Chapitre 2 Rappels de probabilités
Chapitre 2: Rappels de probabilités
1. Probabilités élémentaires
1.1. Arrangements, nombre
Soit E un ensemble à n éléments.
On appelle arrangement de p éléments de E toute suite de p éléments distincts de E.
Exemples :
– E = {1, 2, 3, 4, 5, 6}
(3, 1, 6, 5) est un arrangement de 4 éléments de E
(3, 1, 3, 4) n’est pas un arrangement.
(1, 2, 5) et (5, 1, 2) sont deux arrangements distincts de 3 éléments de E.
– E = {R, V, B}
Les arrangements d’un élément de E sont les singletons (R), (V), (B).
Ceux de deux éléments sont les couples (R, B), (B, R), (R, V), (V, R), (B, V) et (V, B).
– si card E = n et p > n, alors il n’existe pas d’arrangement de p éléments.
Propriété 1 (Nombre d’arrangements)
Soit le nombre défini par = n! / (n − p)! = n(n − 1) . . . (n − p + 1) si 0 ≤ p ≤ n,
et = 0 si p > n ≥ 0. Alors est le nombre d’arrangements de p éléments d’un ensemble
à n éléments.
1.2. Combinaisons, nombre (p parmi n)
Soit E un ensemble à n éléments.
On appelle combinaison de p éléments de E toute collection non ordonnée de p éléments
distincts de E, c’est-à-dire toute partie de E contenant p éléments.
Exemples :
– E = {1, 2, 3, 4, 5, 6}
{1, 3, 5, 6} est une combinaison de 4 éléments de E.
1
Chapitre 2 Rappels de probabilités
{1, 2, 5} et {5, 1, 2} sont en fait une et une seule combinaison ({1, 2, 5}={5, 1, 2}) de 3
éléments de E.
– E = {R, V,B}
Il n’y a que trois combinaisons de deux éléments de E : {R, B},{R, V} et {V, B}.
Propriété 2 (Nombre de combinaisons)
est le nombre de combinaisons de p éléments dans un ensemble à n éléments.
2. Lois discrètes classiques en probabilités
2.1. Variables aléatoires
Définition
Une variable aléatoire est une application de l’univers Ω dans R.
La variable aléatoire est dite discrète si l’ensemble X(Ω) est discret, c’est à dire qui ne prend
que des valeurs ponctuelles, isolées, typiquement N ou Z.
2.2. Exemples de v.a
Le résultat d’un lancé de dé. On a alors,
Soit le jeu consistant à lancer une pièce et gagner 1 euro si pile, rien sinon. Soit X = le gain à
l’issue d’un lancé.
Le nombre de piles obtenus sur 4 lancés d’une pièce.
2.3. Loi d’une v.a discrète
Définition
On appelle loi d’une v.a discrète la donnée de tous les P(X = xi) lorsque xi prend toutes les
valeurs possibles dans X(Ω).
2
Chapitre 2 Rappels de probabilités
On note invariablement P[{X = x}]; P[X = x]; ou parfois PX (x) pour la probabilité que X
prenne la valeur x.
Donner la loi d’une variable aléatoire revient alors à donner les probabilités des évènements
élémentaires qu’elle induit, et on présente souvent ces données sous forme d’un tableau. En
notant d’une manière générale
X(Ω)= (xi )i=1;...;N = (x1, x2, ... , xN) pour une variable aléatoires à N valeurs possibles (qui ne
sont pas forcément (1, 2, ... , N), on a :
où l’on note respectivement p1 = P(X = x1), p2 = P[X = x2],... , pN = P[X = xN].
2.4. Espérance
Définition
L’espérance mathématique E[X] d’une variable aléatoire X joue le rôle dévolu à la moyenne
en statistiques : elle correspond à la valeur moyenne espérée par un observateur lors d’une
réalisation de la variable aléatoire X. On a :
lorsque X peut prendre N valeurs différentes x1,..., xN avec comme probabilités élémentaires pi
= P[X = xi ].
2.5. Variance
Définition
La variance mesure la déviation moyenne autour de la moyenne espérée E[X], et est définie
par
Elle est toujours positive puisqu’il s’agit de l’espérance d’un carré.
Autre expression de la variance :
3
Chapitre 2 Rappels de probabilités
Définition
Pour mesurer la dispersion d’une variable aléatoire X, on considère souvent en statistiques
l’écart-type, lié à la variance par :
2.6. Propriétés de l’espérance et de la variance
Proposition (Linéarité de l’espérance)
Si X et Y sont deux variables aléatoires définies sur le même univers Ω et a, b deux réels,
E[aX + bY] = aE[X] + bE[Y]
En particulier, E[aX] = aE[X].
Proposition (Non-linéarité de la variance)
Pour toute variable aléatoire X et a, b ∈ R
Proposition (Inégalité de Markov)
Soit X une variable aléatoire positive d’espérance finie, alors pour tout a > 0
3. Lois classiques discrètes
3.1. Loi uniforme
Elle modélise des situations d’équiprobabilités.
Définition
On dit qu’une variable aléatoire X suit une loi uniforme discrète lorsqu’elle prend ses valeurs
dans {1,..., n}avec des probabilités élémentaires identiques. Puisque la somme de ces
dernières doit valoir 1, on en déduit qu’elles doivent toutes être égales à un 1/n :
∀k = 1... n; P[X = k] = 1/n.
On calcule:
4
Chapitre 2 Rappels de probabilités
Exemple :
X = résultat d’un jet de dé à six faces.
Les n = 6 modalités possibles, x1 = 1, x2 = 2, x3 = 3, x4 = 4, x5 = 5, x6 = 6, ont toutes pour
probabilité élémentaire 1/6 :
∀k = 1 ... 6; P[X = k] = 1/6
E[X] = 7/2 ; V[X] = 35/12 .
3.2. Loi de Bernoulli
Définition
Cette loi est celle de toute variable aléatoire X modélisant une expérience dont l’issue ne
possède que deux alternatives de type "succès ou échec", "vrai ou faux", "marche ou arrêt",
pile ou face", etc. Un succès est représenté par l’évènement {X = 1} tandis que {X = 0}
correspond à un échec.
X(Ω) = {0, 1}. Puisque l’on a P[X = 0] = 1 - P[X = 1], la loi de X ne dépend que d’un
paramètre (la probabilité de succès) ; on parle alors de la loi de Bernoulli de paramètre p
caractérisée par
P[X = 1] = p;
P[X = 0] = 1 - p.
Exemple de base
On joue au Pile ou Face avec proba p de tomber sur Pile (et donc 1 - p de tomber sur Face).
Soit
1 si on obtient Pile
X=
0 sinon
alors X suit une Bernoulli (p).
3.3. Loi binomiale
Définition
La loi binomiale est la loi de probabilité d’une variable aléatoire représentant une série
d’épreuves de Bernoulli possédant les propriétés suivantes :
5
Chapitre 2 Rappels de probabilités
- Chaque épreuve donne lieu à deux éventualités exclusives de probabilités constantes p et q
= 1 - p.
- Les épreuves répétées sont indépendantes les unes des autres.
- La variable aléatoire X correspondante prend pour valeur le nombre de succès dans une
suite de n épreuves.
Cette loi est donc caractérisée par deux paramètres : n et p.
Lors d’une telle expérience, on dit que X suit une binomiale B(n, p), à valeurs dans X(Ω) = {0,
1, 2,..., n}.
On joue n fois au pile ou face.
Pour 1 ≤ i ≤ n, on pose
1 si on obtient Pile
X= au iiéme lancés:
0 sinon
Soit Y le nombre de "Piles" obtenus au cours des n lancés indépendants de la pièce.
Alors,
Y = X1 + X2 + ... + Xn
et Y suit une loi binomiale B(n, p).
Pour déterminer les probabilités des événements élémentaires d’une variable aléatoire suivant
une loi binomiale, il nous faut tout d’abord déterminer le nombre de possibilités d’obtenir k
succès au cours de n épreuves. Il s’agit de déterminer le nombre de combinaisons (non
ordonnées) de k objets pris parmi n, avec bien sûr k ≤ n. Les combinaisons sont non
ordonnées car seul importe d’avoir k objets (succès pour nous) et non pas à quel(s) tirage(s)
ces succès ont eu lieu. On connaît le nombre de possibilités de k succès, ( ) il suffit de
multiplier par les probabilités de succès et d’échec pour obtenir la loi binomiale.
On a donc :
Les probabilités élémentaires d’une variable aléatoire X suivant une loi binomiale B(n, p) sont
données pour tout nombre de succès k = 1... n par :
On a bien, en utilisant la formule du binôme,
6
Chapitre 2 Rappels de probabilités
Ainsi:
3.4. Loi de Poisson
Cette loi peut modéliser les événements rares. Par exemple, elle peut modéliser le nombre
d’appels reçus par un standard téléphonique, le nombre de voyageurs se présentant à un
guichet dans la journée, etc. Elle s’exprime à l’aide de la fonction exponentielle et dépend
d’un paramètre λ > 0, qui correspond au nombre moyen d’occurrences du phénomène observé
pendant la durée donnée.
Définition
Une variable aléatoire X suit une loi de Poisson de paramètre λ > 0, notée P(λ) lorsque X(Ω)
= N et pour tout k ∈ N
Exemple :
Si on sait qu’en général un standard téléphonique reçoit 20 appels dans la journée et que l’on
peut modéliser le nombre aléatoire d’appels par une loi de Poisson, on pourra calculer la
probabilité d’avoir k appels, pour tout k, à l’aide des formules données par une loi de Poisson
P(20).