Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6

Dimension: px
Commencer à balayer dès la page:

Download "Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6"

Transcription

1 Probabilités et Statistiques Raphaël KRIKORIAN Université Paris 6 Année

2 2

3 Table des matières 1 Rappels de théorie des ensembles Opérations sur les ensembles Applications entre ensembles Dénombrement Dénombrabilité Espaces Probabilisés et variables aléatoires Espace probabilisé Tribus Probabilité Exemples Variables Aléatoires Le cas particulier des v.a à valeurs dans un ensemble fini ou dénombrable Loi d une variable aléatoire Loi des variables aléatoires à valeurs dans un ensemble fini ou dénombrable Loi de variables aléatoires admettant une densité Espérance d une v.a Espérance d une v.a. à valeurs dans un ensemble fini (ou dénombrable) Espérance d une v.a. positive Espérance des v.a intégrables Formule de transfert Application au calcul de densité Espaces L 2, variance et Bienaymé-Tchébychev Variance Calculs de variance Inégalité de Markov et de Bienaymé-Tchebychev

4 4 TABLE DES MATIÈRES 3 Vecteurs aléatoires et Indépendance Vecteurs aléatoires Tribu borélienne de R m Vecteurs aléatoires Loi d un vecteur aléatoire Marginales Espérance et variance des vecteurs aléatoires Formule de transfert Calcul de densité de vecteurs aléatoires Variables aléatoires indépendantes Cas des v.a à valeurs dans un ensemble discret Cas des v.a admettant des densités Espérance des produits de v.a indépendantes Critères d indépendance Evènements indépendants Sommes de variables aléatoires indépendantes Lois des grands nombres dans le cas L Loi faible des grands nombres Loi forte des grands nombres Théorème de la limite centrale Convergence en loi Fonctions caractéristiques Démonstration du théorème de la limite centrale Quelques remarques sur les diverses notions de convergence Espérance conditionnelle Probabilités conditionnelles Espérance conditionnelle : cas discret Cas des v.a admettant des densités Indépendance

5 Chapitre 1 Rappels de théorie des ensembles Nous rappelons dans ce chapitre quelques notions élémentaires de théorie des ensembles. 1.1 Opérations sur les ensembles Un ensemble est intuitivement une collection d éléments. Etant donnés un ensemble E et un élément a on écrit a E si a est un élément de E. Il existe un unique ensemble ne contenant aucun élément; on le note. Si E et A sont deux ensembles on dit que F est inclus dans E ou que A est un sous-ensemble de E si tout élément de A est un élément de E et on écrit A E. On peut alors définir le complémentaire de A dans E qui est l ensemble des éléments de E qui n appartiennent pas à A. On le notera dans ce cours E A ou A c ; cette dernière notation cesse d être ambigüe si l on suppose E fixé une fois pour toute, ce que nous ferons. Si E est un ensemble, l ensemble constitué des sous-ensembles de E s appelle l ensemble des parties de E et se note P(E). Si (A i ) i I est une collection d ensembles inclus dans E, la réunion des A i est l ensemble i I A i des a E pour lesquels il existe i I tel que a A i. De même l intersection des A i est l ensemble i I A i des a E pour lesquels a A i pour tout i I. On dit que deux ensembles sont disjoints si leur intersection est vide. On dit que les ensembles A i, i I constituent une partition de l enemble E si i) ils sont non vides, ii) leur union sur i I vaut E iii) ils sont disjoints deux à deux (A i A j = si i j); on dit aussi que E est union disjointe des A i, i I. 5

6 6 CHAPITRE 1. RAPPELS DE THÉORIE DES ENSEMBLES On a les formules ( i I A i)c = i I A c i, ( i I A i)c = i I A c i. Si A 1,...,A n sont des ensembles on peut définir le produit cartésien de ces ensembles comme étant l ensemble des n-uplets (a 1,...,a n ) où a 1 A 1,...,a n A n. On note cet ensemble A 1 A n. Quand les A i sont finis son cardinal est le produit des cardinaux des A i. 1.2 Applications entre ensembles Si A et B sont deux ensembles, une application associe à tout élément a de A un unique élément noté f(a) de B. On dit que f(a) est l image de a par f. Un élément de B peut n être l image d aucun élément de A ou au contraire être l image de plusieurs éléments de A. On dit qu une application est injective si tout élément de B est l image d au plus un élément de A, surjective si tout élément de B est l image d au moins un élément de A et bijective si elle est injective et surjective. On note B A l ensemble des applications de A dans B. Quand A et B son finis son cardinal vaut (#B) #A. Si E est un ensemble fixé, l ensemble des parties de E est en bijection avec l ensemble des applications de E dans l ensemble à deux éléments {0, 1}. Cette bijection est la suivante : à tout ensemble A E on associe sa fonction caractéristique ou fonction indicatrice 1 A : E {0, 1} définie par 1 A (e) = 1 si e A et 1 A (e) = 0 sinon. Réciproquement si f est une application de E dans {0, 1} l ensemble A des e E tels que f(e) = 1 est tel que 1 A ( ) = f( ). En particulier, ceci démontre que quand E est fini le cardinal de P(E) est 2 #E. Si A 1,...,A n sont des sous-ensembles de E on a n 1 A1 A n = 1 Ai. Si f est une application de E dans F on définit pour tout B F l ensemble f 1 (B) comme étant l ensemble des e E tels que f(e) B. (Cette définition a un sens même si f n est pas inversible.) On dit que f 1 (B) est la pré-image de B par f. On a toujours ( ) f 1 A i = f 1 (A i ), i I i I f 1 ( i I i=1 ) A i = f 1 (A i ), f 1 (A c ) = i I ( f 1 (A)) c.

7 1.2. APPLICATIONS ENTRE ENSEMBLES 7 Attention le comportement par image directe n est pas aussi bon. Exercice i) Montrer que si A, B sont deux sous-ensembles de E on a 1 1 A B = (1 1 A )(1 1 B ), et en déduire que #(A B) = #A + #B #(A B). ii) En généralisant la formule précédente montrer que n #(A 1 A n ) = ( 1) p 1 #(A i1 A ip ). p=1 1 i 1 <...<i p n Solution. i) Pour tout ensemble F E 1 F c = 1 1 F. Donc 1 1 A B = 1 A c B c On a donc = 1 A c1 B c = (1 1 A )(1 1 B ). Or, pour tout ensemble F E On a donc bien la conclusion. ii) De façon générale, et donc 1 1 A1 A n = A B = 1 A + 1 B 1 A 1 B = 1 A + 1 B 1 A B. #F = e E 1 F (e). 1 1 A1 A n = = 1 + n ( 1) p p=1 n ( 1) p p=1 n (1 1 Ai ), i=1 1 i 1 <...<i p n 1 i 1 <...<i p n 1 Ai1 1 Aip 1 Ai1 A ip, et en sommant sur e E on obtient bien la formule annoncée.

8 8 CHAPITRE 1. RAPPELS DE THÉORIE DES ENSEMBLES 1.3 Dénombrement Cardinal d une union disjointe finie. Si A 1,...,A n sont des ensembles finis disjoints deux à deux tels que A 1 = E alors E et fini et #E = n #A i. i=1 Cardinal d un produit. Si A 1,...,A n sont des ensembles finis le cardinal du produit A 1 A n est donné par #(A 1 A n ) = (#A 1 ) (#A n ). Cardinal de l ensemble des applications de A dans B. Si A et B sont des ensembles finis, l ensemble des applications de A dans B est fini et à pour cardinal #(B A ) = (#B) #A. Nombre d injections entre deux ensmbles finis. Si A et B sont deux ensembles finis avec #A = p, #B = n, l ensemble des applications injectives de A vers B a un cardinal égal à { 0 si #A > #B n(n 1) (n p + 1) si p n. En effet, supposons A = {a 1,..., a p }; si p > n, il ne peut y avoir d applications injective de A vers B, tandis que si p n, il y a n choix possibles pour la valeur f(a 1 ), n 1 choix possibles pour la valeur de f(a 2 ) (comme f est injective f(a 2 ) ne peut pas prendre la même valeur que f(a 1 )) etc. n (p 1) = n p + 1 choix possibles pour f(a p ) C est aussi le nombre de p-uplet (ordonnés) (e 1,...,e p ) où e i E. Nombre de bijections de A vers A. Si A est un ensemble de cardinal n, une application de A vers A est bijective si et seulement si elle est injective et par conséquent le nombre de bijection de A vers A (on dit aussi le nombre de permutations de A) égale n! = n(n 1) 1.

9 1.3. DÉNOMBREMENT 9 Cardinal de P(E). Si E est fini de cardinal n, le nombre de sous-ensembles de E est égal au nombre d applications de E vers {0, 1} et vaut donc #P(E) = 2 n. Nombre de sous-ensembles de cardinal p d un ensemble à n éléments. Si E est un ensemble fini de cardinal n, le nombre de sous-ensemble de E de cardinal exactement p égale ( ) n p = C p n = n(n 1) (n p + 1) p! = n! p!(n p)!. En effet, un sous-ensemble {a 1,...,a p } de E peut être vu comme un p- uplet d élément de E où l on oublie l ordre des éléments. Or, étant donnés p éléments de E on peut former p! (nombre de bijections de {a 1,...,a p } dans lui même) p-uplets. Ainsi, le nombre de sous-ensembles de cardinal p d un ensemble à n éléments égale le nombre d injection de l ensemble {1,..., p} dans E (i.e le nombre de p-uplets de E) divisé par p!. Une autre preuve de ce résultat est la suivante : considérons le polynôme (1 + X) n = (1 + X) (1 + X). Quand on développe le produit, on obtient une somme de produits de 1 et de X et on voit que le coefficient de X p est égal au nombre de façons de choisir p éléments parmi n. Or, on sait d après la formule du binôme de Newton, que le coefficient de X p est C p n. Cardinal et fonctions caractristiques Si A E on a #A = x E 1 A (x). ExerciceUne urne contient N boules noires et M boules blanches. i) On effectue n tirages sans remise. Quel est le nombre total de tels tirages? Combien de tirages donnent x (x n) boules noires? ii) ) On effectue n tirages avec remise. Quel est le nombre total de tels tirages? Combien de tirages donnent x (x n) boules noires? Solution. On note {1,..., N} l ensemble des boules noires et {N + 1,..., N + M} l ensemble des boules blanches. i) Un tirage sans remise est équivalent à la donnée d une injection de {1,...,n} dans {1,..., N + M} (ou à une suite ordonnée, un n-uplet (x 1,...,x n ),

10 10 CHAPITRE 1. RAPPELS DE THÉORIE DES ENSEMBLES x i {1,..., N + M}). Il y a donc (N + M) (N + M n + 1) tirages sans remise. Un tirage où x boules noires sont tirées est équivalent à la donnée d un sousensemble A de {1,...,n} à x élements (si on pense au tirage comme à une expérience, A est l ensemble des temps où le résultat de notre expérience est boule noire ) et de deux injections, une de A dans l ensemble des boules noires, une seconde du complémentaire de A dans {1,..., n} dans l ensemble des boules blanches : on a donc ( ) n N(N 1) (N x + 1) M(M 1) (M (n x) + 1) x choix possibles, c est-à-dire ( ) n N(N 1) (N x + 1) M(M 1) (M n + x + 1) x choix possibles. Remarquons que la proportion du nombre de tirages sans remise où x boules noires sortent dans l ensemble des tirages sans remise est ( n ) x N(N 1) (N x + 1) M(M 1) (M n + x + 1) = = (N + M) (N + M n + 1) ( n ) ( x N ( x) x! M n x) (n x)! ( N+M ) n n! ( N M ) x)( n x ( N+M ) n ii) Un tirage avec remise est équivalent à la donnée d une application (pas nécessairement injective) de {1,..., n} vers {1,...,N + M} (ou encore d un n-uplet (e 1,...,e n ) de {1,..., N+M} n ); il y a donc (N+M) n choix possibles. Un tirage où x boules noires sont tirées est équivalent à la donnée : d un sousensemble A de {1,..., n} à x élements, d une application (pas nécessairement injective) de A dans {1,..., N} (ou encore d un x-uplet de {1,..., N} x ) et d une application de {1,..., n} A dans {N + 1,...,N + M} (ou encore un (n x)-uplet de {N + 1,...,N + M}). Il y a donc ( ) n N x M n x x choix possibles. Remarquons que la proportion du nombre de tirages avec

11 1.4. DÉNOMBRABILITÉ 11 remise où x boules noires sortent dans l ensemble des tirages avec remise est ( ) ( ) n N x M n x n x (N + M) = p x (1 p) n x, n x où p = N/(N + M). 1.4 Dénombrabilité Définition Un ensemble est dit dénombrable s il est en bijection avec l ensemble N des entiers naturels. Nous étendrons cette définition en disant qu un ensemble est dénombrable s il est fini ou en bijection avec N. De façon plus concrète, un ensemble est dénombrable si on peut énumérer ses éléments. Proposition Si A et B sont deux ensembles. a) S il existe une injection de A dans B et si B est dénombrable alors A est dénombrable b) S il existe une surjection de A dans B et si A est dénombrable, alors B est dénombrable. Théorème a) Si A 1,...,A n sont des ensembles dénombrables, le produit A 1 A n est également dénombrable. b) Si (A i ) i I est une famille dénombrable (c est-à-dire I est dénombrable) d ensembles dénombrables (pour tout i I, A i est dénombrable) alors la réunion i I A i est également dénombrable. Démonstration. a) On peut supposer A 1 =... = A n = N. Notons p 1,..., p n les n premiers nombres premiers (p est premier s il est divisble uniquement par 1 et par p) et considérons l application qui à (l 1,...,l n ) N n associe le nombre 2 l1 3 l2 p ln n est une injection de Nn dans N car la décomposition en facteurs premiers d un nombre est unique. La proposition a) permet de conclure. b) Considérons l application de N N dans i I A i qui au couple (n, m) associe le m-ième élément de l ensemble A in où i n est le n-ième élément de I. C est une surjection. La proposition b) donne la conclusion. Corollaire L ensemble des entiers relatifs Z et l ensemble des nombres rationnels Q sont dénombrables.

12 12 CHAPITRE 1. RAPPELS DE THÉORIE DES ENSEMBLES Démonstration. L ensemble Z est dénombrable car l application de l ensemble dénombrable {1, 1} N dans Z qui au couple (ɛ, n) associe le produit ɛn est une surjection. De même, Q est dénombrable car l application de l ensemble dénombrable Z (N {0}) dans Q qui au couple (p, q) associe le rationnel p/q est une surjection. On peut démontrer que Théorème L ensemble des nombres réels R n est pas dénombrable. Corollaire L ensemble des nombres irrationnels n est pas dénombrable. Démonstration. Car sinon, R qui est réunion de Q et de l ensemble des nombres irrationnels serait dénombrable (comme union dénombrable d ensembles dénombrables).

13 Chapitre 2 Espaces Probabilisés et variables aléatoires 2.1 Espace probabilisé Un espace probabilisé est la donnée d un espace Ω que l on appelle l espace des états. Quand on modélise une situation concrète Ω est l ensemble des états du système que l on considère. Bien souvent cet espace est inaccessible à l expérience; d un sous-ensemble B de P(Ω) qui est l ensemble des évènements. Dans une situation concrète c est l ensemble de tous les résultats d expériences que l on peut effectuer sur le système. En théorie des probabilités (donc quand on fait des mathématiques) cet ensemble B sera une tribu ou encore (c est équivalent) une σ-algèbre (cf. définition 2.1.1; d une probabilité P : pour tout évènement A B le réel P(A) est le degré de vraisemblance de l évènement A; c est un nombre compris entre 0 et 1. Mathématiquement, une probabilité est une application P : B [0, 1] vérifiant les propriétés décrites en dans la définition Nous précisons dans la suite les deux derniers points Tribus Soit Ω un ensemble fixé (l espace des états). Définition Une tribu ou encore une σ-algèbre de Ω est un ensemble de parties de Ω (donc un sous-ensemble de P(Ω), l ensemble des parties de Ω) qui contient l ensemble vide, est stable par passage au complémentaire et est stable par union dénombrable : B 13

14 14CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES pour tout A B on a A c B pour toute famille dénombrable (A i ) i N d éléments de B l union est également dans B. i N Il est clair que Ω est toujours élément de la tribu (c est le complémentaire de l ensemble vide) et qu une intersection dénombrable d éléments de la tribu est encore dans la tribu (car i N A i = ( i N A c i )c ). Exemples 1) Si Ω est un ensemble quelconque on peut toujours définir deux tribus : la tribu triviale qui est B = {, Ω} la tribu totale qui est B = P(Ω). 2) Si Ω = {1, 2, 3} le sous-ensemble de P(Ω), B = {, {1}, {2, 3}, Ω} est une tribu de Ω. 3) (Exercice :) Si Ω est un ensemble le sous-ensemble de P(Ω) constitué des ensembles qui sont dénombrables ou dont le complémentaire est dénombrable est une tribu. Sauf dans le cas où l espace Ω est fini, les exemples précédents de tribus sont trop simples pour être utiles. La proposition donne un moyen très commode de construire des tribus non-triviales. Proposition Soit Ω un ensemble et S un sous-ensemble de parties de Ω (un sous-ensemble de P(Ω)) sans structure particulière. Il existe une unique tribu B qui contient S et qui est minimale pour cette propriété c està-dire : (S B) : pour tout A S on a A B (minimale) : si B est une autre tribu telle que S B alors B B. On appelle B la tribu engendrée par la partie S et on la note (dans ce cours) B = B(S). Démonstration. Considérons l ensemble E des tribus C de Ω tel que S C. Cet ensemble E est non vide puisqu il contient la tribu P(Ω) et puisque S P(Ω). Notons B l intersection des C quand C décrit E. C est un sous-ensemble de P(Ω) qui contient S mais c est également une tribu comme il est facile de vérifier (nous A i

15 2.1. ESPACE PROBABILISÉ 15 recommandons au lecteur de vérifier ce point). Ainsi, B est une tribu contenant S et appartient donc à E. Comme B est l intersection des C décrivant E on a pour toute tribu C contenant S l inclusion B C : ceci qui signifie que B est la plus petite trbibu contenant S Probabilité Définition Si Ω est un ensemble et B est une tribu de Ω, une probabilité P est une application de B dans [0, 1] telle P(Ω) = 1 et telle que pour toute famille dénombrable (A i ) i N d évènements de B disjoints 2 à 2 on a ( P i N A i ) = P(A i ). i=0 où l égalité précédente signifie la chose suivante : la probabilité P( i N A i ) est égale à la limite de la suite croissante de nombres réels N i=0 P(A i) quand N tend vers l infini.( Cette limite existe toujours car la suite en question est croissante et bornée.) Remarque L intérêt d autoriser la stabilité par unions (intersections) dénombrables dans la définition d une tribu permet de construire à partir d évènements simples des évènements beaucoup plus intéressants que ceux qu on obtiendrait en ne supposant que la stabilité par unions (intersections) finies. En revanche, si on autorisait la stabilité par unions (intersections) quelconques on ne pourrait pas construire beaucoup de probabilités. La stabilité par unions (intersections) dénombrable est donc le bon compromis. Mentionnons tout d abord deux propriétés immédiates des probabilités : Proposition Soit (Ω, B,P) un espace probabilisé. a) Si A B, b) P( ) = 0 P(A c ) = 1 P(A). c)(positivité) Si A, B B vérifient A B alors P(A) P(B). d) Si A, B B alors P(A B) = P(A) + P(B) P(A B).

16 16CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES Démonstration. a) Il suffit décrire Ω comme l union disjointe finie Ω = A A c : comme P est une probabilité 1 = P(Ω) = P(A) + P(A c ). b) suit de la formule précédente et du fait que P(Ω) = 1. c) On écrit B comme l union disjointe B = A (B A c ) et P(B) = P(A) + P(B A c ). Comme P(B A c ) 0 on a bien P(B) P(A). d) De l union disjointe A B = A (B A c ) on déduit P(A B) = P(A) + P(B A c ). Mais de l union disjointe B = (B A c ) (B A) on obtient P(B) = P(B A c ) +P(A B). De ces deux égalités on déduit la formule d) La preuve des propriétés qui suivent n est pas difficile mais, à la différence de la démonstration des propriétés précédentes, ne pourrait se faire sans autoriser des unions dénombrables : Proposition a) Si A i, i N est une famille croissante d éléments de B dont l union est A alors A B et la suite P(A n ) (qui est croissante bornée) converge vers P(A) : lim P(A n) = P(A); n b) Si A i, i N est une famille décroissante d éléments de B dont l union est A alors A B et la suite P(A n ) (qui est décroissante positive) converge vers P(A) : lim n P(A n) = P(A); c) Si A i, i N est une famille dénombrable d ensembles appartenant à B on a toujours (même si les A i ne sont pas disjoints deux à deux) ( ) P A i P(A i ), i N (où le membre de droite de l inégalité précédente qui est la limite de la suite croissante peut éventuellement être infini). Démonstration. a) Définissons les ensembles B n, n 0 de la façon suivante : B 0 = A 0, et pour n 1, B n = A n A c n 1. Les B n constituent une famille dénombrable d ensembles disjoints deux à deux d éléments de B et on peut donc écrire ( P(B k ) = P B k ). k=0 i=0 k N

17 2.1. ESPACE PROBABILISÉ 17 c est-à-dire lim N N k=0 ( P(B k ) = P k N B k ), ou encore, puisque les B k sont disjoints deux à deux Mais ( lim P N ) ( B k = P B k ), N k=0 k N N B k = A N, k=0 ce qui établit la preuve de a). B k = A k=0 b) Il suffit de passer au complémentaire et d utiliser a) c) Pour ω Ω définissons l entier ν(ω) comme étant le plus petit entier k 0 pour lequel ω A k. L ensemble C n des ω Ω pour lesquels ν(ω) = n est l ensemble C n = {ω Ω, ν(ω) = n} = A n (A n 1 A 0 ) c qui est clairement dans B. Les ensembles C n sont de toute évidence disjoints deux à deux et leur union pour n 0 est n N A n car pour tout ω dans n N A n il existe un n tel que ν(ω) = n c est-à-dire il existe un n tel que ω C n. On a donc ( P n 0 ) ( A n = P n 0 C n ) = P(C n ), et comme P(C n ) P(A n ) (puisque C n A n ) on obtient la conclusion du c). Les deux propriétés précédentes a) et b) sont des propriétés de continuité (dans un sens à préciser) des probabilités. n= Exemples Mesures de Dirac Sur tout ensemble Ω muni d une tribu B il est possible de construire des mesures de la façon suivante : pour tout α Ω définissons l application δ α : B [0, 1] qui à un ensemble A B associe le réel 1 si α A et 0

18 18CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES sinon. Cette application δ α est une mesure de probabilité que l on appelle la mesure de Dirac au point α. Vérifions rapidement que c est bien une mesure : déjà δ α (Ω) = 1 puisque α Ω; par ailleurs si A i B, i 0 est une famille dénombrable d ensembles de la trbibu disjoints deux à deux on a δ α ( i 0 A i ) = δ α (A i ), car : soit α appartient à i 0 A i ; mais alors il existe un i 0 pour lequel α A i et cet indice i est unique car les A i sont disjoints deux à deux. L égalité précédente se réduit à 1 = 1; soit α n appartient pas à i 0 A i et de ce fait n apartient à aucun des A i : l égalité se réduit à 0 = 0. Probabilités sur un ensemble fini Les espaces probabilisés les plus simples sont ceux où l espace des états Ω est fini. On choisit en général comme tribu B l ensemble P(Ω) de toutes les parties de Ω (qui est bien une tribu). C est ce que nous ferons (car le cas où B est une tribu plus petite que P(Ω) s y ramène). Ceci étant, il reste à définir la probabilité. Remarquons que tout ensemble A B = P(Ω) est fini (car inclus dans Ω qui est fini) et est par conséquent l union (finie donc dénombrable) des singletons {a} où a décrit A : A = a A{a}. Comme cette union est disjointe et finie on a P(A) = a A P({a}). Si Ω = {c 1,...,c n } et si on note p i = P({c i }) on a P(A) = p i. i,c i A Remarquons que les p i sont dans [0, 1] et vérifient n p i = 1. i=1

19 2.1. ESPACE PROBABILISÉ 19 En conclusion : dans le cas où Ω est fini, une probabilité P sur B = P(Ω) est déterminée par ses valeurs sur les singletons de Ω. Réciproquement si on se donne n nombres réels positifs p 1,...,p n dont la somme vaut 1 (p 1 + +p n = 1) alors, l application P : P(Ω) [0, 1] qui à A P(Ω) associe le réel (dans [0, 1]) P(A) = est une probabilité {i:c i A} Exercice : Démontrer l énoncé précédent. Probabilités uniformes et lien avec la combinatoire Un cas important est celui où tous les p i, 1 i n précédents sont égaux. Comme leur somme doit valoir 1 ceci signifie que p 1 = = p n = 1. On dit dans ce cas que la n probabilité P est uniforme. On a alors, pour tout sous-ensemble A de Ω soit P(A) = {i:c i A} p i p i = #{i {1,..., n}, c i A}. 1 n P(A) = #A #Ω. Ainsi, quand on travaille avec une probabilité uniforme sur un ensemble fini, déterminer la probabilité d un évènement revient à calculer son cardinal : on voit apparaîitre le lien avec la combinatoire. Exercice : On tire cinq cartes d un jeu de 32 cartes. Quelle est la probabilité d obtenit un full c est-à-dire deux cartes de même valeur et trois autres cartes de même valeur. On supposera chaque tirage équiprobable Exercice : Une urne contient n boules noires et b boules blanches. a) On effectue N tirages avec remises. Quelle est la probabilité d obtenir x boules noires? b) Même question si les tirages sont sans remises. On supposera les tirages équiprobables. Jeu de n Pile ou Face On se propose de modéliser un jeu où l on lance n fois une pièce (Pile/Face). De façon équivalente un expérimentateur réalise n expérience le résultat de chaqu une d entre elles pouvant être positif (1) ou négatif (0). Il est naturel de décrire le jeu ou l expérience précédentes de la façon suivante : on choisit comme espace des états l ensemble Ω de toutes les suites de longueur n constituées de 0 ou de 1. Une telle suite est donc un

20 20CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES n-uplet ω = (ω 1,...,ω n ) chaque ω i, 1 i n appartenant à l ensemble à deux éléments {0, 1}. Ainsi Ω = {0, 1} n, et a 2 n éléments. Nous choisirons comme tribu B = P(Ω), l ensemble des parties de Ω (qui a donc 2 2n mais cela n a pas d importance). Cette tribu nous permet de décrire des évènements. Par exemple l évènement (A) obtenir k Pile lors des n lancers est décrit par l ensemble A B (Pile=1, Face=0) A = {ω = (ω 1,...,ω n ), n ω i = k.}. L évènement (B) on tire au moins un Pile est décrit par l ensemble i=1 B = {ω = (ω 1,...,ω n ), i {1,...,n} ω i = 1}. L évènement (A) et (B) est décrit par l intersection A B, l evènement non A est décrit par A c, l évènement A ou B par A B etc. Le choix de la probabilité sur notre ensemble est dicté par le jeu ou l expérience que l on modélise. Ainsi, on ne modélisera pas de la même façon un jeu ou pile et face ont les mêmes chances de sortir qu un jeu où pile a deux fois plus de chance de sortir que face. Dans le premier cas, il est naturel 1 de choisir comme probabilité P la probabilité uniforme P(A) = #A Ω = #A 2 n. Noter que la probabilité d un évènement élémentaire on a tiré la suite (ɛ 1,...,ɛ n ) c est-à-dire la probabilité du singleton {(ɛ 1,...,ɛ n )} vaut 1/2 n (ceci quel que soit ɛ 1,...,ɛ n ). En revanche, dans le second cas, on définira la probabilité d un évènement élémentaire {ɛ 1,...,ɛ n )} comme étant (2/3) k (1/3) n k où k est le nombre de 1 dans la suite ɛ 1,...,ɛ n. Exercice : Calculer dans chacun des cas précédents les probabibilités des évènements A et B. Le jeu infini de pile ou face Nous présentons dans ce paragraphe la modélisation du jeu de pile ou face où l on joue une infinité de fois. Il est naturel d introduire comme espace des états l ensemble Ω des suites ω = (ω 1, ω 2,...) où les ω i valent 0 ou 1. On a ainsi Ω = {0, 1} N {0}. Un problème plus délicat est de trouver une tribu 1 en fait cela sera encore plus naturel quand on aura défini la notion d indépendance

21 2.1. ESPACE PROBABILISÉ 21 raisonnable sur cet ensemble. On aimerait par exemple pouvoir décrire un évènement du type : en moyenne pile sort deux fois plus souvent que face qui de façon ensembliste est l ensemble des ω = (ω 1,...) Ω pour lesquels la limite quand n tend vers l infini de la suite 1 n ω i n i=1 existe et vaut 2/3. Un moment de réflexion montre que cet évènement n appartient à aucune des tribus F n qui modélisent un jeu de n pile/face 2. Nous définirons la tribu B sur Ω de la façon suivante : la tribu B est la tribu engendrée (au sens de la proposition 2.1.1) par tous les évènements C i,ɛ C i,ɛ = {ω Ω, ω i = ɛ}, où i décrit N {0} et ɛ décrit {0, 1}. Il reste à présent à construire une probabilité sur B ce qui est assez délicat. Si on joue avec une pièce qui donne Pile (resp. Face) avec probabilité 1/2 il est naturel d attribuer à tout évènement C i,ɛ la probablité (1/2) (indépendamment de la valeur de ɛ) et il est également naturel de demander que la probabilité d un évènement de la forme 3 {ω Ω, ω i1 = ɛ 1,...,ω ir = ɛ r } = C i1,ɛ 1 C ir,ɛ r soit égale à (1/2) r. Il n est en revanche pas du tout clair que l on puisse attribuer à tout évènement de la tribu B une probabilité qui soit compatible avec ces choix. En fait c est possible : Théorème Il existe une unique mesure de probabilité P définie sur (Ω, B) telle que pour tous r 1, i 1,...,i r N {0}, ɛ 1,...,ɛ r {0, 1} on ait P(C i1,ɛ 1 C ir,ɛ r ) = 1 2 r. Probabilité sur R Il est important de savoir décrire des probabilités sur R, l ensemble des nombres réels. L espace des états est alors Ω = R et la tribu que l on choisit est la tribu engendrée par les intervalles ouverts de R. On l appelle la tribu borélienne et on la note Bor(R). Retenons la définition : 2 On peut toujours considérer un jeu de n pile/face comme un cas particulier d un jeu infini de pile/face : Il suffit d associer à toute suite ω = (ω 1,..., ω n ) de {0, 1} n la suite ω {0, 1} N {0} définie par ω i = ω i si 1 i n et ω i = 0 si i n Cet évènement décrit l expérience suivante : au temps i 1,...,i r, on observe ɛ 1,..., ɛ r et on ne précise pas ce qui se passe aux autres temps

22 22CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES Définition La tribu borélienne de R est la tribu engendrée par les intervalles ouverts de R. 4. On la note Bor(R). Exercice : Montrer que la tribu borélienne de R est également la tribu engendrée par les intervalles de la forme ], a]. Solution : Notons C la tribu engendrée par les intervalles de la forme ], a]. Remarquons pour cela que si ]c, d[ est un intervalle ouvert (c < d peuvent être infinis) on a ]c, d[=], c] c ], d[. Mais ], d[ s écrit comme union dénombrable d intervalles de C : ], d[= n N ], d 1 n ]. Ainsi, C étant une tribu (donc stable par union dénombrable) ], d[ appartient à C. Comme ], c] est dans C, l intersection ]c, d[=], c] c ], d[ est également dans C (C est stable par complémentaire et intersections finies ou dénombrables). Nous avons donc démontré que la tribu C contenait les intervalles ouverts. Or, la tribu borélienne est la plus petite tribu contenant les intevalles ouverts. Par conséquent, Bor(R) C. L inclusion récipoque se démontre de façon similaire (c est plus facile). Exercice : 1) Montrer qu un singleton {a} est borélien. 2) Montrer que Q l ensemble des rationnels est borélien. 3) L ensemble des irrationnels est-il borélien. 4) Montrer qu un intervalle fermé [a, b] est borélien (on observera que [a, b] = p 1 ]a 1 p, b + 1 p [.) Définition Si µ est une probabilité sur (R, Bor(R)) on introduit F µ la fonction définie par F µ (x) = µ(], x]). On appelle F µ ( ) la fonction de répartition de la mesure de probabilité µ. Proposition La fonction F µ : R [0, 1] définie par F(x) = µ(], x]) i) est croissante ii) admet des limites en + et qui valent : lim F(x) = 1, lim x F(x) = 0 x 4 elle est également engendrée par les intervalles ou les intervalles de la forme ], a] ou encore les intervalles fermés etc.

23 2.1. ESPACE PROBABILISÉ 23 iii) est continue à droite en tout point x R c est-à-dire lim F(t) = F(x). t x,x<t Démonstration. i) Si x y on a ], x] ], y] et d après la proposition c) on a bien µ(], x]) µ(], y]). ii) Pour tout suite x n croissant vers (resp. décroissant vers ) la suite de boréliens ], x n ] est croissante pour l inclusion (resp. décroissante pour l inclusion) et leur union vaut Ω (resp. leur intersection vaut ). Par conséquent d après la proposition a) (resp. b)) lim n µ(], x n ]) = 1 (resp. lim n µ(], x n ]) = 0 ) ce qui démontre ii) iii) Pour toute suite t n décroissante et convergeant vers x, la suite de boréliens ], t n ] est décroissante et leur intersection vaut ], x] ce qui démontre que lim n µ(], t n ]) = µ(], x]). Remarque : Attention, la fonction de répartition d une mesure n est pas toujours continue à gauche.considérons en effet la mesure de Dirac en 0 que nous notons δ 0 : par définition c est la mesure qui à tout borélien A de R associe 1 si 0 appartient à A et 0 sinon; on sait que c est une mesure. Sa fonction de répartition est : F(x) = 0 si x < 0 et F(x) = 1 si x 0 (c est une fonction en escalier) qui est bien continue à droite en 0 mais n est pas continue à gauche en 0. Le théorème qui suit (dont la démonstration dépasse le cadre de ce cours) permet de construire de très nombreuses mesures de probabilités sur la droite réelle munie de sa tribu borélienne. Théorème Si F : R [0, 1] est une fonction croissante, qui admet une limite nulle en et une limite égale à 1 en, et qui est continue à droite en tout point de R alors il existe une unique mesure de probabilité µ définie sur (R, Bor(R)) qui admet F comme fonction de répartition. Ce théorème illustre l équivalence entre la notion de probabilité sur (R, Bor(R)) et celle de fonction de répartition. Donnons un exemple fondamental et typique d une telle construction : la fonction F définie par : F(x) = 0 si x < 0, F(x) = x si 0 x < 1 et F(x) = 1 si x 1 vérifie bien les hypothèses du théorème et définit donc une mesure de probabilité λ que l on appelle la mesure de Lebesgue sur l intervalle [0, 1]. Si I est un intervalle de R on a λ(i) = longueur(i [0, 1]).

24 24CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES 2.2 Variables Aléatoires Définition Une variable aléatoire réelle (en abrégé v.a) est une application X : Ω R telle que pour tout intervalle ouvert I de R l ensemble X 1 (I) des ω Ω tels que X(ω) I, appartient à B. En fait Proposition Si X : Ω R est une application alors les trois propositions suivantes sont équivalentes a) pour tout borélien A Bor(R) X 1 (A) B. b) X est une variable aléatoire; c) pour tout intervalle I de la forme I =], a], X 1 (I) appartient à B ; Démonstration. Que a) implique b) et que b) implique c) est évident. Démontrons donc que c) implique a). L ensemble E des A R tels que X 1 (A) B est une tribu (exercice). Or, cet ensemble E contient d après c) les intervalles de la forme ], a] et par conséquent la tribu engendrée par les intervalles de la forme ], a]. Mais on sait, d après l exercice qui suit la définition 2.1.3, que cette tribu égale la tribu borélienne. Ainsi, pour tout borélien A, X 1 (A) B. Notation Dans la suite du cours, quand X est une v.a et A un borélien de R nous noterons {X A} ou [X A] ou (X A) l ensemble {ω Ω : X(ω) A}. La proposition qui suit permet de construire de v.a. Proposition a) Si X n, n 1 est une famille de v.a alors Z = sup n 1 X n (resp. Z = inf n 1 X n ) est une v.a b) Si X 1,...,X n sont des v.a et f : R n R est une application continue alors Z = f(x 1,...,X n ) est une v.a Démonstration. a) Soit ω tel que sup n 1 X n (ω) > a. Alors par définition du sup, il existe un n pour lequel X n (ω) > a et ω est donc dans l union n 1 {X n > a}. Réciproquement si ω n 1 {X n > a} alors il existe n tel que X n (ω) > a et a fortiori sup n X n (ω) > a. Nous avons donc démontré que les deux ensembles {Z > a} et n 1 {X n > a} sont égaux. Mais ce dernier ensemble est une union dénombrable d éléments de la tribu B (car chaque X i est une v.a). Ainsi pour

25 2.2. VARIABLES ALÉATOIRES 25 tout a l évènement {sup n 1 X n (ω) > a} est dans B et il en est de même de son complémentaire {sup n 1 X n (ω) a}. La proposition?? permet de conclure. b) Si I est un intervalle de R, Z 1 (I) est l ensmble des ω Ω tels que (X 1 (ω),..., X n (ω)) f 1 (I). Comme f est continue, f 1 (I) est un ensemble ouvert de R n et, par consquent, est une union dénombrable de pavés ouverts c est -à-dire d ensembles P de la forme ]a 1, b 1 [ ]a n, b n [. Par conséquent l ensmble des ω Ω tels que (X 1 (ω),..., X n (ω)) f 1 (I) est une union dénombrable d ensembles de la forme {ω Ω, (X 1 (ω),..., X n (ω) ]a 1, b 1 [ ]a n, b n [} c est-à-dire d ensembles de la forme {ω Ω, X 1 (ω) ]a 1, b 1 [,...,X n (ω) ]a n, b n [} = X1 1 (]a 1, b 1 [) Xn 1(]a n, b n [) qui sont clairement dans B. En particulier Proposition a) Si X : Ω R est une v.a. et f : R R est une application continue, alors la fonction Y : Ω R définie par Y = f X (c est-à-dire Y (ω) = f(x(ω)) pour tout ω Ω) est encore une v.a. On la note Y = f(x). b) Si X, Y sont deux v.a l application Z = max(x, Y ) est une v.a c) Si X et Y sont deux v.a, ax + by est également une v.a Le cas particulier des v.a à valeurs dans un ensemble fini ou dénombrable Il s agit du cas où X(Ω) l ensemble des valeurs prises par X est un ensemble fini ou dénombrable de R. Dans ce cas la caractérisation des variables aléatoires est plus simple : Proposition Si X : Ω R est à valeurs dans un ensemble fini ou dénombrable E alors X est une variable aléatoire si et seulement si pour tout e E, X 1 ({e}) B. Démonstration. Il s agit de démontrer que pour tout intervalle ouvert de la forme ]a, b[ (avec a et b finis par exemple) l ensemble des ω Ω tels X(ω) ]a, b[ est dans B. On a alors X(ω) ]a, b[ E. Mais ce dernier ensemble est au plus dénombrable et comme X 1 (]a, b[) = X 1 ({e}) on voit que X 1 (]a, b[) est dans B. e ]a,b[ E

26 26CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES Exemple Revisitons l exemple du jeu infini de Pile/Face : Ω = {0, 1} N et B est la tribu engendrée par les ensembles C i,ɛi = {ω = (ω 0,...) Ω, ω i = ɛ i }. Pour n N l application X n : {0, 1} N {0, 1} qui à ω = (ω 0, ω 1,...) associe ω n est une variable aléatoire. Il suffit en effet de vérifier que pour ɛ = 0 ou ɛ = 1 l ensemble des ω pour lesquels ω n = ɛ appartient à B. Or, cet ensemble est le cylindre C n,ɛ qui par définition est dans B. En fait, la tribu B a été construite de façon que toutes les applications X n : Ω {0, 1} (n 0) soient des variables aléatoires (c est d ailleurs la plus petite tribu ayant cette propriété). Exercice On considère le jeu infini de Pile/Face (Ω, B,P) et on garde les notations de l exemple précédent. Définissons pour tout ω Ω, l entier ν(ω) comme étant le plus petit entier k pour lequel X k (ω) = 1 (en d autres termes ν(ω) est le premier temps où on tire Pile). Démontrer que ν est une variable aléatoire. Solution : Si {ν = 0} = {X 0 = 1} est dans B car X 0 est une v.a et pour tout n N, (n 1) {ν = n} = {X 0 = 0} {X n 1 = 0} {X n = 1}; c est une intersection finie déléments de B (car, puisque chaque X i est une v.a, les ensembles {X i = 0}, 1 i n 1 et {X n = 1} c sont dans B) Loi d une variable aléatoire Soit X : Ω R une v.a. On sait que pour tout borélien A de R l ensemble X 1 (A) est un évènement (appartient à B). Il est donc possible de parler de la probabilité P(X A) de l évènement {X A}. Proposition L application µ X : Bor(R) [0, 1] qui à tout borélien de R associe le réel P(X A) de [0, 1] est une probabilité sur (R, Bor(R)). On appelle cette probabilité la loi de la v.a X. Démonstration. Il suffit de démontrer que si (A i ) i N est une famille dénombrable de boréliens de R disjoints deux à deux alors P(X i NA i ) = P(X A i ), ce qui est clair car l évènement {X i N A i } est l union dénombrable disjointe des évènements {X A i }. Enfin la condition P(X R) = 1 achève la preuve. i=0

27 2.2. VARIABLES ALÉATOIRES 27 Il faut retenir que la loi d une v.a est une probabilité sur R (muni de sa tribu borélienne). Ceci illustre le fait qu il est possible de construire de nombreuses mesures de probablilités sur R muni de sa tribu borélienne Loi des variables aléatoires à valeurs dans un ensemble fini ou dénombrable Si X : Ω R prend ses valeurs dans un ensemble E = {e 0, e 1,...} qui est fini ou dénombrable la loi µ X de X est la mesure sur (R, Bor(R)) µ X = e E P(X = e)δ e. En effet pour tout borélien (ou tout intervalle) A P(X A) = P(X A E) = e A E et cette somme n est rien d autre que P(X = e)δ e (A). e E P(X = e), La loi de X est donc parfaitement déterminée par les réels p X (e) = P(X = e), (e E) et dans la pratique quand on demande de déterminer la loi de X on demande de calculer les réels p X (e) = P(X = e). Quelques lois classiques de variables aléatoires à valeurs dans un ensemble fini ou dénombrable Loi géométrique On dit qu une v.a X : Ω N (à valeurs dans N) suit une loi géométrique de paramètre a (0 < a < 1) si P(X = n) = (1 a)a n. On remarquera que l on a bien k=0 P(X = k) = 1 ( k 0 ak = 1/(1 a)). La v.a ν de l exercice de la section suit une loi géométrique de paramètre 1/2. En effet ν 1 (n) = {ω = (ω 0, ω 1,...) Ω, ω 0 = 0,...,ω n 1 = 0, ω n = 1} et d après le théorème = C 0,0 C n 1,0 C n,1 P(ν = n) = (1/2) n.(1/2).

28 28CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES Loi binomiale On dit qu une variable aléatoire Z à valeurs dans {0,...,n} suit une loi binomiale (n, p) si P(Z = k) = où ( n k) est le coefficient binomial ( ) n = Cn k = k n! (n k)!k! ( ) n p k (1 p) n k. k n(n 1) (n k + 1) =. k! On a bien (formule du binôme de Newton) k=0 P(X = k) = (p+1 p)n = 1. Exemple Jouons n fois au jeu de pile/face où pile sort avec probabilité p et face avec probabilité 1 p et notons Z la variable aléatoire : Z est le nombre de pile qui sortent (après avoir joué n fois). Si on note X i les variables aléatoires X i (ω) = ω i (ω = (ω 1,...,ω n )) on a Z = X X n. C est bien une variable aléatoire Z : B N à valeurs dans l ensemble fini {0,..., n} (B = P(Ω)) et P(Z = k) = ( ) n p k (1 p) n k. k Loi de Poisson Une variable aléatoire Z : Ω N suit une loi de Poisson de paramètre λ > 0 si P(Z = n) = e λλk k!. On vérifie encore que k=0 P(X = k) = 1 (cf. le développement en série de e λ ). Exercice Soit X n une v.a suivant une loi binomiale (n, p n ). Montrer que si lim n np n = λ on a pour tout k N lim P(X n = k) = e λλk n k!. (On dit que X n converge en loi vers une loi de Poisson de paramètre λ)

29 2.2. VARIABLES ALÉATOIRES Loi de variables aléatoires admettant une densité Définition On dit que la variable aléatoire X : Ω R admet une densité continue (resp. continue par morceaux etc.) si sa loi (qui est une mesure de probabilité sur (R, Bor(R))) admet une densité continue (resp. continue par morceaux etc.) c est-à-dire s il existe une fonction positive continue (resp. continue par morceaux etc.) ρ X : R [0, [ telle que ρ X(t)dt = 1 et telle que pour tout intervalle ]a, b[ µ X (]a, b]) = P(X ]a, b]) = b a ρ X (t)dt. Faisons une remarque importante : si une v.a. X admet une densité ρ X alors sa fonction de répartition F X (x) = µ X (], x]) = x ρ X (t)dt est continue. Il existe donc des variables aléatoires n admettant pas de densité : par exemple une v.a X à valeurs dans R ne prenant que deux valeurs 0 ou 1 et telle que P(X = 0) = p avec 0 < p < 1 ne peut posséder de densité car sa fonction de répartition F X (x) vaut 0 si x < 0, 1/2 si 0 x < 1 et 1 si 1 x : elle est discontinue en 0 et en 1 (mais bien continue à droite). Quelques exemples de loi admettant une densité Loi uniforme La variable aléatoire X : Ω R suit une loi uniforme sur l intervalle [a, b] si sa densité est donnée par ρ X (x) = 1 b a 1 [a,b]. On a bien ρ X (t) 0 pour tout t et ρ R X(t)dt = 1. Cette loi est caractérisée par P(X [c, d]) = 1 longueur([a, b] [c, d]). b a (En effet, 1 P(X [c, d]) = [c,d] b a 1 [a,b](x)dx = 1 1 [c,d] (x) 1 [a,b] (x)dx b a R = 1 1 [c,d] [a,b] (x)dx. b a R

30 30CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES La v.a admet une densité ρ X expo- Loi exponentielle de paramètre θ nentielle de paramètre θ si La fonction de répartition est F X (x) = ρ X (x) = θe θx 1 [0, [ (x). x ρ X (t)dt = (1 e θx )1 [0, [ (x), et converge bien vers 1 en. Intuitivement, la loi uniforme sur l intervalle [a, b] modélise une expérience où la probabilité d un point de tomber dans un intervalle de taille 2 x, ]x x, x + x[ [a, b] ne dépend pas de x (et est linéaire en x). Loi normale N(µ, σ) C est la loi de densité ρ X (x) = 1 2πσ 2 e (x µ)2 /2σ 2. Il n est pas complètement évident que R ρ X(x)dx = 1 (ce qui est indispensable pour que ρ X soit une densité). Ceci résulte, après le changement de variable u = (x µ)/σ de l égalité (cf. *** pour une preuve) e u2 /2 du = 2π. La loi normale N(0, 1), donc de densité, 1 2π e x2 /2, est dite loi normale centrée réduite. 2.3 Espérance d une v.a Espérance d une v.a. à valeurs dans un ensemble fini (ou dénombrable) Soit X : Ω R une variable aléatoire ne prenant qu un nombre fini de valeurs x 1,...x r. On définit l espérance de X comme étant le nombre réel E(X) = r x i P(X = x i ). i=1

31 2.3. ESPÉRANCE D UNE V.A. 31 Remarquons que si X prend ses valeurs dans un ensemble infini dénombrable la quantité E(X) = x i P(X = x i ), i=1 qui semble être un bon candidat pour la définition de l espérance peut ne pas exister car la série peut ne pas converger. Pour garantir cette convergence il suffit de demander que la série précédente soit absolument convergente Espérance d une v.a. positive Nous définissons dans cette section l espérance d une variable aléatoire X : Ω R qui ne prend que des valeurs positives ou nulles. Pour cela on définit pour n 1 la variable aléatoire X n de la façon suivante : on découpe [0, ) en intervalles [0, 1[, [1, 2[,..., [n 1, n[, [n, ) puis on redécoupe chacun des n intervalles [0, 1[, [n 1, n[ en 2 n intervalles d égale longueur (on ne touche pas à [n, [) : on obtient n2 n 1 intervalles de taille 2 n de la forme [k/2 n, (k + 1)/2 n [ (0 k n2 n 1); on pose alors X n (ω) = n si X n (ω) n X n (ω) = (k/2 n ) si X n (ω) [k/2 n, (k + 1)/2 n [. Il n est pas très difficile de vérifier que pour tout ω la suite de v.a X n (ω) est croissante (et converge vers X(ω)); la suite de nombre réels E(X n ) est donc croissante (mais pas nécessairement bornée). On pose E(X) = lim n E(X n ), où la limite précédente peut être finie ou infinie. On peut démontrer Théorème L espérance vérifie les conditions suivantes : a) si A B on a E(1 A ) = P(A). b) Si X, Y sont des v.a positives telle que X Y (c est-à-dire pour tout ω Ω X(ω) Y (ω)) alors E(X) E(Y ). c) Si X, Y sont des v.a positives et a, b R on a (linéarité de l espérance) E(aX + by ) = ae(x) + be(y ). d) Si X est une v.a positive telle que E(X) = 0 alors X est nulle P-presque sûrement c est-à-dire que l ensemble des ω Ω pour lesquels X(ω) > 0 a une probabilité nulle. Notons que E(a) = a si a est une constante.

32 32CHAPITRE 2. ESPACES PROBABILISÉS ET VARIABLES ALÉATOIRES Remarque On dit qu une propriété P ω qui dépend de ω Ω est vraie P- presque sûrement si l ensemble des ω Omega pour lesquels P ω est fausse est de P-probabilité nulle (P({ω : P ω fause}) = 0). Mentionnons le théorème suivant qui permet de calculer l espérance d une v.a obtenue comme limite d autres v.a Théorème (Théorème de convergence monotone) Si X n est une suite de v.a X n : Ω [0, ] qui i) est croissante : pour tout ω Ω, X n (ω) X n+1 (ω) ii) converge vers X : Ω [0, ] : pour tout ω Ω la suite X n (ω) converge vers X(ω). Alors, a) l application X : Ω [0, ] est une v.a; b) la suite E(X n ) converge vers E(X) (lim n E(X n ) = E(X)). En particulier, si Y n est une suite de v.a positives ou nulles on a E( Y n ) = E(Y n ) n=0 (on peut intervertir le signe de sommation infini et l espérance). n= Espérance des v.a intégrables Nous pouvons définir à présent l espérance de v.a qui ne sont pas nécessairement positives. Pour cela, on constate que toute v.a X : Ω R peut s écrire comme différence de deux v.a positives X + et X : si on pose X + = max(0, X) et X = max(0, X) on a bien que X +, X sont des v.a à valeurs positives et que X = X + X. Il est donc naturel de définir E(X) comme étant la quantité E(X + ) E(X ). Cependant, si E(X + ) et E(X ) valent on obtient de cette façon une expression indéterminée de la forme. Pour que la quantité E(X + ) E(X ) ait un sens il faut donc que E(X + ) < et E(X ) < (c est-à-dire soient des quantités finies). Ceci est équivalent (puisque E(X + ) et E(X ) sont positives ou nulles) au fait que E(X + ) + E(X ) <. Or il est facile de voir que X + + X = X, et la quantité E(X + ) + E(X ) est finie si et seulement si E( X ) l est. Résumons : Définition Si X est une v.a telle que E( X ) < on définit l espérance de X comme étant E(X) = E(X + ) E(X ),

33 2.3. ESPÉRANCE D UNE V.A. 33 où X + = max(0, X), X = max(0, X). On dit que X est intégrable (sur l espace probabilisé (Ω, B, P)) ou encore P-intégrable. L ensemble des variables aléatoires X qui sont P-intégrable se note L 1 (Ω,P). On a alors les propiétés suivantes Proposition a) Si A B, E(1 A ) = P(A). b) Si X, Y sont des v.a dans L 1 (Ω,P) telle que X Y (c est-à-dire pour tout ω Ω X(ω) Y (ω)) alors E(X) E(Y ). c) Si X, Y sont des v.a dans L 1 (Ω,P) et a, b R alors ax + by L 1 (Ω,P) et on a E(aX + by ) = ae(x) + be(y ). d) Si X L 1 (Ω, B) on a toujours E(X) E( X ) et on a égalité si et seulement si P-ps X 0 ou P-ps X 0. ExerciceExpliquer pourquoi une v.a bornée est P-intégrable. Le théorème de convergence monotone, vrai pour des v.a positives ou nulles, possède un analogue dans le cas L 1. Théorème (Théorème de convergence dominée) Si X n est une suite de v.a P-intégrable, X n : Ω R (n N) telle que i) la suite (X n ) converge vers X : Ω R : pour tout ω Ω la suite X n (ω) converge vers X(ω) (on dit que X n converge simplement vers X) ii) il existe une v.a Z telle que E(Z) < (Z est P-intégrable) telle que pour tout ω Ω on ait n N, X n (ω) Z(ω). Alors, a) l application X : Ω R est une v.a; b) la suite E(X n ) converge vers E(X) (lim n E(X n ) = E(X)). En particulier, si Y n est une suite de v.a positives ou nulles telles que alors, E( Y n ) <, n=0 E( Y n ) = n=0 E(Y n ) (on peut intervertir le signe de sommation infini et l espérance). n=0

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Dénombrement, opérations sur les ensembles.

Dénombrement, opérations sur les ensembles. Université Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 1 (du 16 au 20 septembre 2013) Dénombrement, opérations sur les ensembles 1 Combien de façons y a-t-il de classer

Plus en détail

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Cours de mathématiques Partie IV Probabilités MPSI 4

Cours de mathématiques Partie IV Probabilités MPSI 4 Lycée Louis-Le-Grand, Paris Année 2013/2014 Cours de mathématiques Partie IV Probabilités MPSI 4 Alain TROESCH Version du: 30 mai 2014 Table des matières 1 Dénombrement 3 I Combinatoire des ensembles

Plus en détail

Leçon 6. Savoir compter

Leçon 6. Savoir compter Leçon 6. Savoir compter Cette leçon est une introduction aux questions de dénombrements. Il s agit, d une part, de compter certains objets mathématiques (éléments, parties, applications,...) et, d autre

Plus en détail

Thème 3 : ensembles, espaces de probabilités finis

Thème 3 : ensembles, espaces de probabilités finis Thème 3 : ensembles, espaces de probabilités finis Serge Cohen, Monique Pontier, Pascal J. Thomas Septembre 2004 1 Généralités : ensembles et parties d un ensemble Définition 1.1 On appelle ensemble une

Plus en détail

Théorie des ensembles

Théorie des ensembles Théorie des ensembles Cours de licence d informatique Saint-Etienne 2002/2003 Bruno Deschamps 2 Contents 1 Eléments de théorie des ensembles 3 1.1 Introduction au calcul propositionnel..................

Plus en détail

Préparation à l écrit Année 2008-2009. Liste des fiches de probabilités

Préparation à l écrit Année 2008-2009. Liste des fiches de probabilités Capes de Mathématiques Université Joseph Fourier Préparation à l écrit Année 2008-2009 Liste des fiches de probabilités Probabilités 1 : Introduction aux espaces probabilisés Probabilités 2 : Variables

Plus en détail

Probabilités. C. Charignon. I Cours 3

Probabilités. C. Charignon. I Cours 3 Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Feuille d exercices 1

Feuille d exercices 1 Université Paris 7 - Denis Diderot L2 - Probabilités PS4 Année 2014-2015 Feuille d exercices 1 Exercice 1 Combien y a-t-il de paires d entiers non consécutifs compris entre 1 et n (n 1)? Exercice 2 1.

Plus en détail

Cours de mathématiques ECS 1 ère année. BÉGYN Arnaud

Cours de mathématiques ECS 1 ère année. BÉGYN Arnaud Cours de mathématiques ECS 1 ère année BÉGYN Arnaud 12/11/2012 2 Introduction Ce manuscrit regroupe des notes de cours de mathématiques pour une classe d ECS première année. J ai écris ces notes lors de

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

TD: Ensembles, applications, dénombrement

TD: Ensembles, applications, dénombrement Université de Provence Année 011/1 Licence Math Info ème année S3 Fondements de l Informatique 1 Ensembles et fonctions TD: Ensembles, applications, dénombrement 1. On suppose que l ensemble de tous les

Plus en détail

Suites réelles. 4 Relations de comparaison des suites 9 4.1 Encore du vocabulaire... 9. 5.2 Quelques propriétés... 13

Suites réelles. 4 Relations de comparaison des suites 9 4.1 Encore du vocabulaire... 9. 5.2 Quelques propriétés... 13 Maths PCSI Cours Table des matières Suites réelles 1 Généralités 2 2 Limite d une suite 2 2.1 Convergence d une suite....................... 2 2.2 Deux premiers résultats....................... 3 2.3 Opérations

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Coefficients binomiaux

Coefficients binomiaux Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant

Plus en détail

Théorie de la Mesure et Intégration

Théorie de la Mesure et Intégration Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT

Plus en détail

Université de Cergy-Pontoise Département de Mathématiques L1 MPI - S1. Cours de Mathématiques 1

Université de Cergy-Pontoise Département de Mathématiques L1 MPI - S1. Cours de Mathématiques 1 Université de Cergy-Pontoise Département de Mathématiques L1 MPI - S1 Cours de Mathématiques 1 Table des matières 1 Un peu de formalisme mathématique 7 1.1 Rudiments de logique........................................

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

THÉORIE DE LA MESURE ET INTÉGRATION

THÉORIE DE LA MESURE ET INTÉGRATION Université Pierre et Marie Curie Licence de Mathématiques Années 2004-2005-2006 LM 363 THÉORIE DE LA MESURE ET INTÉGRATION Cours de P. MAZET Edition 2004-2005-2006 Table des matières Table des matières

Plus en détail

Cours MP. Espaces vectoriels normés

Cours MP. Espaces vectoriels normés Table des matières Espaces vectoriels normés B. Seddoug. Médiane Sup, Oujda I Norme et distance 1 I.1 Définitions..................... 1 I.2 Evn produit.................... 12 I.3 Notions topologiques

Plus en détail

La mesure de Lebesgue sur la droite réelle

La mesure de Lebesgue sur la droite réelle Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et

Plus en détail

TOPOLOGIE - SÉRIE 1. x f 1 B i f(x) B i x f 1 (B i ). f 1 ( i I B i) = i I f 1 (B i ); en effet. f 1 B i = f 1 B i et f 1 (B \ B ) = A \ f 1 B ; i I

TOPOLOGIE - SÉRIE 1. x f 1 B i f(x) B i x f 1 (B i ). f 1 ( i I B i) = i I f 1 (B i ); en effet. f 1 B i = f 1 B i et f 1 (B \ B ) = A \ f 1 B ; i I TOPOLOGIE - SÉRIE 1 Exercice 1. Soit f : A B une application. Prouver que (a) A f 1 fa pour tout A A, avec égalité si f est injective; (b) ff 1 B B pour tout B B, avec égalité si f est surjective; Preuve.

Plus en détail

Cours de Probabilités et de Statistique

Cours de Probabilités et de Statistique Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles

Plus en détail

Exercices corrigés de probabilités et statistique

Exercices corrigés de probabilités et statistique Exercices corrigés de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon

Plus en détail

Exo7. Topologie générale. Enoncés : M. Quéffelec Corrections : A. Bodin

Exo7. Topologie générale. Enoncés : M. Quéffelec Corrections : A. Bodin Enoncés : M. Quéffelec Corrections : A. Bodin Exo7 Topologie générale Exercice 1 1. Rappeler les définitions d une borne supérieure (inférieure) d un ensemble de nombres réels. Si A et B sont deux ensembles

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****

Plus en détail

Table des matières. 3 Suites de nombres réels 29. 3.2 Limites... 30

Table des matières. 3 Suites de nombres réels 29. 3.2 Limites... 30 Table des matières 1 Généralités 3 1.1 Un peu de logique................................. 3 1.1.1 Vocabulaire................................ 3 1.1.2 Opérations logiques............................ 4 1.1.3

Plus en détail

Notes du cours Mathématiques pour l ingénieur. Sup Galilée - année 2008-2009

Notes du cours Mathématiques pour l ingénieur. Sup Galilée - année 2008-2009 Notes du cours Mathématiques pour l ingénieur Sup Galilée - année 2008-2009 Benoît Merlet Ces notes de cours s adressent aux élèves ayant suivi le cours. Elles contiennent peu d explications. Elles pourront

Plus en détail

Espaces vectoriels et applications

Espaces vectoriels et applications Espaces vectoriels et applications linéaires 1 Définitions On parle d espaces vectoriels sur le corps R ou sur le corps C. Les définitions sont les mêmes en substituant R à C ou vice versa. Définition

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail

VIII Relations d ordre

VIII Relations d ordre VIII Relations d ordre 20 février 2015 Dans tout ce chapitre, E est un ensemble. 1. Relations binaires Définition 1.0.1. On appelle relation binaire sur E tout triplet R = (E, E, Γ) où Γ est une partie

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

Licence 3ème année (L3 S6) année 2008-2009 UFR Sciences Université Picardie Jules Verne, Amiens. Probabilités. Barbara SCHAPIRA

Licence 3ème année (L3 S6) année 2008-2009 UFR Sciences Université Picardie Jules Verne, Amiens. Probabilités. Barbara SCHAPIRA Licence 3ème année (L3 S6) année 2008-2009 UF Sciences Université Picardie Jules Verne, Amiens Probabilités Barbara SCHAPIA 4 juin 2009 Table des matières 1 Probabilités et variables aléatoires 4 1.1 Espaces

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de Terminale ES 2 Table des matières 1 Équations de droites. Second degré 7 1.1 Équation de droite.................................. 7 1.2 Polynôme du second degré..............................

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

B03. Ensembles, applications, relations, groupes

B03. Ensembles, applications, relations, groupes B03. Ensembles, applications, relations, groupes Bernard Le Stum Université de Rennes 1 Version du 6 janvier 2006 Table des matières 1 Calcul propositionnel 2 2 Ensembles 5 3 Relations 7 4 Fonctions, applications

Plus en détail

Cours Intégration MA62. Université de Reims

Cours Intégration MA62. Université de Reims Cours Intégration MA62 Frédéric Hérau Université de Reims mai 2006 Table des matières Introduction 2 1 Préliminaires et Rappels 3 1.1 La droite achevée R............................... 3 1.2 Rappels sur

Plus en détail

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S)

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S) MA 09 CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 009 COMPOSITION DE MATHÉMATIQUES (Classe terminale S) DURÉE : 5 heures La calculatrice de poche est autorisée, conformément à la réglementation. La clarté et

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Licence MIMP Semestre 1. Math 12A : Fondements de l Analyse 1. http ://math.univ-lille1.fr/ mimp/math12.html

Licence MIMP Semestre 1. Math 12A : Fondements de l Analyse 1. http ://math.univ-lille1.fr/ mimp/math12.html Licence MIMP Semestre 1 Math 12A : Fondements de l Analyse 1 http ://math.univ-lille1.fr/ mimp/math12.html Septembre 2013 Table des matières Chapitre I. Les nombres réels et les suites numériques 1 1

Plus en détail

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 [http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 Relations binaires Relations d équivalence Exercice 1 [ 02643 ] [Correction] Soit R une relation binaire sur un ensemble E à la fois réflexive

Plus en détail

Cours de Probabilités 1. Dénombrement 2. Probabilités 3. Variables aléatoires réelles

Cours de Probabilités 1. Dénombrement 2. Probabilités 3. Variables aléatoires réelles Cours de Probabilités 1. Dénombrement 2. Probabilités 3. Variables aléatoires réelles Pour BCPST 1 Année scolaire : 2004/2005 16 juin 2005 Mohamed TARQI Table des matières 1 Dénombrement 3 1.1 Généralités.

Plus en détail

M11 - Résumé de cours et exercices d analyses Premier cycle universitaire TABLES DES MATIÈRES

M11 - Résumé de cours et exercices d analyses Premier cycle universitaire TABLES DES MATIÈRES M11 - Résumé de cours et exercices d analyses Premier cycle universitaire TABLES DES MATIÈRES I. Logique. II. Ensemble. III. Relation, fonction, application. IV. Composition, réciprocité. V. Relation d

Plus en détail

Préparation au CAPES de Mathématiques

Préparation au CAPES de Mathématiques Université Claude Bernard Lyon 1 Année universitaire 2007-2008 Préparation au CAPES de Mathématiques Probabilités F. Bienvenüe-Duheille Chapitre 1 Probabilités 1 Mesure 1.1 Définitions On se place sur

Plus en détail

CHAPITRE V. de U U dans Hom(F, F ) est de classe C. b dans Hom(F,F ) est de classe C, l application b b. de U U

CHAPITRE V. de U U dans Hom(F, F ) est de classe C. b dans Hom(F,F ) est de classe C, l application b b. de U U CHAPITRE V FIBRÉS VECTORIELS 1. Fibrés vectoriels 1. Cartes et atlas vectoriels Soit B une variété différentielle. Considérons un B -ensemble, c est à-dire un ensemble M muni d une application p : M B.

Plus en détail

Problèmes de Mathématiques Filtres et ultrafiltres

Problèmes de Mathématiques Filtres et ultrafiltres Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire

Plus en détail

BJ - RELATIONS BINAIRES

BJ - RELATIONS BINAIRES BJ - RELATIONS BINAIRES Définitions Soit A et B deux ensembles non vides, et G une partie de A B. On dit qu un élément x de A est relié à un élément y de B par une relation binaire de graphe G, si le couple

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé ALGÈBRE PAD - Notes de cours S. Rigal, D. Ruiz, et J. C. Satgé November 23, 2006 Table des Matières Espaces vectoriels Applications linéaires - Espaces vectoriels............................... 3 -. Approche

Plus en détail

Calculs de probabilités conditionelles

Calculs de probabilités conditionelles Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile

Plus en détail

Objets Combinatoires élementaires

Objets Combinatoires élementaires Objets Combinatoires élementaires 0-0 Permutations Arrangements Permutations pour un multi-ensemble mots sous-ensemble à k éléments (Problème du choix) Compositions LE2I 04 1 Permutations Supposons que

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

COURS METHODES MATHEMATIQUES POUR L INGENIEUR. MAM 3, Polytech Lyon. Ionel Sorin CIUPERCA

COURS METHODES MATHEMATIQUES POUR L INGENIEUR. MAM 3, Polytech Lyon. Ionel Sorin CIUPERCA COURS METHODES MATHEMATIQUES POUR L INGENIEUR MAM 3, Polytech Lyon Ionel Sorin CIUPERCA Le cours s adresse en principal à des élèves des écoles d ingénieurs, filière modélisation mathématique. Une partie

Plus en détail

ENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N

ENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

Le produit semi-direct

Le produit semi-direct Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux dirigés d introduction aux Probabilités Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul fonctionnel holomorphe dans les algèbres de Banach Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 2D CH X : Exemples de lois à densité 1 TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun

Plus en détail

Cours de Topologie L3-math

Cours de Topologie L3-math Cours de Topologie L3-math Renaud Leplaideur Année 2014-2015 UBO 2 Table des matières 1 Rappels, préliminaires 5 1.1 Rappels sur les ensembles........................... 5 1.1.1 Formalisme ensembliste.........................

Plus en détail

Introduction à la Topologie

Introduction à la Topologie Introduction à la Topologie Licence de Mathématiques Université de Rennes 1 Francis Nier Dragoş Iftimie 2 3 Introduction Ce cours s adresse à des étudiants de Licence en mathématiques. Il a pour objectif

Plus en détail

Partie II. Supplémentaires d un sous-espace donné. Partie I. Partie III. Supplémentaire commun. MPSI B 8 octobre 2015

Partie II. Supplémentaires d un sous-espace donné. Partie I. Partie III. Supplémentaire commun. MPSI B 8 octobre 2015 Énoncé Dans tout le problème, K est un sous-corps de C. On utilisera en particulier que K n est pas un ensemble fini. Tous les espaces vectoriels considérés sont des K espaces vectoriels de dimension finie.

Plus en détail

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits.

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits. Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits 1 La qualité de la rédaction est un facteur important dans l appréciation

Plus en détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie... 1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre 1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Les deux modes de représentation des sous-espaces vectoriels Il existe deux modes

Plus en détail

COURS DE MATHEMATIQUES TERMINALE STG

COURS DE MATHEMATIQUES TERMINALE STG COURS DE MATHEMATIQUES TERMINALE STG Chapitre 1. TAUX D EVOLUTION... 5 1. TAUX D EVOLUTION ET COEFFICIENTS MULTIPLICATEURS... 5 a. Taux d évolution... 5 b. Coefficient multiplicateur... 5 c. Calcul d une

Plus en détail