Rappel mathmatique

Introduction aux probabilits

Rappel Mathmatique
I. Introduction aux Probabilits
1. Premires explications
Les probabilits sont nes du dsir de prvoir l'imprvisible ou de quantifier l'incertain. Mais il faut avant tout prciser ce qu'elles ne sont pas : elles ne permettent pas de prdire le rsultat d'une unique exprience. Les probabilits n'ont de sens qu'avec l'observation de la loi des grands nombres : si on renouvelle une exprience un grand nombre de fois, la frquence d'apparition d'un v nement est proche de sa probabilit d'apparition. !i on lance un d "#### fois, la frquence d'apparition du n$% sera tr s voisine de "&%. L'tude des probabilits s'est alors rvl un outil tr s puissant pour les organisateurs de 'eux, depuis le chevalier de Mr, en passant par le philosophe (ascal et pour finir che) les mathmaticiens de la *ran+aise des 'eux. ,u'importe pour eux que ce soit M. -upont ou M. -upuis qui gagne le gros lot, leur tude porte sur le grand nombre de 'oueurs, quelles sont les sommes mises, quelles sont les sommes gagnes. Le calcul des probabilits s'est aussi rvl un outil indispensable dans l'tude et la couverture des risques et est . la base de tous nos s/st mes d'assurance. 0nfin, le si cle dernier a vu l'apparition d'une approche probabiliste dans le domaine de l'atome. Les premiers pas dans le domaine des probabilits consistent . se familiariser avec le vocabulaire probabiliste lmentaire, dcouvrir les modes de calcul d'une probabilit, utiliser un arbre de probabilit, dcouvrir la notion d'indpendance en probabilit lmentaire, apprendre quelques r gles de combinatoire et travailler sur quelques variables alatoires lmentaires

2. Principaux lments
2.1. Univers
Lors d'une exprience alatoire, c'est1.1dire soumise au hasard 2de alea 2latin3 le hasard, les ds3, on commence par faire l'inventaire de tous les rsultats possibles. L'ensemble de tous les rsultats possibles sera appel l' univers 4 des possibles.

2.1. Eventualit
5haque rsultat possible sera appel une ventualit 6.
L78I9: M:R78:;0 1 1 <= :IM:5

Rappel mathmatique

Introduction aux probabilits

Exemple 1 : 7n lance une pi ce. L'univers des possibles est 4>?(@ *A.2( pour (ile, * pour face3. Le ( est une ventualit de ce lancer. Exemple 2 : 7n choisit au hasard un rel strictement compris entre # et " non inclus. L'univers des possibles est 4 >B # @ "C. Le nombre est une des ventualits. Exemple 3 : 7n lance D pi ces successivement. L'univers des possibles est 4>?*** @ **( @ *(* @ *(( @ (** @ (*( @ ((* @ (((A. La suite de caract res (*( est une ventualit de cette srie de lancers.

2. . !vnement
8n ensemble de rsultats possibles dfinit un vnement. 5'est un sous1ensemble de l'univers 4. Il peut Etre dcrit en extension 2dans le cas d'un ensemble fini3 ou par une description. Exemple 1: 7n lance un d. L'univers est 4>?" @ = @ D @ F @ G @ %A. La partie : > ?" @ = @ DA est un vnement dcrit en extension. 5et vnement se dcrit par la phrase H on obtient au plus D en lan+ant le d I. Jout lancer de d donnant comme rsultat ", = ou D ralise l'vnement :. Exemple 2 : -ans le choix d'un nombre au hasard entre # et ", l'vnement H on obtient un nombre rationnel I correspond . l'ensemble . Exemple 3 : 7n lance D pi ces successivement. L'vnement H on obtient plus de piles que de faces I correspond . l'ensemble ?*(( @ (*( @ ((* @ (((A. 2. .1. !vnement particulier L'univers 4 est appel vnement certain. -ans un lancer de d, l'vnement H obtenir un numero compris entre " et % I correspond . l'vnement ?" @ = @ D @ F @ G @ %A, c'est1.1dire . l'vnement certain. L'ensemble vide K est appel vnement impossible. dans un lancer de d, l'vnement H obtenir plus de L I correspond . l'vnement ?A > K, c'est1.1dire l'vnement impossible. 8n vnement qui ne comporte qu'un seul lment ou ventualit est appel vnement lmentaire. 2. .2. "pration sur les vnements #$union: l'vnement est ralis d s que : ou M est ralis. -ans un lancer de d, si l'vnement : est H obtenir un nombre pair I et l'vnement M H obtenir un multiple de D I, l'vnement est l'vnement H obtenir un nombre pair "U un multiple de D I, c'est1.1 dire ?= @ D @ F @ %A. #$intersection: l'vnement est ralis d s que : et M sont raliss dans la mEme exprience. -ans un lancer de d, si l'vnement : est H obtenir un nombre pair I et l'vnement M H obtenir un multiple de D I, l'vnement est l'vnement H obtenir un nombre pair E% multiple de D I, c'est1.1dire ?%A.

L78I9: M:R78:;0

1 1 <D

:IM:5

Rappel mathmatique

Introduction aux probabilits

#e contraire: l'vnement contraire de :, not contient tous les lments de 4 qui ne sont pas dans :. 5'est l'vnement qui est ralis d s que : n'est pas ralis. -ans un lancer de d, si l'vnement : est H obtenir un nombre pair I, l'vnement contraire de :, est l'vnement H obtenir un nombre impair I. 2. . . !vnements incompatibles Lorsque deux vnements ont une intersection vide, c'est qu'ils ne peuvent pas Etre raliss au cours d'une mEme exprience. 7n les appelle alors vnements incompatibles. -ans un lancer de d, si l'vnement : est H obtenir un multiple de F I et l'vnement M H obtenir un multiple de D I, les vnements : et M sont incompatibles. Il ne faut pas confondre les vnements incompatibles 2qui ne peuvent se produire lors d'une mEme exprience3 et vnements indpendants 2qui se produisent indpendamment l'un de l'autre3. Maintenant que tout le vocabulaire est en place, il s'agit de quantifier la probabilit de ralisation de chaque vnement.

. Probabilit sur un ensemble &ini

.1. 'onstruction intuitive
Lorsque l'univers li . l'exprience alatoire comporte un nombre fini d'ventualits, on affecte . chaque ventualit une probabilit d'apparition. Il s'agit d'un nombre compris entre # et ". 5es probabilits doivent cependant vrifier une unique contrainte : leur somme doit Etre gale . ". Le choix de ces nombres est laiss . la libert de celui qui tente de modliser le phnom ne alatoire. La probabilit d'un vnement est alors dfinie comme la somme des probabilits des ventualits qui composent cet vnement.

.2. (&inition mathmatique

0n terme mathmatique, une probabilit sur un ensemble fini4 est une application de 4 dans C#@"B vrifiant l'galit

7n dfinit alors la probabilit de l'vnement : comme

Les probabilits sur les vnements vrifient alors les proprits lmentaires suivantes

p243 > "

L78I9: M:R78:;0

1 1 <F

:IM:5

Rappel mathmatique

Introduction aux probabilits

. . Equiprobabilit
!i on estime que toutes les ventualits sont quiprobables, et si on note Card243, le cardinal de 4, c'est1.1dire le nombre d'lments dans 4, chaque ventualit a une probabilit d'apparition de

La probabilit de l'vnement : est alors donne par la formule

). Probabilit sur un ensemble in&ini

!i l'univers est infini mais dnombrable, on peut parfois continuer . affecter . chaque ventualit une probabilit avec comme condition que la somme infinie des probabilits converge vers ". Mais il arrive plus frquemment que l'on value la probabilit de chaque ventualit . )ro et que la seule chose que l'on puisse dfinir soit la probabilit de certains vnements. :insi, quand on choisit un nombre rel Nau hasardN entre # et "#, la probabilit de tomber exactement sur est gale . #. La seule chose que l'on puisse dfinir est la probabilit d'obtenir un nombre compris entre ",F et ",G. 5ette probabilit est prise gale . #,#" : on compare la taille de l'intervalle souhait . la taille de l'intervalle des possibles, en supposant l'quiprobabilit, cette probabilit s'appelle la loi uniforme. Mais d'autre choix sont possibles: c'est la grande famille des lois de probabilits continues dans laquelle on trouve la loi exponentielle, la loi de Oauss, ... (our dfinir des probabilits dans ce cas de figure, il est parfois ncessaire de construire des espaces probabilisables

II. *ariables alatoires

La notion de variable alatoire relle est utilise d s que le rsultat dPune exprience alatoire est quantifiable. 0lle est ne de considration sur les 'eux oQ . chaque 'eu pouvait Etre associ un gain 2> somme empoche 1 mise3. La question tait de savoir comment rpartir de fa+on 'uste les mises en cas dParrEt forc en cours de partie. -e mani re informelle, une variable alatoire relle est une variable numrique qui dpend d'une exprience soumise au hasard. 5'est le cas des gains d'un 'oueur qui dpendent du rsultat d'un tirage de loterie ou bien de la somme des faces suprieures de deux ds qui
L78I9: M:R78:;0 1 1 <G :IM:5

Rappel mathmatique

Introduction aux probabilits

dpend du rsultat du lanc des deux ds. R chaque rsultat de l'exprience soumise au hasard est associ un nombre 2gain ou somme des chiffres3. 5ette relation entre l'ensemble des rsultats possibles d'une exprience alatoire, que l'on appelle univers des possibles, et un ensemble de nombres est . l'origine de la dfinition formelle de la variable alatoire. *ormellement, une variable alatoire relle est une application S dPun univers 4 muni dPune probabilit p vers R. 5ette application cre un nouvel univers S243 de rels sur lequel on peut construire une probabilit issue de p. 5ette probabilit sPappelle loi de probabilit de S. Il arrive souvent que lPon oublie lPunivers 4 pour ne sPintresser quP. lPunivers S243.

1. 'as des variables alatoires d&inies sur un univers + &ini.

!i lPunivers 4 est fini, alors lPunivers S243 est fini. S243 > ?x", x=, ..., xnA.

1.1. #oi de probabilit

La loi de probabilit peut se construire de la mani re suivante : pX2xi3 >

p2X > xi3. > pi

Exemple: 0n lan+ant deux ds, on cre un univers 4 de D% lments form de couples dPentiers de " . %. !ur cet univers, on dfinit une quiprobabilit 2les lancers des = ds tant deux expriences indpendantes3. !i lPon ne sPintresse quP. la somme des deux ds, il faut crer une variable alatoire S qui, . chaque couple, associe leur somme. LPunivers S243 est donc ?= , D , F , G , % , L , < , T , "# , "" , "=A. 5et univers contient "" lments, mais il nPest pas adquat dP/ dfinir une quiprobabilit.

pS2L3 > p2S > L3 > p2?2" , %3A3 U p2?2=, G3A3 U p2?2D , F3A3 U p2?2F , D3A3 U p2?2G , =3A3 U p2?2% , "3A3 > %&D% > "&% pS2=3 > p2S > =3 > p2?" , "A3 > "&D%

7n peut ainsi crer une loi de probabilit sur S243

xi pi

<

"#

""

"=

"&D% =&D% D&D% F&D% G&D% %&D% G&D% F&D% D&D% =&D% "&D%

1.2. Esprance, variance et cart t-pe

La prsentation de la loi de probabilit sous forme dPun tableau ressemblant au tableau des frquences dPune srie statistique quantitative discr te et la loi des grands nombres qui stipule que les deux tableaux coVncident si on renouvelle un grand nombre de fois lPexprience, pousse . dfinir aussi pour S la mo/enne, la variance et lPcart t/pe. La mo/enne de la srie statistique sera appele esprance dans le cas dPune variable alatoire. 5e terme provient sans doute de l'utilit des premi res variables alatoires dans les calculs statistiques sur les gains des 'eux de hasard. LPesprance du gain correspond alors . la mo/enne des gains au cours de nombreuses parties.

L78I9: M:R78:;0

1 1 <%

:IM:5

Rappel mathmatique

Introduction aux probabilits

La variance sPcrit alors, par analogie avec la formule de la variance avec frquences:

LPcart t/pe reste tou'ours la racine carre de la variance :

1. . .onction de rpartition
La &onction de rpartition d'une variable alatoire S est la fonction * dfinie sur R par *2x3 > p2S W x3. -ans le cas dPune variable discr te, cPest une fonction en escalier. 0n effet :

si x si si ... si si

X x" alors F2x3 > #. alors F2x3 > p". alors F2x3 > p" U p=.
alors F2x3 alors F2x3 > ".

> p" U p= U ... U pn Y ".

1.). #ois clbres

7utre lPquiprobabilit, on peut rencontrer aussi

la loi de Mernoulli la loi binomiale la loi h/pergomtrique.

2. *ariables alatoires / densit

Il arrive que lPunivers 4 soit infini et que lPunivers S243 soit aussi infini. Le calcul des p S2x3 pour tout x de S243 nPest souvent pas suffisant pour calculer la probabilit dPun vnement et il est mEme frquent que ces pS2x3 soient tous nuls. Il est alors ncessaire de calculer directement pS2Ca @ bB3.

2.1. (ensit de probabilit

7n dit que S est une variable alatoire de densit f si la probabilit de lPvnement H a W S W b I vaut . Il faut videmment que la fonction f soit . valeurs positives, intgrable sur R, et d'intgrale sur R gale . ".
L78I9: M:R78:;0 1 1 <L :IM:5

Rappel mathmatique

Introduction aux probabilits

7n peut remarquer que p2Ca @ aB3 > #, donc que p2Ba @ bB3 > p2Ca @ bB3 ce qui explique la libert prise dans ce cas avec les ingalits larges ou strictes.

2.1. . 0utres lois 7n rencontre aussi

La loi exponentielle dite aussi de dure de vie sans vieillissement La loi normale, dite aussi loi de Laplace1Oauss, ou loi normale gaussienne, ou loi de Oauss.

2.2. Probabilits continues

Il / a pourtant des cas pour lesquels la dfinition prcdente est en dfaut. 5e sont tous ceux faisant intervenir une variable continue , comme par exemple le temps coul avant apparition d'une panne dans un quipement en fonctionnement permanent. La difficult provient du fait que l'on ne peut plus dnombrer les valeurs que peut prendre valeurs qui sont en nombre infini, avec pour consquence que la probabilit pour que l'vnement survienne . une valeur donne de infinit de valeurs possibles3. est nulle 2une seule valeur de parmi une ,

(our contourner ce probl me, on dfinit alors une fonction

valeurs positives ou nulles, intgrable,

et telle que

5et artifice permet de considrer que

reprsente la probabilit pour que

l'vnement survienne entre et , la somme de tous les cas possibles correspondant . la certitude de l'apparition de l'vnement. La fonction est appele densit de probabilit .

2.2. Esprance, variance et cart t-pe

La mthode dPapproximation dPune intgrale par la mthode des rectangles conduit . dfinir lPesprance et la variance comme des intgrales issues du passage . la limite des sommes dfinissant mo/enne et variance dans le cas dPune variable statistique continue. -e la mo/enne de la srie statistique, on passe . lPesprance de S par la formule.
L78I9: M:R78:;0 1 1 << :IM:5

Rappel mathmatique

Introduction aux probabilits

si lPintgrale existe La variance sPcrit alors, par analogie avec la formule de la variance avec frquences:

si lPintgrale existe. LPcart t/pe reste tou'ours la racine carre de la variance : .

2. . .onction de rpartition
La fonction de rpartition est la fonction * dfinie sur R par *2x3 > p2S W x3. -ans le cas dPune variable . densit, cPest la primitive de f dont la limite en U Z est ".

0n effet

2.). Mdiane
!i la fonction de rpartition * est continue et strictement croissante, elle dfinit une bi'ection de R sur B# @ "C. Il existe donc alors une valeur unique M telle que *2M3 > "&=. 5ette valeur s'appelle la mdiane de la variable alatoire S. 0lle vrifie p2S W M3 > p2S [ M3 > #,G.

III. (&initions de probabilit

1. Esprance mathmatique
L'esprance mathmatique d'une variable alatoire est l'quivalent en probabilit de la mo/enne d'une srie statistique en statistiques. 0lle se note E(X) et se lit esprance de X.

.ormules1
L'esprance est dfinie pour les variables alatoires . valeurs dans R 2ou 53 de la mani re suivante :

5as d'une variable discr te : o !i S prend un nombre fini n de valeurs relles : x1, x2, ..., xn avec les probabilits p1, p2, ..., pn alors

L78I9: M:R78:;0

1 1 <T

:IM:5

Rappel mathmatique
o

Introduction aux probabilits

!i S prend un nombre dnombrable de valeurs relles : x0, x1, ..., xi, .... avec les probabilits p0, p1, ..., pi, .... alors si la srie converge absolument.

2La convergence absolue assure que la division de la srie ne dpend pas de la mani re de numroter les termes3 5as d'une variable . densit de probabilit : o !i S a pour densit de probabilit f alors . condition que cette intgrale existe.

Proprits
'onstantes L'esprance d'une variable alatoire constante est gale . cette constante@ par exemple, si b est une constante, alors 02b3 > b. Monotonie !i X et Y sont des variables alatoires tels que . #inarit L'esprance est un oprateur linaire dans la mesure oQ presque s\rement, alors

0n combinant les rsultats prcdents, on peut obtenir :

pour deux variables alatoires quelconques X et Y 2qui doivent Etre dfinies sur le mEme espace probabiliste3 et pour deux nombres rels a et b.

2. Mdianes dans les distributions de probabilits

(our chacune des distributions de probabilits sur la ligne des nombres rels avec une fonction de distribution cumulative, F, peu importe s'il s'agit d'une distribution continue de probabilits ou d'une distribution discr te de probabilits, une mdiane m satisfait l'galit :

L78I9: M:R78:;0

1 1 T#

:IM:5

Rappel mathmatique

Introduction aux probabilits

dans laquelle une intgrale de Riemann1!tielt'es appara]t. (our une distribution de probabilits absolument continue avec une densit de probabilit f, il / a :

. .onction de rpartition

0n thorie des probabilits ou en statistiques, la &onction de rpartition d'une variable alatoire relle caractrise la loi de probabilit de cette variable alatoire relle. La &onction de rpartition de la variable alatoire relle est la fonction qui . tout rel associe

oQ le membre de droite rprsente la probabilit que la variable alatoire relle prenne une valeur infrieure ou gale . La probabilit que se trouve dans l'intervalle est donc, si

La &onction de rpartition d'une mesure de probabilit dfinie sur la tribu borlienne est la fonction qui . tout rel associe

.1. Exemples de calculs de la &onction de rpartition

L78I9: M:R78:;0 1 1 T" :IM:5

Rappel mathmatique

Introduction aux probabilits

*ariables / densit

*onction de rpartition de la loi normale centre rduite La fonction de rpartition d'une variable alatoire de densit de probabilit des primitives 2en un sens un peu relach, voir ci1dessous3 de cette densit prcisment est dfinie par: est une . (lus

Joutefois, ce n'est pas, en toute gnralit, une primitive au sens strict du terme : on peut seulement affirmer

qu'une fonction de rpartition est drivable presque partout que si la variable est . densit, alors la drive de est presque partout gale .

.2. Proprits de la &onction de rpartition

Proprits caractristiques
%horme ^ La fonction de rpartition d'une variable alatoire caractristiques suivantes : ". est croissante @ =. 0lle est partout continue . droite @ D. F. . @ a les proprits

0utres proprits C
: cause des points ", D et F, est borne, plus prcisment

L78I9: M:R78:;0

1 1 T=

:IM:5

Rappel mathmatique

Introduction aux probabilits

5omme toute fonction monotone borne, admet en tout point une limite . gauche , limite . gauche gale ou non . selon que est continue en ou non. L'ensemble des points de discontinuit de est fini ou dnombrable. La connaissance de la fonction de rpartition permet de dfinir la probabilit de tout intervalle

par passage au complmentaire,

7Q l'on utilise

pour

et

5ette proprit est la plus dlicate et fait intervenir une consquence des axiomes des probabilits sur la probabilit de l'union d'une suite croissante d'ensembles. 7n consid re une suite de rels croissante, convergeant vers x. L'intervalle est alors union dnombrable de la suite croissante dPintervalles . La probabilit de l'intervalle est donc la limite des probabilits des intervalles , i.e. la limite de la suite (ar proprit des fonctions croissantes, cette limite existe et vaut

0n particulier ces F derni res proprits dcoulant de diffrents choix de et pour

). Moment 2mathmatiques3
0n probabilits 2mathmatiques, statistiques3, on dfinit le moment d'ordre n>0 d'une variable alatoire X, s'il existe, le nombre .

).1 4otion de moment

La notion de moment en mathmatiques, notamment en calcul des probabilits, a pour origine la notion de moment en ph/sique. !oit une fonction continue sur un intervalle 2non rduit . un point3 de . _tant donn un entier naturel n, le n1i me moment de f est dfini 2sous rserve d'existence3 par :

L78I9: M:R78:;0

1 1 TD

:IM:5

Rappel mathmatique

Introduction aux probabilits

Remarque : pour un entier naturel n donn, l'ensemble des fonctions continues sur dont le moment d'ordre n existe est un espace vectoriel rel, et l'application une forme linaire sur cet espace vectoriel. est

).2 Estimation des moments

Lorsque le moment existe, on utilise souvent l'estimateur suivant pour le moment d'ordre !:

. partir de l'chantillon

). Moments centrs
7n dfinit le moment centr d'ordre n>0 d'une variable alatoire X, s'il existe, le nombre .

).) Moments remarquables

5ertains moments sont connus sous un nom particulier. Ils sont utiliss couramment pour caractriser une variable alatoire.

Le moment d'ordre un de la variable : Le moment d'ordre deux de la variable centre : correspond . la variance.

correspond . l'esprance

Le moment d'ordre trois de la variable centre5rduite : correspond au coefficient d'as/mtrie 2s`eaness3.

Le moment d'ordre quatre de la variable centre5rduite : correspond au `urtosis.

).6 .ormules de dtermination rcursive des moments

0n dfinissant

Les moments par rapport . l'origine 2moments ordinaires ou ra" moments en anglais3:

L78I9: M:R78:;0

1 1 TF

:IM:5

Rappel mathmatique .

Introduction aux probabilits

Les moments centrs, nots gnralement

et qui se dfinissent ainsi :

Il existe des formules 2qui ressemblent . celle du binbme3 permettant de calculer un moment centr d'ordre ` . partir des moments ordinaires d'ordre infrieur ou gal . `, et rciproquement @ voici quelques exemples 2'usqu'. l'ordre F3 :

et :

).7 .onction 8nratrice des moments

La &onction 8nratrice des moments d'une variable alatoire X, dfinie par

est utilise afin de gnrer les moments associs . la distribution de probabilits de la variable alatoire X.

6. 0s-mtrie 2statistique3
0n thorie des probabilits et statistiques, le coefficient de diss/mtrie 2 s!e"ness en :nglais3 est un moment standardis qui mesure l'as/mtrie de la densit de pobabilit d'une variable alatoire dfinie sur les nombre rels. 0n termes gnraux, l'as/mtrie d'une distribution est positive si la queue de droite 2. valeurs hautes3 est plus longue ou grosse, et ngative si la queue de gauche 2. valeurs basses3 est plus longue ou grosse. L'as/mtrie est le troisi me moment standardis, se note c" et est calcul . partir du cube des carts . la mo/enne et mesure le manque de s/mtrie d'une distribution.

7Q dD est le troisi me moment centr et e est l'cart1t/pe.

8n coefficient positi& indique une distribution tale vers la gauche, et donc une queue de distribution tale vers la droite@

L78I9: M:R78:;0

1 1 TG

:IM:5

Rappel mathmatique

Introduction aux probabilits

8n coefficient n8ati& indique une distribution tale vers la droite, et donc une queue de distribution tale vers la 8auche@ -ans le cas d'une distribution normale, par s/mtrie on a: c" > #. La distribution est s-mtrique.

7. 9urtosis
0n thorie des probabilits et en statistiques, le :urtosis 2mot d'origine grec 3, plus souvent traduit par coe&&icient d$aplatissement, ou coe&&icient d$aplatissement de Pearson, correspond . une mesure de l'aplatissement, ou a contrario de la pointicit#, de la distribution d'une variable alatoire relle. 5'est la seconde des caractristiques de forme, avec le coefficient de diss/mtrie. 0lle mesure, hors effet de dispersion 2donne par l'cart1t/pe3, la disposition des masses de probabilit autour de leur centre, tel que donn par l'esprance mathmatique, c'est1.1dire d'une certaine fa+on, leur regroupement proche ou loin du centre de probabilit.

7.1. (&inition
7n le dfinit, sous rserve que les moments impliqus existent, comme :

0n fran+ais explicite, c'est le rapport entre le moment centr d'ordre F et le carr du moment centr d'ordre = 2appel variance3. (our une distribution de probabilit quelconque, ce coefficient est compris entre " et UZ. (our une distribution de probabilit suivant la loi normale centre rduite, ce coefficient d'aplatissement vaut D. 8n coefficient d'aplatissement lev indique que la distribution est plutbt pointue en sa mo/enne, et des queues de distribution paisses 2fat tails en anglais3. 5eci s'intuite par l'approche alternative suivante : en effet, une autre mani re d'exprimer ce coefficient est de considrer les contributions lmentaires au moment d'inertie de la variable alatoire @ notons cette derni re X. 5ela revient . s'intresser . la distribution de 2notations classiques3. 0n mo/enne ce param tre vaut ", par construction. !on moment d'ordre = est le coefficient d'aplatissement. 5omme son esprance mathmatique est fixe, son moment d'ordre = ne peut voluer que par compensation : pour l'augmenter, il faut de l'inertie en
L78I9: M:R78:;0 1 1 T% :IM:5

Rappel mathmatique

Introduction aux probabilits

position loigne, contrebalance par de l'inertie proche. -u point de vue t/pologie, si f= [ D, on parle de distribution lepto:urtique. La notion de lepto`urtosis est tr s utilise dans le milieu de la finance de march, les chantillons a/ant des queues plus paisses que la normale aux extrmits, impliquant des valeurs anormales plus frquentes " R l'oppos, un coefficient d'aplatissement proche de un indique une distribution relativement aplatie pour une mEme variance. !i f= X D, on parlera de distribution plati:urtique. 0t pour boucler cet aspect de t/pologie, si f=

> D, on parle de distribution mso:urtique.

7.2. #$excs d$aplatissement

7n normalise parfois le coefficient d'aplatissement en lui soustra/ant la valeur correspondant . la loi normale centre rduite, . savoir D : .

5et exc s d'aplatissement, !urtosis excess en anglais, est source d'ambiguVt. :vec cette nouvelle acception, un exc s d'aplatissement positif correspond . une distribution pointue et un exc s d'aplatissement ngatif . une distribution aplatie. 8n exc s d'aplatissement nul correspond . une distribution quasi$normale, d'autant mieux qu'elle sera s/mtrique 2coefficient d'as/mtrie proche de #3.

;. .onction 8nratrice des moments

-ans le domaine des probabilits et statistiques, la &onction 8nratrice des moments d'une variable alatoire est dfinie par

lorsque son esprance existe. 5ette fonction, comme son nom l'indique, est utilise afin de gnrer les moments associs . la distribution de probabilits de la variable alatoire .

;.1. (&inition et calcul

!i . est associe une densit de probabilit continue f2x3, alors la fonction gnratrice des moments est donne par

0n introduisant dans cette quation le dveloppement limit de l'exponentielle, cette expression est quivalente . :

L78I9: M:R78:;0

1 1 TL

:IM:5

Rappel mathmatique

Introduction aux probabilits

oQ mi est le ieme moment de . !i la densit de probabilit n'est pas continue, la fonction gnratrice des moments peut Etre obtenue par l'intgrale de !tielt'es :

oQ F est la fonction de rpartition de

;.2. Proprits

%X2 Y t3 est la transforme bilatrale de Laplace de la densit de probabilit f2x3

!i est une squence de variables alatoires indpendantes 2mais

non ncessairement identiquement distribues3 et oQ , alors la densit de probabilit. de &n est la convolution pondre par les ai des densits de probabilit de chacun des Xi et la fonction de gnration des moment de &n est donne par

!i la fonction gnratrice des moments existe dans un intervalle ouvert autour de t #, le neme moment de la variable alatoire X est donn par la n me drive de la fonction gnratrice value en t>#:

>

5ette relation permet de calculer tr s aisment les moments d'une loi dont on conna]t la fonction gnratrice. (ar exemple, E2X3 > %X'2#3 et 'ar2X3 > E2X=3 Y E2X3= > %X''2#3 Y C%X'2#3B=.

Exemple
7n veut calculer l'esprance de la loi exponentielle. !a fonction gnratrice des moments est

donnes par:

0n s'appu/ant sur la proprit des drives que

on obtient:

L78I9: M:R78:;0

1 1 T<

:IM:5

Rappel mathmatique

Introduction aux probabilits

0n valuant cette drive en t># on obtient le premier moment:

;. . Relation univoque entre &onction 8nratrice des moments et &onction de densit

(asser de la densit . la fonction gnratrice est chose aise: il suffit d'appliquer la dfinition. La relation inverse semble plus ardue. La mani re la plus facile de traiter cette question est de passer par la Jransformation de *ourier. Il suffit pour cela de considrer la fonction des moments en t > ig, oQ i est le nombre complexe bien connu 2i= > Y "3. 7n obtient ce que l'on appelle la fonction caractristique de la variable X:

0n tant que transforme de *ourier, l'expression prcdente peut Etre inverse:

La fonction gnratrice des moments caractrise donc parfaitement la densit.

<. .onction 8nratrice

<.1. En mathmatiques
0n mathmatiques, la &onction 8nratrice de la suite 2an3 est la srie formelle dfinie par

7n confond parfois la fonction gnratrice et une fonction de la variable x. 5ependant, il est utile de prciser qu'une fonction gnratrice est avant tout une srie formelle et que la fonction de la variable x correspondante risque de ne pas converger pour tout x.

L78I9: M:R78:;0

1 1 TT

:IM:5

Rappel mathmatique

Introduction aux probabilits

fonction gnratrice de la suite constante " : fonction gnratrice de la suite 2n3 : fonction gnratrice de la suite 2n=3 : fonction gnratrice de la suite :

7n parle aussi de &onction 8nratrice exponentielle de la suite 2an3 dfinie par la srie formelle .

Lorsque l'on travaille plutbt avec l'inverse de X, la variable (>"&X, on parle alors de la transforme en 9, asservissements. , qui est beaucoup utilise en traitement du signal et en

7n peut retrouver la suite initiale 2an3 . partir de la fonction gnratrice F2X3 2resp. la fonction gnratrice exponentielle E2X33 selon les formules

<.2. En probabilit
(&inition
!oit X une variable alatoire enti re et positive, la fonction gnratrice de X est la srie enti re:

oQ )2X

> !3 est la probabilit que la variable alatoire X prenne la valeur !.

Exemples pour les lois usuelles

(our la loi de (oisson de param tre h, on a > eh2t Y "3@ (our la loi binomiale de param tres 2n, p3, on a et on en dduit *n,p2t3 > 2" Y p U pt3n.

et il vient *h2t3

L78I9: M:R78:;0

1 1 "##

:IM:5

Rappel mathmatique

Introduction aux probabilits

Proprits

7n peut remarquer que *X2t3 >

ECtXB

!i X admet une esprance ECXB alors *X et sa drive sont dfinies en t>" et on a:

!i X admet une variance 'arCXB, et donc une esprance ECXB, alors *X et ses drives premi re et seconde sont dfinies en t>" et on a:

!i deux variables alatoires relles discr tes . valeurs dans admettent la mEme fonction gnratrice, alors elles ont la mEme loi de probabilit". !oient X et Y deux variables alatoires relles discr tes enti res et positives. !i X et Y sont indpendantes alors on a:

*X U Y > *X.*Y
remarque: La rciproque est fausse.

I*. #oi de =ernoulli

L78I9: M:R78:;0

1 1 "#"

:IM:5

=ernoulli
Rappel mathmatique 0n mathmatiques, la distribution de =ernoulli ou loi de =ernoulli, du nom du mathmaticien suisse iacques Mernoulli, est une distribution discr te de probabilit, qui prend la valeur " avec la probabilit p et # avec la probabilit q > " Y p.
-ensit de probabilit & *onction de masse *onction de rpartition

Introduction aux probabilits

2nombre rel3

Paramtres >upport (ensit de probabilit 2&onction de masse3 .onction de rpartition

Esprance Mdiane 2centre3 non disponible Mode *ariance 0s-mtrie 2statistique3

9urtosis 2non1normalis3

.onction 8nratrice des moments .onction caractristique

L'esprance mathmatique d'une variable alatoire de Mernoulli vaut p et la variance vaut pq > p2" Y p3. Le jurtosis tend vers l'infini pour des valeurs hautes et basses de p, mais pour p > " & = la distribution de Mernoulli a un `urtosis plus bas que toute autre distribution, cPest1.1dire ".

1. *ariable de =ernoulli
8ne variable alatoire suivant la loi de Mernoulli est appele variable de Mernoulli. La loi de Mernoulli est la loi de la variable alatoire qui code le rsultat d'une preuve de Mernoulli de la mani re suivante : " pour Nsucc sN, # pour NchecN, ou quel que soit le nom qu'on donne aux deux issues d'une preuve de Mernoulli.

L78I9: M:R78:;0

1 1 "#=

:IM:5

Rappel mathmatique

Introduction aux probabilits

5lassiquement, crire une variable alatoire +, comptant un nombre d'v nements dans une situation donne, comme la somme d'une famille de variables de Mernoulli permet de calculer simplement l$esprance de +, comme tant la somme des param tres de ces variables de Mernoulli:

5ette mthode simplifie aussi le calcul de la variance de +, dans certains cas.

2. (istributions lies

!i sont des variables alatoires de Mernoulli avec param tre p, indpendantes et identiquement distribues, alors leur somme + suit la Loi binomiale :

*. #oi binomiale

L78I9: M:R78:;0

1 1 "#D

:IM:5

=inomiale
Rappel mathmatique
-ensit de probabilit & *onction de masse

Introduction aux probabilits

*onction de rpartition

Paramtres 2rel3

nombre d'preuves 2entier3 probabilit de succ s

q>"Yp
>upport (ensit de probabilit 2&onction de masse3 .onction de rpartition Esprance Mdiane 2centre3 un des Mode *ariance 0s-mtrie 2statistique3
L78I9: M:R78:;0 1 1 "#F :IM:5
"

9urtosis 2non1normalis3

Rappel mathmatique

Introduction aux probabilits

0n mathmatiques, une loi binomiale de param tres n et p est une loi de probabilit qui correspond . l'exprience suivante : 7n renouvelle n fois de mani re indpendante une preuve de Mernoulli de param tre p 2exprience alatoire . deux issues possibles, gnralement dnommes respectivement H succ s I et H chec I, la probabilit d'un succ s tant p, celle d'un chec tant q > 2" Y p33. 7n compte alors le nombre de succ s obtenus . l'issue des n preuves et on appelle S la variable alatoire correspondant . ce nombre de succ s. L'univers dsigne l'ensemble des entiers naturels de # . n.

La variable alatoire suit une loi de probabilit dfinie par :

5ette formule fait intervenir le nombre des combinaisons de dsormais ou

! lments parmi n qui se note

;otons que ce nombre de combinaisons se distingue du nombre des arrangements de lments parmi n n'importe pas. 0t comme il / a

du fait que dans une combinaison l'ordre des lments !k fa+ons d'ordonner ! lments, le nombre des combinaisons et on obtient :

se dduit du nombre des arrangements par la simple division

L78I9: M:R78:;0

1 1 "#G

:IM:5

Rappel mathmatique

Introduction aux probabilits

5ette loi de probabilit s'appelle la loi binomiale de param,tre -n . p/ et se note 0-n . p/.

1. 'alcul de p2:3
8ne preuve de Mernoulli conduit . la cration d'un univers 4 > ?! @ 0A, 2! pour !ucc s et 0 pour 0chec3. n preuves de Mernoulli indpendantes conduisent . la cration d'un univers 4 n constitu de n1 uplets d'lments de 4, sur lequel peut se dfinir une probabilit produit. La probabilit de l'ventualit 2!, !, ..., !, 0, 0, ..., 03 avec ! succ s et n 1 ! checs a donc pour valeur p`qn1`. (lus gnralement, tout n1uplet form de ! succ s et de n$! checs aura pour probabilit p`qn1` quel que soit l'ordre d'apparition des ! et des 0. L'v nement H S > ` I est form de tous les n1uplets comportant ! succ s et n $ ! checs. La combinatoire permet de dterminer le nombre de n1uplets de ce t/pe : il / en a autant que de parties . ! lments d'un ensemble . n lments @ or chaque partie correspond . une fa+on de placer les ` succ s parmi les n places du n1uplet. Il / a donc probabilit gale . p`qn1`. -onc n1uplets, chacun a/ant une

2. Esprance, variance, cart t-pe

S est la somme de n variables alatoires indpendantes suivant toutes la 2mEme3 loi de Mernoulli de param tre p, prenant la valeur " en cas de succ s 2probabilit p3 et # en cas d'chec 2probabilit -1$p/3 @ ces variables alatoires ont pour esprance p et pour variance p-1$ p/.

02S3 est donc la somme des esprances, soit np l2S3 est la somme des variances, soit np215p3

. 'onver8ence

L78I9: M:R78:;0

1 1 "#%

:IM:5

Rappel mathmatique

Introduction aux probabilits

(our de grandes valeurs de n, le calcul de devient vite pratiquement impossible, sauf si l'on cherche . calculer le logarithme de cette expression au lieu de l'expression elle1 mEme. 7n distingue deux cas :

Lorsque n tend vers l'infini et que p tend vers # avec np > a, la loi binomiale converge vers une loi de (oisson de param tre a. 0n pratique, on remplace la loi binomiale par une loi de (oisson d s que n [ D# et np X G ou d s que n [ G# et p X #.". Lorsque n tend vers l'infini et que p et q sont de mEme ordre de grandeur, la loi binomiale converge vers une loi normale d'esprance np et de variance npq. 0n pratique, on remplace une loi binomiale par une loi normale d s que n [ D#, np [ G et nq [ G

*I. #oi de Poisson

L78I9: M:R78:;0

1 1 "#L

:IM:5

Poisson
Rappel mathmatique
-ensit de probabilit & *onction de masse

Introduction aux probabilits

L'axe hori)ontal est l'indice !. La fonction est seulement dfinie pour les valeurs enti res de !.
*onction de rpartition

L'axe hori)ontal est l'indice !. La fonction de rpartition est seulement discontinue pour les valeurs enti res de !. Paramtres >upport (ensit de probabilit 2&onction de masse3 .onction de rpartition

2oQ m2x,13 est la *onction gamma incompl te3 Esprance Mdiane 2centre3 Mode *ariance 0s-mtrie 2statistique3 9urtosis 2non1normalis3 L78I9: M:R78:;0 .onction 8nratrice des moments
1 1 "#< :IM:5

et h

Y " si h est un entier

Rappel mathmatique

Introduction aux probabilits

0n statistique, la loi de Poisson de param tre h, ou loi des vnements rares, correspond au mod le suivant : S prend des valeurs enti res : #, ", =, ... 5ette variable alatoire suit une loi de probabilit dfinie par

pour tout entier naturel !, 5'est la loi de (oisson de param tre h

1. 'alcul de p2:3
5e calcul peut se faire de mani re dductive en travaillant sur une loi binomiale de param tres 2J@ h&J3. (our J grand, on dmontre que la loi binomiale converge vers la loi de (oisson. Il peut aussi se faire de mani re inductive en tudiant sur l'intervalle C#@ JB les fonctions F!2t3 > probabilit que l'vnement se produise ` fois sur l'intervalle de temps C# @ tB. 0n utilisant la rcurrence et du calcul diffrentiel, on parvient . retrouver les formules prcdentes.

2. Esprance, variance, cart t-pe

L'esprance d'une loi de (oisson est h.
(monstration !i suit une loi de poisson de param tre , soit .

:lors, on a par dfinition que

et que:

L78I9: M:R78:;0

1 1 "#T

:IM:5

Rappel mathmatique

Introduction aux probabilits

-ans la derni re ligne, on reconna]t le dveloppement en srie enti re de

La variance d'une loi de (oisson est h.

(monstration

L78I9: M:R78:;0

1 1 ""#

:IM:5

Rappel mathmatique

Introduction aux probabilits

!on cart t/pe est donc

. .onction 8nratrice
La fonction gnratrice de la loi de poisson est
(monstration La fonction gnratrice d'une loi S est dfinie par . :insi on obtient :

L78I9: M:R78:;0

1 1 """

:IM:5

Rappel mathmatique

Introduction aux probabilits

). .onction 8nratrice des moments

La fonction gnratrice des moments d'une loi de poisson est:

(monstration

6. (omaine d$application
Le domaine d'application de la loi de (oisson a t longtemps limit . celui des vnements rares comme les suicides d'enfants, les arrives de bateaux dans un port ou les accidents dus aux coups de pied de cheval dans les armes 2tude de Ladislaus Mort`ieaic)3.

L78I9: M:R78:;0

1 1 ""=

:IM:5

Rappel mathmatique

Introduction aux probabilits

Mais depuis quelques dcennies son champ d'application s'est considrablement largi. :ctuellement, on l'utilise beaucoup dans les tlcommunications 2pour compter le nombre de communications dans un intervalle de temps donn3, le contrble de qualit statistique, la description de certains phnom nes lis . la dsintgration radioactive 2la dsintgration des no/aux radioactifs suivant, par ailleurs, une loi exponentielle de param tre not aussi lambda3, la biologie2mutations3, la mtorologie, la finance pour modliser la probabilit de dfaut d'un crditn

7. (ia8rammes en b?tons
5omme toute loi de probabilit discr te, une loi de (oisson peut Etre reprsente par un diagramme en botons. 5i1dessous sont reprsents les diagrammes en botons des lois de (oisson de param tres ", = et G.

Lorsque le param tre h de la loi de (oisson devient grand, 2pratiquement lorsqu'il est suprieur . G3, son diagramme en boton est correctement approch par l'histogramme d'une loi normale d'esprance et de variance gales . h 2l'intervalle de classe tant gal . l'unit3. 5ette convergence tait mise . profit, avant que les mo/ens informatiques ne se gnralisent, pour utiliser la loi normale en lieu et place de la loi de (oisson dans certains tests.

;. >tabilit de la loi de Poisson par la somme

!i S et p sont deux variables alatoires indpendantes qui suivent des lois de (oisson de param tres h et d, alors SUp est une variable alatoire qui suit la loi de (oisson de param tre h U d.

L78I9: M:R78:;0

1 1 ""D

:IM:5

Rappel mathmatique %horme ^ !i et sont

Introduction aux probabilits indpendantes, alors

(monstration La dmonstration est faite ici par la fonction gnratrice des moments. 7n sait en effet que %X U Y2t3 > %X2t3%Y2t3 par indpendance de X et Y et que la fonction gnratrice des moments dtermine univoquement la loi. 0n partant du rsultat dmontr plus haut: %X2t3 on calcule: %X U Y2t3

> exp2h2et Y "33,

> %X2t3%Y2t3 > exp2h2et Y "33exp2d2et Y "33 > exp2h2et Y "3 U d2et Y "33 > exp22h U d32et Y "33
Le rsultat %X U Y2t3 > exp22h U d32et Y "33 est simplement la fonction gnratrice des moments d'une loi de (oison de param tre h U d

*II. #oi normale

L78I9: M:R78:;0

1 1 ""F

:IM:5

Rappel mathmatique

(istribution 8aussienne
-ensit de probabilit & *onction de masse

Introduction aux probabilits

La courbe rouge reprsente la fonction q 2voir texte3, densit de probabilit d'une variable suivant une loi normale centre rduite *onction de rpartition

Paramtres d mo/enne 2nombre rel3 e= [ # variance 2nombre rel3 >upport (ensit de probabilit 2&onction de masse3 .onction de rpartition Esprance d Mdiane 2centre3 d Mode d *ariance e= 0s-mtrie # 2statistique3 9urtosis 2non1 D 2# si normalis3 normalis3 .onction 8nratrice des moments
L78I9: M:R78:;0

.onction caractristique

1 1 ""G

:IM:5

Rappel mathmatique

Introduction aux probabilits

0n probabilit, on dit qu'une variable alatoire relle X suit une loi normale 2ou loi normale 8aussienne, loi de #aplace5@auss3 d'esprance 2 et d'cart t/pe 3 strictement positif 2donc de variance 323 si cette variable alatoire relle X admet pour densit de probabilit la fonction p-x/ dfinie, pour tout nombre rel x, par :

8ne telle variable alatoire est alors dite variable gaussienne. 7n note habituellement cela de la mani re suivante :
L78I9: M:R78:;0 1 1 ""% :IM:5

Rappel mathmatique

Introduction aux probabilits

La loi normale est une des principales distributions de probabilit. 0lle a t introduite par le mathmaticien :braham de Moivre en "LDD et utilise par lui afin d'approcher des probabilits associes . des variables alatoires binomiales possdant un param tre n tr s grand. 5ette loi a t mise en vidence par Oauss au SIS e si cle et permet de modliser de nombreuses tudes biomtriques. !a densit de probabilit dessine une courbe dite courbe en cloche ou courbe de Oauss.

1.

#a loi normale centre rduite

(&inition

Reprsentation graphique d'une loi normale centre rduite 2dite courbe de Oauss ou courbe en cloc4e3. 7n appelle loi normale 2ou gaussienne3 centre rduite la loi dfinie par la densit de probabilit dfinie par :

7n vrifie qu'elle est continue et que son intgrale sur

est gale . ".

7n sait en effet que

2intgrale de Oauss3.

7n dmontre 2voir plus bas3 que la loi dfinie par cette densit de probabilit admet une esprance nulle et une variance gale . ". Remarques :

la densit est paire @ elle est indfiniment .

drivable

et

vrifie,

pour

tout

l'identit

L78I9: M:R78:;0

1 1 ""L

:IM:5

Rappel mathmatique

Introduction aux probabilits

La reprsentation graphique de cette densit est une courbe en cloche 2ou courbe de Oauss3.

Moments
Les moments de cette loi existent tous. (our tout l'origine est : , le moment d'ordre n par rapport .

. (our la suite on supposera d > # et e= > ".

0n raison de la parit de l'intgrande, tous les moments d'ordre impair sont nuls : !upposons . prsent n pair : !i , oQ .

, une intgration par parties 2non dtaille ici3 donne :

ce qui fournit la relation de rcurrence : . -e cette relation, on dduit, comme , que :

0n particulier, 2la variance vaut

2l'esprance est nulle : la loi est donc dite centr#e3 et : la loi est donc dite r#duite3.

5eci 'ustifie l'appellation de loi normale centr#e r#duite. -es formules prcdentes, on dduit encore : et La loi tant rduite, les moments centrs sont tous gaux aux moments par rapport . l'origine de mEme rang @ en particulier : , et . et l'aplatissement 2!urtosis3 :

7n en dduit l'as/mtrie 2s!e"ness3 : .

.onction de rpartition
7n note r la fonction de rpartition de la loi normale centre rduite. 0lle est dfinie, pour tout rel x, par :

L78I9: M:R78:;0

1 1 ""<

:IM:5

Rappel mathmatique

Introduction aux probabilits

. 5'est la primitive de qui tend vers # en @ elle ne s'exprime pas . l'aide des fonctions usuelles 2exponentielle, etc.3 mais devient elle1mEme une fonction usuelle, importante, pour quiconque pratique le calcul des probabilits ou les statistiques @ elle s'exprime . l'aide de la &onction d$erreur. 5itons les proprits suivantes de la fonction r :

0lle est indfiniment drivable, et 0lle est strictement croissante, tend vers # en 2c'est donc une bi'ection unique, not , tel que

et vers " en , il existe

: pour tout 3

(our tout paire3 @ en particulier,

2ceci rsulte de ce que la densit est

Remarque : les notations et pour dsigner H la I densit et la fonction de rpartition de la loi normale centre rduite sont usuelles. 0pproximation de la &onction de rpartition Il n'existe pas d'expression pour r mais on peut exploiter avec profit son aspect rgulier pour en donner une approximation groce . un dveloppement en srie de Ja/lor. (ar exemple, voici une approximation 2. l'ordre G3 autour de #: 5ette approximation est performante pour s x s X =. 8ne approximation pour les grandes valeurs de x est donne, pour x positif, par la formule srie divergente pour tout x positif, mais dont les sommes partielles encadrent 1$5-x/ de mani re efficace lorsque x est grand. .

(ar exemple,

d'oQ une erreur relative infrieure . =Gt pour x suprieur . = ou bien infrieure . ""t pour x suprieur . D. 7u bien encore :

L78I9: M:R78:;0

1 1 ""T

:IM:5

Rappel mathmatique

Introduction aux probabilits

d'oQ une erreur relative infrieure . =Gt pour x suprieur . = ou bien infrieure . =t pour x suprieur . D. %ables numriques Il existe des tables de la fonction de rpartition, donnant des valeurs approches de @ on se limite . des x positifs ou nuls : en effet, si par exemple on conna]t l'approximation , on en dduit . ,

:u lieu des prcdentes, on utilise souvent des tables de la fonction qu'on notera ici dfinie sur par :

La table suivante donne pour tout x de # 'usqu'. D,T par pas de #,#", la valeur de "#G r2x3. 5es valeurs sont arrondies . l'unit la plus proche. L'entre en ligne donne les deux premiers chiffres de x, c'est1.1dire le chiffre des units et celui des dixi mes, et l'entre en colonne le chiffre des centi mes. (ar exemple : r2",LD3 > #,TG<"<. A,AA G#### GDT<D GLT=% %"LT" %GGF= %T"F% L=GLG LG<#F L<<"F <"GTF <F"DF <%FDD <<FTD T#D=# T"T=F TDD"T TFG=# TGGFD T%F#L A,A1 G#DTT GFD<# G<D"L %="L= %GT"# %TFTL L=T#L L%""G LT"#D <"<GT <FDLG <%%G# <<%<% T#FT# T=#LD TDFF< TF%D# TG%DL T%F<G A,A2 G#LT< GFLL% G<L#% %=GG= %%=L% %T<FL LD=DL L%F=F LTD<T <="=" <F%"F <%<%F <<<LL T#%G< T===# TDGLF TFLD< TGL=< T%G%= A,A G""TL GG"L= GT#TG %=TD# %%%F# L#"TF LDG%G L%LD# LT%LD <=D<" <F<FT <L#L% <T#%G T#<=F T=D%F TD%TT TF<FG TG<"< T%%D< A,A) G"GTG GGG%L GTF<D %DD#L %L##D L#GF# LD<T" LL#DG LTTGG <=%DT <G#<D <L=<% <T=G" T#T<< T=G#L TD<== TFTG# TGT#L T%L"=
1 1 "=#

A,A A,1 A,2 A, A,) A,6 A,7 A,; A,< A,B 1,A 1,1 1,2 1, 1,) 1,6 1,7 1,; 1,<

A,A6 G"TTF GGT%= GT<L" %D%<D %LD%F L#<<F LF="G LLDDL <#=DF <=<TF <GD"F <LFTD <TFDG T""FT T=%FL TDTFD TG#GD TGTTF T%L<F

A,A7 G=DT= G%DG% %#=GL %F#G< %LL=F L"==% LFGDL LL%DL <#G"" <D"FL <GGFD <L%T< <T%"L T"D#T T=L<G TF#%= TG"GF T%#<# T%<G%

A,A; G=LT# G%LFT %#%F= %FFD" %<#<= L"G%% LF<GL LLTDG <#L<G <DDT< <GL%T <LT## <TLT% T"F%% T=T== TF"LT TG=GF T%"%F T%T=%

A,A< GD"<< GL"F= %"#=% %F<#D %<FDT L"T#F LG"LG L<=D# <"#GL <D%F% <GTTD <<"## <TTLD T"%=" TD#G% TF=TG TGDG= T%=F% T%TTG

A,AB GDG<% GLGDG %"F#T %G"LD %<LTD L==F# LGFT# L<G=F <"D=L <D<T" <%="F <<=T< T#"FL T"LLF TD"<T TFF#< TGFFT T%D=L TL#%=
:IM:5

L78I9: M:R78:;0

Rappel mathmatique 1,B 2,A 2,1 2,2 2, 2,) 2,6 2,7 2,; 2,< 2,B ,A ,1 ,2 , ,) ,6 ,7 ,; ,< ,B

Introduction aux probabilits

TL"=< TL"TD TL=GL TLD=# TLD<" TLFF" TLG## TLGG< TL%"G TL%L# TLL=G TLLL< TL<D" TL<<= TLTD= TLT<= T<#D# T<#LL T<"=F T<"%T T<="F T<=GL T<D## T<DF" T<D<= T<F== T<F%" T<G## T<GDL T<GLF T<%"# T<%FG T<%LT T<L"D T<LFG T<LL< T<<#T T<<F# T<<L# T<<TT T<T=< T<TG% T<T<D TT#"# TT#D% TT#%" TT#<% TT""" TT"DF TT"G< TT"<# TT=#= TT==F TT=FG TT=%% TT=<% TTD#G TTD=F TTDFD TTD%" TTDLT TTDT% TTF"D TTFD# TTFF% TTF%" TTFLL TTFT= TTG#% TTG=# TTGDF TTGFL TTG%# TTGLD TTG<G TTGT< TT%#T TT%=" TT%D= TT%FD TT%GD TT%%F TT%LF TT%<D TT%TD TTL#= TTL"" TTL=# TTL=< TTLD% TTLFF TTLG= TTL%# TTL%L TTLLF TTL<" TTL<< TTLTG TT<#" TT<#L TT<"D TT<"T TT<=G TT<D" TT<D% TT<F" TT<F% TT<G" TT<G% TT<%" TT<%G TT<%T TT<LF TT<L< TT<<= TT<<% TT<<T TT<TD TT<T% TTT## TTT#D TTT#% TTT"# TTT"D TTT"% TTT"< TTT=" TTT=F TTT=% TTT=T TTTD" TTTDF TTTD% TTTD< TTTF# TTTF= TTTFF TTTF% TTTF< TTTG# TTTG= TTTGD TTTGG TTTGL TTTG< TTT%# TTT%" TTT%= TTT%F TTT%G TTT%% TTT%< TTT%T TTTL# TTTL" TTTL= TTTLD TTTLF TTTLG TTTL% TTTLL TTTL< TTTL< TTTLT TTT<# TTT<" TTT<" TTT<= TTT<D TTT<D TTT<F TTT<G TTT<G TTT<% TTT<% TTT<L TTT<L TTT<< TTT<< TTT<T TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT TTTTT ".#### ".#### ".#### ".#### ".#### ".#### ".#### ".#### ".#### ".#### et 2dcoulant de la formule de 5hasles

7n dispose des relations simples suivantes entre pour les intgrales3 :

si si

, alors , alors

!oit 6 une variable alatoire suivant la loi normale centre rduite :

pour tout

et pour tout

pour tout couple

de rels tels que .

Exemples numriques

R l'aide de la table ci1dessus, on obtient, pour la variable alatoire prcdente :

L78I9: M:R78:;0

1 1 "="

:IM:5

Rappel mathmatique

Introduction aux probabilits

2. #a loi normale 8nrale

!oient . 7n dfinit la variable alatoire 7n a . 5herchons la loi de : pour tout , et , dont on note la fonction de rpartition. puisque et une variable alatoire suivant la loi normale centre rduite, et deux rels , oQ

puisque la fonction de rpartition de

est

:insi, est contin\ment 2et mEme indfiniment3 drivable : suit une loi . densit, et la drive de est une densit de probabilit de cette variable alatoire @ pour tout ,

5eci lgitime la dfinition suivante :

(&inition
7n appelle loi normale 2ou 8aussienne, ou de Laplace1Oauss3 de param tres 3 la loi de probabilit dfinie par la densit : , telle que pour tout 2oQ

. 8ne variable gaussienne est une variable alatoire relle qui suit une loi normale de param tres 2oQ est soit positive, soit nulle3. Le cas oQ est nul est appel cas d#7#n#r# et correspond aux variables alatoires constantes. 5ette convention trange est commode 4otation: cette loi est note La loi normale centre rduite est note .

L78I9: M:R78:;0

1 1 "==

:IM:5

Rappel mathmatique

Introduction aux probabilits

7n peut noncer plusieurs proprits, compte tenu de ce qui prc de 2le dernier point se dmontrant de mani re analogue3.

Proprits
!oit une variable alatoire

qui suit la loi normale ,

. :lors :

son esprance et sa variance existent et sa fonction de rpartition est telle que pour tout

la variable alatoire normale centre rduite si sont deux rels 2 normale

, c'est1.1dire 3, alors la variable alatoire

, suit la loi suit la loi

!oit une variable alatoire qui suit la loi normale . :lors la variable alatoire exp2X3 2de loi dite log1normale3 poss de les proprits suivantes:

son esprance existe et vaut

sa variance existe et vaut

#ar8eur / mi5hauteur
Lorsque l'on travaille sur une reprsentation graphique, on estime frquemment la largeur de la gaussienne par sa largeur . mi1hauteur 8 2en anglais full "idt4 at 4alf maximum, *uvM3, qui est la largeur de la courbe . une altitude qui vaut la moiti de l'altitude du sommet. La largeur . mi1hauteur est proportionnelle . l'cart t/pe :

Le facteur = sert . prendre en compte l'extension de la gaussienne dans les valeurs ngatives.

'alcul de P2a C D C b3
Les rsultats prcdents permettent de ramener tout calcul de probabilit relatif . la loi normale . un calcul de probabilit relatif . la loi normale centre rduite. 7n a vu qu'on dispose de tables donnant des approximations de valeurs de la fonction , tables qu'on

L78I9: M:R78:;0

1 1 "=D

:IM:5

Rappel mathmatique

Introduction aux probabilits

utilise encore frquemment, mEme si certaines calculatrices ou certains tableurs peuvent maintenant les remplacer. !i la variable alatoire , on a : suit la loi normale , et si sont deux rels tels que

'as d$un intervalle centr / la mo-enne, pla8es de normalit

!i t est un rel positif,

lorsque

, oQ

ce qui quivaut .

, ou

l'intervalle est appel pla8e de normalit au niveau de confiance w 2si par exemple, w > #,TG, on dit : Nplage de normalit au niveau de confiance TGtN : en statistique, c'est un intervalle dans lequel se trouve TGt de la population lorsque la distribution est gaussienne3. Exemples numriques Oroce . la table prcdente, on obtient :

@ l'intervalle confiance %< t est la plage de normalit au niveau de @ l'intervalle 28 tant la largeur . mi1hauteur3 est la plage de normalit au niveau de confiance L% t

@ l'intervalle confiance TG t est la plage de normalit au niveau de @ l'intervalle confiance TT t est la plage de normalit au niveau de

L78I9: M:R78:;0

1 1 "=F

:IM:5

Rappel mathmatique

Introduction aux probabilits

. 'hamp d$application

8ne planche de Oalton nous montre que la loi binomiale tend vers la loi normale Le Jhor me de Moivre1Laplace affirme la convergence d'une loi binomiale vers une loi de Oauss quand le nombre d'preuves augmente. 7n peut alors utiliser la loi normale comme approximation d'une loi binomiale de param tres 2n @ p3 pour n grand et p, " 1 p de mEme ordre de grandeur @ on approche alors cette loi binomiale par la loi normale a/ant mEme esprance np et mEme variance np2" Y p3. 7n a dessin ci1dessous :

la loi binomiale de param tres 2"=@" & D3 2diagramme en botons rouge3 et la loi normale correspondante d'esprance F et de variance < & D 2courbe verte3

la loi binomiale de param tres 2%#@" & D3 2diagramme en botons rouge3 , et la loi normale correspondante d'esprance =# et de variance F# & D 2courbe verte3

L78I9: M:R78:;0

1 1 "=G

:IM:5

Rappel mathmatique

Introduction aux probabilits

Le mathmaticien 5arl *riedrich Oauss a introduit cette loi pour le calcul d'erreurs. 0n statistiques, de nombreux phnom nes suivent des distributions gaussiennes : donnes biomtriques des individus 2:dolphe ,utelet3.

). 'ritres de normalit
Le recours . une distribution gaussienne est si frquent qu'il peut finir par Etre abusif. Il faut alors rechercher des crit res de normalit. Le premier crit re, le plus simple, consiste . tracer l'histogramme ou le diagramme en botons de la distribution et . vrifier si le dia8ramme est en &orme de E cloche F. 5e crit re, sub'ectif, permet cependant d'liminer une partie des distributions 'uges alors non gaussiennes. Le crit re suivant consiste . utiliser les plages de normalit ou intervalles de confiance. 7n a vu que si une distribution est gaussienne :

%<t de la population est dans l'intervalle L%t de la population est dans l'intervalle TGt de la population est dans l'intervalle TTt de la population est dans l'intervalle

, , , .

Lorsque ces pourcentages ne sont pas respects, il / a fort . parier que la distribution n'est pas gaussienne.

6. >tabilit de la loi normale par la somme

La somme de deux variables gaussiennes indpendantes est elle1mEme une variable gaussienne. (lus explicitement :

L78I9: M:R78:;0

1 1 "=%

:IM:5

Rappel mathmatique !oient et :lors, la variable alatoire

Introduction aux probabilits

deux variables alatoires indpendantes suivant respectivement les lois . suit la loi normale .

5ette proprit se dmontre directement 2par convolution3, ou indirectement 2au mo/en des fonctions caractristiques3.

Exemple
7n prend ici le gramme comme unit de masse. !i la masse du contenu d'une bo]te de conserve suit la loi normale d'esprance F## et de variance =G, et si celle du contenant suit la loi normale d'esprance %# et de variance F, alors 2avec l'h/poth se, naturelle, d'indpendance3 la masse totale de la bo]te de conserve suit la loi normale d'esprance F%# et de variance =T @ son cart t/pe est environ G,F grammes.

*III. #oi exponentielle

1. (&inition
8ne loi exponentielle correspond au mod le suivant: S est une variable alatoire dfinissant la dure de vie d'un phnom ne. !i l'esprance de vie du phnom ne est 02S3 et si la dure de vie est sans 9ieillissement, c'est1.1dire si la dure de vie au1del. de l'instant J est indpendante de l'instant J, alors S a pour densit de probabilit :

f2t3 > # si t X #
pour tout t x #.

7n dit que S suit une loi exponentielle de paramtre -e fa+on plus formelle on peut caractriser la loi exponentielle de la fa+on suivante:

8ne loi . valeurs dans qui vrifie cette proprit est alors exponentielle et toute loi exponentielle vrifie cette probabilit. 5ette proprit traduit l'absence de mmoire de la loi exponentielle. (ar exemple, la probabilit qu'un phnom ne se produise entre les temps t et tUs s'il ne s'est pas produit avant est la mEme que la probabilit qu'il se produise entre les temps # et s. 7n peut oublier l'instant de dpart pour modliser la probabilit. 5ette caractrisation est importante car elle permet de montrer que certains phnom nes peuvent Etre modliss par une distribution exponentielle. 5ette loi permet entre autres de modliser la dure de vie de la radioactivit ou d'un composant lectronique.

L78I9: M:R78:;0

1 1 "=L

:IM:5

Rappel mathmatique

Introduction aux probabilits

2. Esprance, variance, cart t-pe, mdiane

-ensit d'une dure de vie d'esprance "# de loi exponentielle ainsi que sa mdiane. !i S est une variable alatoire qui suit une loi exponentielle de param tre h

;ous savons, par construction, que l'esprance de S est

7n calcule la variance en intgrant par parties @ on obtient :

L'cart t/pe est donc

La mdiane, c'est1.1dire le temps J tel que (2S[J3 > #,G, est

. 'hamp d$application
8n domaine privilgi de la loi exponentielle est le domaine de la radioactivit 2Rutherford et !odd/3. 5haque atome radioactif poss de une dure de vie qui suit une loi exponentielle. Le param tre h s'appelle alors la constante de dsint8ration.

La dure de vie mo/enne

s'appelle le temps caractristique.

La loi des grands nombres permet de dire que la concentration d'atomes radioactifs va suivre la mEme loi. La mdiane correspond au temps J ncessaire pour que la population passe . G#t de sa population initiale et s'appelle la demi1vie ou priode. 7n modlise aussi frquemment la dure de vie d'un composant lectronique par une loi exponentielle.

L78I9: M:R78:;0

1 1 "=<

:IM:5

Rappel mathmatique

Introduction aux probabilits

). (ure de vie minimale

!i les variables alatoires S, p sont indpendantes et suivent deux lois exponentielles de param tres h, d, alors 9 > inf2S@ p3 est une variable alatoire qui suit la loi exponentielle de param tre h U d. 5ette observation est tr s utile pour dterminer l'esprance de vie d'un s/st me constitu de deux composants en srie.

L78I9: M:R78:;0

1 1 "=T

:IM:5

Exponentielle
Rappel mathmatique
-ensit de probabilit & *onction de masse

Introduction aux probabilits

*onction de rpartition

Paramtres >upport (ensit de probabilit 2&onction de masse3 .onction de rpartition Esprance Mdiane 2centre3

intensit ou inverse de l'chelle 2rel3

he Y hx " Y e Y hx

Mode *ariance 0s-mtrie 2statistique3 9urtosis 2non1normalis3 .onction 8nratrice des moments
L78I9: M:R78:;0 1D# 1 " .onction caractristique :IM:5

Rappel mathmatique

Introduction aux probabilits

L78I9: M:R78:;0

1 1 "D"

:IM:5