Probabilités: Formulaire

2019-2020

ENCG-C Éléments de Probabilités

Théorème: Définition: La probabilité Théorème: E et F sont indépendants ⇔ P (E ∩ F) = P (E) × P (F).

A ∪ B = A ∩ B, A ∩ B = A ∪ B. de E sachant F est:
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C). P (E∩F)
P (E|F) = P (F) . Théorème: Si E1 , E2 , . . . , En est une partition de l’ensemble fondamen-
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C). tal, et, A un événement quelconque, alors:
Théorème: P (F|E) × P (E) = P (A) = n
P
P (E|F) × P (F) = P (E ∩ F); i=1 P (Ei )P (A|Ei ).
ENCGP (E ∩ F ∩ G) =
P (E) = 1 − P (E). P (E)×P (F|E)×P (G|E∩F). Théorème: Si E1 , E2 , . . . , En une est partition de l’ensemble fondamen-
P (E ∪ F) = P (E) + P (F) − P (E ∩ F). tal, et, A un événement quelconque, alors:
Définition: E1 , . . . , En une parti- Définition: E et F sont dits in-
P (E )P (A|Ei )
tion de Ω ssi Ei ∩ Ej = ∅ ∀i , j , dépendants si: P (E|F) = P (Ei |A) = Pn i , i = 1, . . . , n.
et, E1 ∪ · · · ∪ En = Ω. P (E). i=1 P (Ei )P (A|Ei )

ENCG-C

ENCG-C Variable Aléatoire Discrète

n   o
Définition: Une variable aléatoire (v.a.) discrète X est dite de loi: x1 , P (X = x1 ) , . . . , xk , P (X = xk ) , pour k fini ou infini, si x1 , x2 , . . . , xk représentent les seules
Pk
possibilités de X et que: x1 < x2 < · · · < xk et i=1 P (X = xi ) = 1.

Définition: Si X est de loi {(x1 , p1 ), . . . , (xk , pk )} , alors Loi de

n Bernoulli o Ber(p):
sa fonction de répartition est: E(X) = p et V ar(X) = pq.
X ∼ (0, q), (1, p) .


 0 si x < x1 ;
X



 ...
F(x) = pi =  p1 + · · · + pi si xi ≤ x < xi+1 ; Loi binomiale B(n; p):


... E(X) = np et V ar(X) = npq.

xi ≤x 

P (X = `) = Cn` p` qn−` ,

p1 + · · · + pk = 1 si x ≥ xk .

` = 0, . . . , n.

Définition: Si X est de loi {(x p1 ), . . . , (xk , pk )} , alors

 1 ,P
Loi géométrique G(p): q
E(X) = ki=1 pi xi ,
P
E g(X) = ki=1 pi g(xi ). E(X) = p1 et V ar(X) = 2 .
p
 2 P (X = `) = pq`−1 , ` = 1, 2, 3, . . .
Var(X) = ki=1 pi xi − E(X) .
P
 2
Var g(X) = ki=1 pi g(xi ) − E g(X) .
  P 
Loi de Poisson P (λ):
Théorème:
E(a) = a, E(aX + b) = aE(X) + b, E(X) = λ et V ar(X) = λ.
e−λ λ`
Var(a) = 0, Var(aX + b) = a2 Var(X). P (X = `) = , ` = 0, 1, 2, . . .
`!
ENCG-C

ENCG-C Variable Aléatoire Continue

Définition: X est une v.a. continueZ de densité f : R → R+ , (b−a)2

Loi uniforme sur [a, b]: E(X) = a+b
2 et V ar(X) = 12 .
si ∀A ⊆ R on a: P (X ∈ A) = f (x)dx.
A 1

si a ≤ x ≤ b;
 
0 si x < a;


 b−a 

f (x) =  x−a
 

F(x) =  si a ≤ x < b;

 

 0 sinon. 
 b−a
Définition: La fonction de répartition F de X de densité f 1 si x≥b


Rx
est définie par: F(x) = P (X ≤ x) = −∞ f (x)dx.
Remarque:
Loi Normale N (µ; σ ): Loi Normale N (0; 1):
1. f (x) = F 0 (x), ∀x ∈ R.
(x − µ)2
( )
1 1
( 2)
x
Rb f (x) = √ exp − f (x) = √ exp −
2. P (a ≤ X ≤ b) = F(b) − F(a) = a f (x)dx. σ 2π 2σ 2
2
E
2π
Théorème: Si X ∼ N (µ; σ ) alors: Théorème: Si X ∼ N (0; 1) alors:
Définition: X−µ
R +∞   R +∞ 1. Z = σ ∼ N (0; 1). 1. ∀x ∈ R : F(−x) = 1 − F(x).
E(X) = −∞ xf (x)dx, E g(X) = −∞ g(x)f (x)dx.
R +∞
Var(X) = −∞ (x − E(X))2 f (x)dx. 2. E(X) = µ et Var(X) = σ 2 . 2. E(X) = 0 et Var(X) = 1.
  R +∞  2
Var g(X) = −∞ g(x) − E(g(X)) f (x)dx. Remarque:
Théorème:
Z +∞ ( 2)
√ Z +∞ ( 2)
√ Z +∞ ( 2)
E(a) = a, E(aX + b) = aE(X) + b, x x x
exp − dx = 2π, x2 exp − dx = 2π, x exp − dx = 0
Var(a) = 0, Var(aX + b) = a2 Var(X). −∞ 2 −∞ 2 −∞ 2

ENCG-C