a) = P [a < X 3.2.4 8 x 2 ] 1; x1 [ F (x) = 0 3.2.5 8 k 2 [[1; n 1]] 8 x 2 [xk ; xk+1 [ F (x) = 3.2.6 8 x 2 [xn ; +1[ F (x) = 1 3.2.7 8 i 2 [[2; n]] pi = F (xi ) k P b] pi i=1 F (xi 1 ) 4 Espérance d’une variable aléatoire réelle : Soit X une variable aléatoire réelle dé…nie sur ( ; P( ); P ) admettant pour loi : f(xi ; pi ) = 1 i ng 4.1 Dé…nition : On appelle espérance mathématique ( ou moyenne ) de X n P le nombre réel : E[X] = xi pi : i=1 4.2 Dé…nition : Une variable d’espérance nulle est dite variable centrée. 4.3 Propriétés : 4.3.1 8 (a; b) 2 R2 4.3.2 X E[aX + b] = aE[X] + b 0 =) E[X] 0 4.3.3 Cas d’une variable certaine Si X = c alors X est une v.a.r. certaine et E[X] = c 4.4 Théorème : dit ”du transfert” Soit X une v.a.r., si f 2 A(R; R) alors f (X) est une v.a.r. et E[f (X)] = n P f (xi )pi : i=1 10 5 Moments, variance et écart type d’une variable aléatoire réelle : Soit X une variable aléatoire réelle dé…nie sur ( ; P( ); P ). 5.1 Dé…nitions : 5.1.1 Soit r 2 N ; on appelle moment d’ordre r de la v.a.r. X le nombre n P mr (X) = (xi )r :pi m1 (X) = E[X] m2 (X) = E[X 2 ] i=1 n P E[X])2 ] = (xi i=1 p 5.1.3 On appelle écart type de X le nombre réel (X) = V (X) E[X])2 pi 5.1.2 On appelle variance de X le nombre V (X) = E[(X 5.2 Remarques : La variance de X est la moyenne pondérée des carrés des écarts de X à son espérance. (X) mesure donc la dispersion de X autour de son espérance E[X]: 5.3 Dé…nition : Si V (X) = 1 alors X est dite variable réduite 5.4 Propriétés : 5.4.1 V (X) 0 5.4.2 Si X est certaine (ou constante ) alors V (X) = 0. 5.4.3 Si V (X) = 0 alors P (X = E[X]) = 1; X est dite presque sûrement certaine 5.4.4 Formule de Huyghens-Koënig : V (X) = E[X 2 ] 5.4.5 8 (a; b) 2 R2 5.4.6 8 (a; b) 2 R2 (E[X])2 V (aX + b) = a2 V [X] (aX + b) = jaj : (X) 5.4.7 Inégalité de Markov Soit X une v.a.r. positive alors 8 > 0 ; P( X 5.4.8 Inégalité de Bienaymé-Tchébychev : 8 " > 0 ; P ( j X ) E[X] : E[X] j V (X) "2 " ) 6 Lois usuelles : Soit X une variable aléatoire réelle dé…nie sur ( ; P( ); P ) admettant pour loi : f(xi ; pi ) = 1 i ng 6.1 Loi uniforme sur [[1; n]]: 6.1.1 Dé…nition : X suit la loi uniforme si et seulement si : 8 i 2 [[1; n]] P [X = xi ] = 1 n 6.1.2 Propriétés : Dans le cas particulier où : X( ) = f1; ::::; ng alors E[X] = n+1 2 6.2 Loi de Bernoulli B(1; p): 6.2.1 Dé…nition : Soit p 2 [0; 1]. Une v.a.r. X suit la loi de Bernoulli de paramètre p si et seulement si : X( ) = f0; 1g avec P [X = 1] = p et P [X = 0] = 1 p: On pose q = 1 p On note une telle loi : B(1; p) et l’on écrit : X ,! B(1; p) 11 6.2.2 Interprètation : Une épreuve de Bernoulli est une expérience aléatoire n’ayant que deux issues possibles et e¤ectuée une seule fois. X = 1 si l’issue est un succès et X = 0 si l’issue est un échec. 6.2.3 Propriétés : Si X ,! B(1; p) alors : E[X] = p et V [X] = p:q 6.3 Loi binomiale B(n; p): 6.3.1 Dé…nition : Soit p 2 [0; 1] on pose q = 1 p ; la v.a.r. X suit la loi binomiale de paramètres n et p si et seulement si : X( ) = f0; 1; ::::; ng avec : 8 k 2 [[0; n]] n k n k P [X = k] = k :p :q : On note une telle loi : B(n; p) et l’on écrit X ,! B(n; p): 6.3.2 Interprétation : On considère une suite de n épreuves de Bernoulli indépendantes et de même paramètre p: La v.a.r. X égale au nombre de succès obtenus, suit la loi binomiale B(n; p) 6.3.3 Domaine d’application : Dans un ensemble E de N éléments on étudie un caractère C. Soit p la proportion d’éléments de E possédant ce caractère C; Si on extrait au hasard, avec ordre et remise, une suite de n éléments de E alors la v.a.r. X qui indique le nombre d’éléments possédant le caractère …xé, suit la loi binomiale B(n; p) 6.3.4 Propriétés : si X ,! B(n; p) alors : E[X] = n.p et V [X] = n:p:q 6.4 Loi hypergéométrique H(N; n; p): 6.4.1 Dé…nition : Soient N 2 N ; n 2 N ; p 2 [0; 1] = N:p 2 N , q = 1 p: Une v.a.r. X suit la loi hypergéométrique de paramètres N ; n et p si et seulement si : X( ) f0; 1; ::::; ng et 8 k 2 X( ) P [X = k] = N:p k N:q n k N n : On note une telle loi : H(N; n; p) et l’on écrit X ,! H(N; n; p) 6.4.2 Domaine d’application : Dans un ensemble E de N éléments on étudie un caractère C. Soit p la proportion d’éléments de E possédant ce caractère C. Si l’on extrait une poignée de n éléments de E alors la v.a.r. X indiquant le nombre d’éléments possédant le caractère C, suit la loi hypergéométrique H(N; n; p) 6.4.3 Propriétés : Si X ,! H(N; n; p) alors : E[X] = n.p 6.5 Approximation d’une loi hypergéométrique par une loi binomiale : 6.5.1 Théorème : Lorsque N tend vers +1 la loi hypergéométrique H(N; n; p) converge vers la loi binomiale B(n; p) 6.5.2 Condition d’approximation : Dans la pratique cette approximation est possible dès que N > 10:n 12 COURS CplVarCO BCPST1 CHAPITRE : 21 COUPLE ET SUITE DE V.A.R. 1 Loi conjointe d’un couple de variables aléatoires réelles : 1.1 Dé…nition : Soit (X; Y ) un couple de v.a.r. dé…nies sur ( ; P( ); P ) On pose X( ) = fx1 ; x2; ::::::; xr g et Y ( ) = fy1 ; y2; ::::::; ys g On appelle loi de probabilté du couple (X; Y ) ou loi conjointe de X et de Y les triplets (xi ; yj ; pij ) avec (i; j) 2 [[1; r]] [[1; s]] et pij = P [(X = xi ) \ (Y = yj )] 1.2 Propriétés : La donnée de triplets (xi ; yj ; pij ) avec (i; j) 2 [[1; r]] [[1; s]] est la loi de probabilité 8 < 8 (i; j) 2 [[1; r]] [[1; s]] pij 0 r P s d’un couple de v.a.r. si et seulement si P pij = 1 : i=1 j=1 2 Lois marginales d’un couple de variables aléatoires réelles : 2.1 Dé…nition : Soit (X; Y ) un couple de v.a.r. dé…nies sur ( ; P( ); P ): Chacune des lois X et Y est appelée variable marginale du couple (X; Y ) . Les lois des v.a.r. X et Y sont appelées lois marginales : On note ces lois : P [X = xi ] = pi et P [Y = yj ] = p j 2.2 Propriétés : Connaissant la loi de probabilité d’un couple de v.a.r. (X; Y ); on détermine les lois s P de X et Y en posant : 8 i 2 [[1; r]] ; pi = P [X = xi ] = pij et 8 j 2 [[1; s]] ; p j = P [Y = yj ] = r P j=1 pij i=1 13 3 Lois conditionnelles d’un couple de variables aléatoires réelles : 3.1 Dé…nition : Soit (X; Y ) un couple de v.a.r. dé…nies sur ( ; P( ); P ) on appelle : Loi conditionnelle de X sachant (Y = yj ), la donnée pour tout xi de : P [ (X = xi ) \ (Y = yj ) ] pij P [ (X = xi ) = (Y = yj ) ] = = P [Y = yj ] pj Loi conditionnelle de Y sachant (X = xi ), la donnée pour tout yj de : P [ (X = xi ) \ (Y = yj ) ] pij P [ (Y = yj ) = (X = xi ) ] = = P [X = xi ] pi 4 Somme , produit et image d’un couple de variables aléatoires réelles : 4.1 Dé…nition : loi de la somme et du produit Soit (X; Y ) un couple P de v.a.r. dé…nies sur ( ; P( ); P ); P [X + Y = z] = P [ (X = xi ) \ (Y = yj ) ] et xi +yj =z P P [X Y = z] = P [ (X = xi ) \ (Y = yj ) ] xi yj =z 4.2 Propriété : espérance de l’image Soit (X; Y ) un couple de v.a.r. dé…nies sur ( ; P( ); P ); soit u une fonction de X( ) Y ( ) vers R . Si Z est la v.a.r.!dé…nie par : Z = u(X; Y ) P P alors E[ Z ] = u(xi ; yj )pij xi 2X( ) yj 2Y ( ) ! r s P P 4.2.1 en particulier : E[ X Y ] = xi yj pij i=1 j=1 4.3 Propriété : linéarité de l’espérance ( ; ) 2 R2 E[ :X + :Y ] = :E[ X ] + :E[ Y ] 5 Covariance, coe¢ cient de corrélation linéaire : 5.1 Dé…nition : Soit (X; Y ) un couple de v.a.r. dé…nies sur ( ; P( ); P ); On appelle covariance de X et Y le nombre : cov(X; Y ) = E[(X E(X)):(Y E(Y ))] 5.2 Propriétés : 5.2.1 cov(X; Y )=cov(Y; X) 5.2.2 V (X) = cov(X; X) 5.2.3 cov(X; Y ) = E[XY ] E[X]:E[Y ] ou E[XY ] = E[X]:E[Y ] + cov(X; Y ) 5.2.4 8 (a; b; c; d) 2 R4 cov(aX + b; cY + d) = a:c:cov(X; Y ) 14 . 5.2.5 V (X + Y ) = V (X) + V (Y ) + 2:cov(X; Y ) 5.2.6 V (X Y ) = V (X) + V (Y ) 2:cov(X; Y ) 5.2.7 8 (a; b) 2 R2 V (a:X + b:Y ) = a2 :V (X) + b2 :V (Y ) + 2:a:b:cov(X; Y ) 5.3 Dé…nition : Soient X; Y deux v.a.r. d’écarts types non nuls. On appelle coe¢ cient de corrélation linéaire des v.a.r. X et Y le nombre : cov(X; Y ) ( X; Y ) = (X): (Y ) 5.4 Propriétés : 5.4.1 8 (a; b; c; d) 2 R4 ( a:X + b; cY + d ) = ": ( X; Y ) avec " = 1 si a:c > 0 et " = 1 si a:c < 0 5.4.2 On a toujours 1 (X; Y ) 1 5.4.3 j (X; Y ) j = 1 si et seulement si il existe deux nombres réels a et b tels que: P ( Y = aX + b ) = 1 6 Indépendance d’un couple de variables aléatoires réelles : 6.1 Dé…nition : Soit (X; Y ) un couple de v.a.r. dé…nies sur ( ; P( ); P ) . les v.a.r. X et Y sont dites indépendantes si 8 i 2 [[1; r]] et 8 j 2 [[1; s]] on a : P [ (X = xi ) \ (Y = yj ) ] = P [ X = xi ] P [Y = yj ] 6.2 Propriétés : Soit (X; Y ) un couple de v.a.r. 6.2.1 (X; Y ) indépendantes =) E[ X 6.2.2 (X; Y ) indépendantes =) cov[X; Y ] = 0 6.2.3 (X; Y ) indépendantes =) V [ X + Y ] = V [ X ] + V [ Y ] 6.2.4 (X; Y ) indépendantes =) V [ X 6.2.5 (X; Y ) indépendantes =) (X; Y ) = 0 Y ] = E[ X ] E[ Y ] Y ]=V[ X ]+V[ Y ] 6.3 Propriété : Soit (X; Y ) un couple de v.a.r. indépendantes dé…nies sur ( ; P( ); P ). Soit f et g deux fonctions numériques dé…nies respectivement sur X( ) et Y ( ) alors f (X) et g(Y ) sont deux v.a.r. indépendantes dé…nies sur ( ; P( ); P ) 15 7 Généralisation au cas de n variables aléatoires réelles : 7.1 Dé…nition : Soient X1 ; X2 ; :::; Xn n v.a.r. dé…nies sur ( ; P( ); P ) La loi de probabilité du vecteur aléatoire (X1 ; X2 ; :::; Xn ) ou loi conjointe des n v.a.r. X1 ; X2 ; :::; Xn est l’ensemble : n T (x1 ; x2 ; :::; xn ) ; P (Xi = xi ) = 8 i 2 [[1; n]] ; xi 2 Xi ( ) i=1 La loi de la v.a.r. Xi est appelée loi marginale de Xi : 7.2 Dé…nition : Espérance d’une somme Soient X1 ; X2 ; :::; Xn n v.a.r. dé…nies sur ( ; P( ); P ). Soient n n P P E ( i :Xi ) = i :E [Xi ] i=1 1; 2 ; :::; n n réels, i=1 7.3 Dé…nition : Soient X1 ; X2 ; :::; Xn n v.a.r. indépendantes dé…nies sur ( ; P( ); P ). Les variables X1 ; X2 ; :::; Xn sont dites deux à deux indépendantes lorsque : 8 (i; j) 2 [[1; n]]2 i 6= j Xi et Xj sont indépendantes. C’est à dire : P [(Xi = xi ) \ (Xj = xj )] = P [(Xi = xi )] P [(Xj = xj )] 7.4 Dé…nition : Soient X1 ; X2 ; :::; Xn n v.a.r. indépendantes dé…nies sur ( ; P( ); P ). Les variables X1 ; X2 ; :::; Xn sont dites mutuellement indépendantes lorsque : toute sous famille (Xi1 ; Xi2 ; :::; Xik ) de k v.a.r. extraites de (Xi )1 i n véri…e i=k i=k T Q P (Xi = xi ) = P (Xi = xi ): i=1 i=1 Remarque : Si des v.a.r. sont muellements indépendantes alors elle le sont deux à deux. La réciproque est fausse. 7.5 Propriété : Si X1 ; X2 ; :::; Xn sont n v.a.r. de Bernouilli indépendantes et de n P même paramètre p dé…nies sur ( ; P( ); P ) alors la v.a.r Xi i=1 suit la loi binomiale de paramètres n et p 7.6 Propriété : Soient X1 ; X2 ; :::; Xn n v.a.r. indépendantes dé…nies sur ( ; P( ); P ). alors toute sous famille extraite est également indépendante. 7.7 Propriété : Soient X1 ; X2 ; :::; Xn n v.a.r. indépendantes dé…nies sur ( ; P( ); P ). 7.7.1 Soit f et g deux fonctions numériques alors f (X1 ; X2 ; :::; Xn ) et g(X1 ; X2 ; :::; Xn ) sont deux v.a.r. indépendantes. 7.7.2 Soit p 2 [[1; n]] et soit (fi )1 i p une famille de p fonctions numériques alors f1 (X1 ); f2 (X2 ); ::::::; fp (Xp ) sont indépendantes. 7.8 Propriété : variance d’une somme de n v.a.r. Soient X1 ; X2 ; :::; Xn n v.a.r. dé…nies sur ( ; P( ); P ) n n n P P P V Xi = V (Xi ) + 2: cov(Xi ; Xj ) i=1 i=1 1 i<j n 16