1
Probabilit´ es
Alexis Bienven¨ue,Alexis.Bienvenue@univ-lyon1.fr Vincent Lerouvillois
I Probabilit´es : contrˆole continu par QCM
https://clarolineconnect.univ-lyon1.fr/
2
Introduction
Probabilit´es: mod´elisation du hasard.
Statistique: caract´erisation `a partir des observations.
Mod´elisation et ´evaluation du risque.
1. Espaces probabilis´es discrets 3
Plan
Espaces probabilis´es discrets Espace probabilis´e
Probabilit´e conditionnelle et ind´ependance
´El´ements al´eatoires
Th´eorie g´en´erale des probabilit´es Manipulation des vecteurs al´eatoires Statistiques descriptives
1. Espaces probabilis´es discrets 1. Espace probabilis´e 4
Espace probabilis´ e
Mod´elisation :
I Exp´erience: ph´enom`ene al´eatoire ´etudi´e
I UniversΩ : ensemble des´eventualit´es(ou´etats de la nature). Quoi qu’il arrive `a l’issue de l’exp´erience, le r´esultat de l’exp´erience doit pouvoir ˆetre associ´e `a une et une seule ´eventualit´e.
I Ev´´ enement: collection d’´eventualit´es (qui peut ˆetre vide ou ne contenir qu’une ´eventualit´e), c’est-`a-dire sous-ensemble de l’univers.
Quelques ´ev´enements particuliers : I L’´ev´enement impossible∅ I L’´ev´enement certainΩ
I Les´ev´enements ´el´ementaires, contenant exactement une ´eventualit´e.
1. Espaces probabilis´es discrets 1. Espace probabilis´e 5
Correspondance entre les op´erateurs logiques et ensemblistes : siA1,A2, . . .sont des ´ev´enements d’un mˆeme univers Ω,
I A1∩A2est r´ealis´e siA1 et A2sont r´ealis´es ;
I A1∪A2est r´ealis´e siA1 ou A2sont r´ealis´es (ou les deux) ;
I A¯1= Ω\A1(le compl´ementaire de A1) est l’´ev´enement contraire deA1; I deux ´ev´enements A1etA2sont dits incompatibles s’ils sont disjoints,
c’est-`a-dire si A1∩A2=∅.
I A1implique A2s’´ecritA1⊂A2, car dans ce casω∈A1⇒ω∈A2. I Un nombre infinideAk se r´ealisentest repr´esent´e par
\
n
[
k≥n
Ak = lim sup
n
An;
I LesAk se r´ealisenttous `a partir d’un certain rang est repr´esent´e par [
n
\
k≥n
Ak = lim inf
n An.
1. Espaces probabilis´es discrets 1. Espace probabilis´e 6
Jojo ach`ete un billet de l’euro-million.
Ω ={0,1}, avec la notation I 1 =Jojo gagne le gros lot I 0 =Jojo ne gagne pas le gros lot Jojo lance sa pi`ece de 2e.
Ω ={0,1}, avec la notation
I 1 =la pi`ece tombe sur pile I 0 =la pi`ece tombe sur face
1. Espaces probabilis´es discrets 1. Espace probabilis´e 7
D´ efinition (Probabilit´ e)
On appelleprobabilit´esur un univers discret (c’est-`a-dire d´enombrable ou fini) Ω une applicationPdeP(Ω) dans [0,1] telle que :
I P(Ω) = 1 ;
I pour toute suite (Ai)i≥1d’´ev´enements deux `a deux incompatibles,
P
+∞
[
n=1
An
!
=
+∞
X
n=1
P(An). Le couple (Ω,P) sera alors appel´eespace probabilis´e.
1. Espaces probabilis´es discrets 1. Espace probabilis´e 8
Lemme
SiPest une probabilit´e sur un univers discret Ω, et siA,B et lesAn sont des
´
ev´enements, alors : 1. P(∅) = 0 ; 2. P( ¯A) = 1−P(A) ;
3. P(A∪B) =P(A) +P(B)−P(A∩B) ; 4. A⊂B⇒P(A)≤P(B) ;
5. Si (An)n est une suite croissante (i.e.An⊂An+1), alors
P
+∞
[
n=1
An
!
= lim
n→+∞P(An) ; 6. Si (An)n est une suite d´ecroissante (i.e.An⊃An+1), alors
P
+∞
\
n=1
An
!
= lim
n→+∞P(An) ;
1. Espaces probabilis´es discrets 1. Espace probabilis´e 9
Lemme (suite)
7. On a : P
lim inf
n An
≤lim inf
n P(An), P
lim sup
n
An
≥lim sup
n P(An) ; 8. Formule dePoincar´e(appel´ee aussi principe d’inclusion-exclusion) :
P
n
[
i=1
Ai
!
=
n
X
i=1
P(Ai)−X
i<j
P(Ai∩Aj) + X
i<j<k
P(Ai∩Aj∩Ak)−. . . + (−1)n+1P(A1∩A2∩. . .∩An),
De plus cette somme est altern´ee (in´egalit´es deBonferroni).
1. Espaces probabilis´es discrets 1. Espace probabilis´e 10
Un exemple important de probabilit´e :
D´ efinition (Probabilit´ e uniforme)
Soit Ω un ensemblefini. La probabilit´e uniforme(ou´equiprobabilit´e) sur Ω est l’unique probabilit´ePqui prend la mˆeme valeur sur tous les ´ev´enements
´
el´ementaires. Elle s’´ecrit
P(A) = Card(A)
Card(Ω) ∀A⊂Ω. Comment mod´eliser les exp´eriences suivantes ?
I On choisit un nombre au hasard entre 1 et 6.
I On choisit un entier naturel au hasard.
Attention :il n’existe pas de probabilit´e uniforme sur un ensemble d´enombrable infini !
1. Espaces probabilis´es discrets 1. Espace probabilis´e 11
Caract´ erisation des probabilit´ es sur un univers discret
Si Ω est d´enombrable, toute probabilit´ePsur Ω est enti`erement d´efinie par la donn´ee des probabilit´es des ´ev´enements ´el´ementaires :pω=P({ω}), de la fa¸con suivante :
P(A) =X
ω∈A
pω ∀A⊂Ω. De plus, si (pω)ω∈Ω est une famille de r´eels de [0,1] telle que
X
ω∈Ω
pω= 1,
alors il existe une et une seule probabilit´ePtelle queP({ω}) =pω pour toutω.
Exemple :la probabilit´e de Poisson de param`etreλ >0 est la probabilit´ePsurN d´efinie par :
∀n∈N, P({n}) =pn= e−λλn n! .
1. Espaces probabilis´es discrets 1. Espace probabilis´e 12
D´ efinition
Un ´ev´enementAd’un espace probabilis´e (Ω,P) est ditpresque-impossibleou n´egligeablesi P(A) = 0. Il est ditpresque-sˆursiP(A) = 1, c’est-`a-dire si son compl´ementaire est presque-impossible.
Dans le cadre discret, si on pose
Ω0={ω∈Ω,P({ω}) = 0},
alors un ´ev´enementA⊂Ω est presque-impossible si et seulement si il est inclus dans Ω0, et Aest presque-sˆur si et seulement si ¯Ω0⊂A.
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 13
Probabilit´ e conditionnelle et ind´ ependance
Jojo lance deux d´es, un rouge et un bleu. On mod´elise cette exp´erience par l’univers Ω ={1, . . . ,6}2muni de la probabilit´e uniformeP, l’´el´ement (i,j)∈Ω repr´esentant l’´eventualit´ele d´e rouge a donn´ei et le d´e bleu a donn´ej.
1 2 3 4 5 6
1 361 361 361 361 361 361 2 361 361 361 361 361 361 3 361 361 361 361 361 361 4 361 361 361 361 361 361 5 361 361 361 361 361 361 6 361 361 361 361 361 361
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 14
On sait en plus que la somme des deux d´es lanc´es par Jojo est 4 ou 5. Comment mod´eliser cette nouvelle exp´erience ?
I Utilisons par exemple le mˆeme univers
I La nouvelle probabilit´e a utiliser doit ˆetre nulle hors deB=la somme des deux d´es est 4 ou 5.
I DansB, les ´eventualit´es doivent rester ´equiprobables
1 2 3 4 5 6
1
0 0 0 0
2
0 0 0 0
3
0 0 0 0
4
0 0 0 0 0
5
0 0 0 0 0 0
6
0 0 0 0 0 0
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 14
On sait en plus que la somme des deux d´es lanc´es par Jojo est 4 ou 5. Comment mod´eliser cette nouvelle exp´erience ?
I Utilisons par exemple le mˆeme univers
I La nouvelle probabilit´e a utiliser doit ˆetre nulle hors deB=la somme des deux d´es est 4 ou 5.
I DansB, les ´eventualit´es doivent rester ´equiprobables
1 2 3 4 5 6
1 0 0 ? ? 0 0
2 0 ? ? 0 0 0
3 ? ? 0 0 0 0
4 ? 0 0 0 0 0
5 0 0 0 0 0 0
6 0 0 0 0 0 0
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 14
On sait en plus que la somme des deux d´es lanc´es par Jojo est 4 ou 5. Comment mod´eliser cette nouvelle exp´erience ?
I Utilisons par exemple le mˆeme univers
I La nouvelle probabilit´e a utiliser doit ˆetre nulle hors deB=la somme des deux d´es est 4 ou 5.
I DansB, les ´eventualit´es doivent rester ´equiprobables
1 2 3 4 5 6
1 0 0 x x 0 0
2 0 x x 0 0 0
3 x x 0 0 0 0
4 x 0 0 0 0 0
5 0 0 0 0 0 0
6 0 0 0 0 0 0
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 14
On sait en plus que la somme des deux d´es lanc´es par Jojo est 4 ou 5. Comment mod´eliser cette nouvelle exp´erience ?
I Utilisons par exemple le mˆeme univers
I La nouvelle probabilit´e a utiliser doit ˆetre nulle hors deB=la somme des deux d´es est 4 ou 5.
I DansB, les ´eventualit´es doivent rester ´equiprobables
1 2 3 4 5 6
1 0 0 17 17 0 0 2 0 17 17 0 0 0 3 17 17 0 0 0 0 4 17 0 0 0 0 0
5 0 0 0 0 0 0
6 0 0 0 0 0 0
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 15
Jojo lance deux d´es, un rouge et un bleu. On mod´elise cette exp´erience par l’univers Ω ={2, . . . ,12}muni de la probabilit´eP, l’´el´ementi∈Ω repr´esentant l’´eventualit´ela somme du r´esultat des deux d´es esti. La probabilit´eP adapt´ee est d´efinie de la mani`ere suivante :
i 2 3 4 5 6 7 8 9 10 11 12
P({i}) 361 362 363 364 365 366 365 364 363 362 361
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 16
On sait en plus que la somme des deux d´es lanc´es par Jojo est 4 ou 5. Comment mod´eliser cette nouvelle exp´erience ?
I Utilisons par exemple le mˆeme univers, muni de la probabilit´eP0.
I Cette probabilit´e ne doit pas donner de poids en-dehors deB=la somme du r´esultat des deux d´es est 4 ou 5={4,5}
I Le rapport entre les poids des ´ev´enements{4} et{5}doit rester inchang´e
i 2 3 4 5 6 7 8 9 10 11 12
P({i}) 361 362 363 364 365 366 365 364 363 362 361 P0({i})
0 0 0 0 0 0 0 0 0
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 16
On sait en plus que la somme des deux d´es lanc´es par Jojo est 4 ou 5. Comment mod´eliser cette nouvelle exp´erience ?
I Utilisons par exemple le mˆeme univers, muni de la probabilit´eP0.
I Cette probabilit´e ne doit pas donner de poids en-dehors deB=la somme du r´esultat des deux d´es est 4 ou 5={4,5}
I Le rapport entre les poids des ´ev´enements{4} et{5}doit rester inchang´e
i 2 3 4 5 6 7 8 9 10 11 12
P({i}) 361 362 363 364 365 366 365 364 363 362 361
P0({i}) 0 0 ? ? 0 0 0 0 0 0 0
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 16
On sait en plus que la somme des deux d´es lanc´es par Jojo est 4 ou 5. Comment mod´eliser cette nouvelle exp´erience ?
I Utilisons par exemple le mˆeme univers, muni de la probabilit´eP0.
I Cette probabilit´e ne doit pas donner de poids en-dehors deB=la somme du r´esultat des deux d´es est 4 ou 5={4,5}
I Le rapport entre les poids des ´ev´enements{4} et{5}doit rester inchang´e
i 2 3 4 5 6 7 8 9 10 11 12
P({i}) 361 362 363 364 365 366 365 364 363 362 361
P0({i}) 0 0 x 43x 0 0 0 0 0 0 0
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 16
On sait en plus que la somme des deux d´es lanc´es par Jojo est 4 ou 5. Comment mod´eliser cette nouvelle exp´erience ?
I Utilisons par exemple le mˆeme univers, muni de la probabilit´eP0.
I Cette probabilit´e ne doit pas donner de poids en-dehors deB=la somme du r´esultat des deux d´es est 4 ou 5={4,5}
I Le rapport entre les poids des ´ev´enements{4} et{5}doit rester inchang´e
i 2 3 4 5 6 7 8 9 10 11 12
P({i}) 361 362 363 364 365 366 365 364 363 362 361
P0({i}) 0 0 37 47 0 0 0 0 0 0 0
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 17
D´ efinition (Probabilit´ e conditionnelle)
Soit (Ω,P) un espace probabilis´e discret,AetB deux ´ev´enements tels que P(B)6= 0. On d´efinit laprobabilit´e conditionnelledeAsachantB, not´ee P(A|B), par :
P(A|B) =P(A∩B) P(B) . On v´erifie que
P(· |B) :P(Ω) −→ [0,1]
A 7→ P(A|B)
est une nouvelle probabilit´e sur Ω qui s’annule sur les ´ev´enements incompatibles avecB.
Si (Ω,P) mod´elise une certaine exp´erience, alors (Ω,P(· |B)) mod´elise cette exp´erience `a laquelle on a rajout´e l’hypoth`ese/la connaissance suppl´ementaire de la r´ealisation deB.
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 18
Formule des probabilit´ es totales
SoitI un ensemble d’indices fini ou d´enombrable, et {Bn}n∈I une partition de Ω par des ´ev´enements de probabilit´e non nulle. Alors
∀A⊂Ω, P(A) =X
n∈I
P(A|Bn)P(Bn).
Formule des probabilit´ es compos´ ees
Soit (Ω,P) un espace probabilis´e etA1, . . . ,Andes ´ev´enements tels que P(A1∩ · · · ∩An)6= 0. Alors,
P(A1∩ · · · ∩An) =P(A1)P(A2|A1)P(A3|A1∩A2)· · ·P(An|A1∩ · · · ∩An−1).
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 19
Ind´ ependance
On dit que deux ´ev´enements A et B sont ind´ependants si la connaissance ou non de la r´ealisation de l’un n’affecte pas la probabilit´e que l’autre se r´ealise.
D´ efinition (Ind´ ependance de deux ´ ev´ enements)
On dit que deux ´ev´enementsAetB d’un mˆeme espace probabilis´e (Ω,P) sont ind´ependants si
P(A∩B) =P(A)×P(B).
Propri´ et´ es
I Tout ´ev´enementAest ind´ependant de Ω et de∅.
I SiAetB sont ind´ependants, alorsAet ¯B le sont, de mˆeme que ¯AetB, ainsi que ¯Aet ¯B.
I SiAetA0 sont tous les deux ind´ependants deB, alors l’ind´ependance de A∩A0 etB est ´equivalente `a l’ind´ependance deA∪A0 etB.
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 20
D´ efinition (Ind´ ependance mutuelle d’´ ev´ enements)
Une famille (Ai)i∈I est dite ind´ependante dans son ensemble– ou les (Ai)i∈I sont ditsmutuellement ind´ependants – si pour tout ensemble fini d’indices F ⊂I, on a :
P
\
i∈F
Ai
!
=Y
i∈F
P(Ai).
Remarque :Si les (Ai)i∈I sont mutuellement ind´ependants, alors ils sont deux `a deux ind´ependants (prendreF={i,j}), mais le contraire n’est pas vrai.
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 21
D´ efinition
Deux famillesF1 etF2d’´ev´enements sont ditesind´ependantes si
∀A1∈F1, ∀A2∈F2, on a P(A1∩A2) =P(A1)P(A2).
D´ efinition
Les familles d’´ev´enements Fi d’une collection (Fi)i∈I sont dites mutuellement ind´ependantessi toute famille d’´ev´enements F?= (Ai)i∈I telle queAi ∈Fi pour touti∈I est ind´ependante dans son ensemble.
1. Espaces probabilis´es discrets 2. Probabilit´e conditionnelle et ind´ependance 22
Espace probabilis´ e produit
Consid´eronsnexp´eriences mod´elis´ees par les espaces probabilis´es (Ωi,Pi)i=1,...,n.
Si ces exp´eriences sontind´ependantes, on peut les mod´eliser de mani`ere conjointe par l’espace probabilis´e produit
(Ω,P) =
n
Y
i=1
Ωi,
n
O
i=1
Pi
!
d´efini par
P({(ω1, . . . , ωn)}) =
n
Y
i=1
Pi({ωi}) ∀(ω1, . . . , ωn)∈Ω.
I Cette derni`ere ´egalit´e d´efinit bien une probabilit´e.
I Dans cet espace, les diff´erentes exp´eriences sont ind´ependantes.
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 23
El´ ´ ements al´ eatoires
D´ efinition
SoitT un ensemble quelconque. Si (Ω,P) est un espace probabilis´e discret, on appelle´el´ement al´eatoired´efini sur (Ω,P) et `a valeurs dansT, toute application X : Ω−→T.
PourB ⊂T, l’´ev´enementX−1(B) ={ω∈Ω, X(ω)∈B} pourra ˆetre not´e {X ∈B}et sa probabilit´eP(X−1(B)) pourra ˆetre not´eeP[X ∈B].
I SiT =R, on dit queX est unevariable al´eatoirer´eelle (v.a.r.).
I SiT =Rk, on dit queX est unvecteur al´eatoire, et dans ce cas les composantesXi de X = (X1, . . . ,Xk) sont des v.a.r.
I De mˆeme, on peut d´efinir unefonction al´eatoireou tout autre objet math´ematique al´eatoire (graphes, r´eseaux, formes, etc.).
I Si l’image deX dansT est fini ou d´enombrable (c’est toujours le cas si Ω est d´enombrable), on dit queX est un´el´ement al´eatoire discret.
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 23
El´ ´ ements al´ eatoires
D´ efinition
SoitT un ensemble quelconque. Si (Ω,P) est un espace probabilis´e discret, on appelle´el´ement al´eatoired´efini sur (Ω,P) et `a valeurs dansT, toute application X : Ω−→T.
PourB ⊂T, l’´ev´enementX−1(B) ={ω∈Ω, X(ω)∈B} pourra ˆetre not´e {X ∈B}et sa probabilit´eP(X−1(B)) pourra ˆetre not´eeP[X ∈B].
Exemples fondamentaux :
I Une fonction constantef ≡aest un ´el´ement al´eatoire, mˆeme si dans ce cas il n’y a plus d’al´eatoire dans la valeur def.
I SiA⊂Ω est un ´ev´enement, alors la fonction indicatrice1A: Ω→ {0,1}
d´efinie par
1A(ω) =
1 siω∈A, 0 sinon est une variable al´eatoire r´eelle.
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 24
Loi de probabilit´ e d’un ´ el´ ement al´ eatoire
D´ efinition
SoitX : (Ω,P)−→T un ´el´ement al´eatoire discret. On d´efinit l’applicationPX de P(T) dans [0,1] par :
PX(B) =P(X−1(B)) =P[X ∈B] ∀B ⊂T.
AlorsPX est une probabilit´e sur T appel´eeloi de probabilit´e(ouloi, ou distribution) deX.
Donner la loi d’un ´el´ement al´eatoireX, c’est :
I Donner l’ensemble des valeurs que peut prendreX :X(Ω) ;
I pour chaquex∈X(Ω), donner la probabilit´e queX prenne effectivement cette valeur :PX({x}) =P[X =x].
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 25
Egalit´ ´ e en loi
D´ efinition
On dira que deux ´el´ements al´eatoiresX etY ont mˆeme loi, ousont
identiquement distribu´es, si leurs loisPX etPY sont des probabilit´es identiques.
Cette relation sera not´ee
X ∼Y .
Pour pouvoir comparer leurs lois, deux ´el´ements al´eatoires ne doivent pas forc´ement ˆetre d´efinis sur le mˆeme espace probabilis´e, mais doivent prendre leurs valeurs dans le mˆeme ensemble.
Par contre, pour pouvoir direX =Y, il est n´ecessaire queX etY soient d´efinis sur le mˆeme espace de probabilit´e, et qu’ils prennent leurs valeurs dans le mˆeme espace. En effet, on compare ici deux fonctions de Ω dansT.
Par ailleurs, siX =Y, alors il est ´evident queX ∼Y, mais le contraire n’est pas vrai.
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 26
Ind´ ependance d’´ el´ ements al´ eatoires
I Quelles sont les informations qu’un ´el´ement al´eatoire peut donner ? I Quand dit-on que deux ´el´ements al´eatoires sont ind´ependants ?
D´ efinition
Deux ´el´ements al´eatoires discretsX etY `a valeurs dansT etU d´efinis sur le mˆeme espace probabilis´e (Ω,P) sont ditsind´ependantssi, pour tous
sous-ensemblesA⊂T etB⊂U, les ´ev´enements{X ∈A} et{Y ∈B}sont ind´ependants, c’est-`a-dire si les famillesX−1(P(T)) etY−1(P(U)) sont ind´ependantes.
Caract´ erisation dans le cas discret
Deux ´el´ements al´eatoiresdiscretsX etY `a valeurs dans T etU sont ind´ependants si, pour tousx∈T ety∈U,{X =x}et{Y =y}sont ind´ependants.
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 26
Ind´ ependance d’´ el´ ements al´ eatoires
I Quelles sont les informations qu’un ´el´ement al´eatoire peut donner ? I Quand dit-on que deux ´el´ements al´eatoires sont ind´ependants ?
D´ efinition
Deux ´el´ements al´eatoires discretsX etY `a valeurs dansT etU d´efinis sur le mˆeme espace probabilis´e (Ω,P) sont ditsind´ependantssi, pour tous
sous-ensemblesA⊂T etB⊂U, les ´ev´enements{X ∈A} et{Y ∈B}sont ind´ependants, c’est-`a-dire si les famillesX−1(P(T)) etY−1(P(U)) sont ind´ependantes.
Lien avec la probabilit´ e produit
Deux ´el´ements al´eatoiresdiscretsX etY sont ind´ependants si et seulement si P(X,Y) =PX⊗PY .
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 27
Esp´ erance
D´ efinition
SoitX une variable al´eatoire discr`ete, pouvant prendre les valeursX(Ω). Si la s´erieP
x∈X(Ω)|x|P[X =x] converge, on dit queX estint´egrable, on pose EX = X
x∈X(Ω)
xP[X =x],
et on appelle ce nombreesp´erance math´ematique deX oumoyennedeX. SiP
x∈X(Ω)|x|P[X =x] = +∞, on dira queX n’est pas int´egrable.
Remarque
L’esp´erance d’une variable al´eatoirene d´epend que de sa loi. On parlera donc aussi d’int´egrabilit´e et d’esp´erance d’uneloi.
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 28
Repr´ esentation alternative
On a aussi :
EX =X
ω∈Ω
X(ω)P({ω}).
Plus g´en´eralement, si la suite d’´ev´enements (Ai)i≥1forme une partition de Ω telle queX est constante et ´egale `axi sur chaqueAi, alors :
EX =X
i≥1
xiP(Ai).
1. Espaces probabilis´es discrets 3. ´El´ements al´eatoires 29
Propri´ et´ es
SoientX etY deux variables al´eatoires int´egrables etαun r´eel. Alors I E(αX) =αEX
I E(X+Y) =EX+EY
I siX etY sont ind´ependantes, alorsE(XY) =EX×EY
2. Th´eorie g´en´erale des probabilit´es 30
Plan
Espaces probabilis´es discrets Th´eorie g´en´erale des probabilit´es
Tribus
Mesure positive, probabilit´e
Ind´ependance, espace probabilis´e produit Mesurabilit´e des fonctions, ´el´ements al´eatoires Int´egrale, esp´erance
Densit´e
Manipulation des vecteurs al´eatoires Statistiques descriptives
2. Th´eorie g´en´erale des probabilit´es 31
Th´ eorie g´ en´ erale des probabilit´ es
I Les espaces probabilis´es discrets sont-ils suffisants pour nos mod`eles ? I Que se passe-t-il si on conserve les mˆemes d´efinitions dans le cas o`u Ω n’est
pas d´enombrable ?
Diff´ erence fondamentale entre le cas discret et le cas g´ en´ eral
Dans la th´eorie g´en´erale des probabilit´es, on n’essayera plus de mesurer (par la probabilit´eP) tous les sous-ensembles de Ω, mais seulement ceux qui
appartiennent `a une certaine famille A. La formuleP(A) =P
ω∈AP({ω}) ne sera valable que dans le cas o`uAest d´enombrable.
Si l’on veut pouvoir manipulerPsurAde mani`ere fluide, Adevrait ˆetre stable par les op´erations ensemblistes qui interviennent dans la d´efinition et les propri´et´es d’une probabilit´e discr`ete
2. Th´eorie g´en´erale des probabilit´es 1. Tribus 32
Tribus
D´ efinition (Tribu)
Un sous-ensemble AdeP(Ω) est unetribu (ouσ-alg`ebre) sur Ω si I Ω∈A
I A∈A=⇒A¯∈A
I Si (Ai)i est une suite d’´el´ements de A, alors∪i≥1Ai ∈A
Les ´el´ements deA sont appel´es ensembles mesurablesou´ev´enements. Le couple (Ω,A) est alors appel´eespace mesurable, ouespace probabilisable.
Exemples
I P(Ω) est une tribu sur Ω.
I {∅,Ω} est une tribu sur Ω.
I SiA⊂Ω,{∅,A,A,¯ Ω} est une tribu sur Ω.
2. Th´eorie g´en´erale des probabilit´es 1. Tribus 33
Propri´ et´ e
Une intersection d’un nombre quelconque de tribus sur Ω est une tribu sur Ω.
Remarque : il n’en est pas de mˆeme pour les unions !
D´ efinition
SoitE un sous ensemble deP(Ω).
I Latribu engendr´eeparE, not´eeσ(E), est l’intersection de toutes les tribus contenantE.
Propri´ et´ e
SoitE un sous ensemble deP(Ω) et A une tribu sur Ω. Alors E⊂A=⇒σ(E)⊂A.
2. Th´eorie g´en´erale des probabilit´es 1. Tribus 34
Tribus bor´ eliennes
D´ efinition
Si Ω est un espace topologique (en particulierRouRd), on appelletribu bor´eliennesur Ω, que l’on noteB(Ω), la tribu engendr´ee par les ouverts de Ω.
On appellebor´elien un sous-ensemble de Ω appartenant `a la tribu bor´elienne.
D´ efinition alternative
La tribu bor´elienne deRd est la tribu engendr´ee par les pav´es deRd qui s’´ecrivent sous la forme
d
Y
i=1
]− ∞,bi].
Remarque
La tribu bor´elienne deRd, mˆeme si elle contient la plupart des sous-ensembles de Rd auxquels on peut penser naturellement, est diff´erente deP(Rd).
2. Th´eorie g´en´erale des probabilit´es 2. Mesure positive, probabilit´e 35
Mesure positive, probabilit´ e
D´ efinition
Soit Ω un ensemble quelconque, et Aune tribu sur Ω. On appellemesure positivesur (Ω,A) une applicationµde A dans ¯R+=R+∪ {+∞}telle que :
I µ(∅) = 0.
I pour toute suite (An)n≥1 d’´el´ements deux `a deux disjoints de A,
µ
[
n≥1
An
=X
n≥1
µ(An).
Cette derni`ere propri´et´e est appel´eeσ-additivit´ede µ.
Le triplet (Ω,A, µ) est appel´eespace mesur´e.
On appelleprobabilit´esur (Ω,A) une mesure positivePde masse totale 1 (c’est-`a-dire telle queP(Ω) = 1). On dit alors que (Ω,A,P) est unespace probabilis´e.
2. Th´eorie g´en´erale des probabilit´es 2. Mesure positive, probabilit´e 36
Exemples de mesures positives
I Si Ω est fini ou d´enombrable et siPest une probabilit´e sur Ω suivant la d´efinition donn´ee au premier chapitre, alorsPest une probabilit´e sur l’espace probabilisable (Ω,P(Ω)).
I Soit (Ω,A) un espace probabilisable, etx un point de Ω. On appellemesure de Dirac(oumasse de Dirac) au pointx la probabilit´e not´eeδx sur (Ω,A) d´efinie par :
∀A∈A, δx(A) =1A(x) =
1 six∈A, 0 sinon.
I Lamesure de comptageµsur (Ω,P(Ω)) est d´efinie par
∀A⊂Ω, µ(A) =
Card(A) siAest fini,
+∞ sinon.
2. Th´eorie g´en´erale des probabilit´es 2. Mesure positive, probabilit´e 37
Propri´ et´ es
Soitµune mesure sur (Ω,A) et (Ai)i≥1une suite d’ensembles mesurables. Alors : I SiA1⊂A2,µ(A1)≤µ(A2) (croissance).
I µ(∪iAi)≤P
iµ(Ai) (sous-additivit´e).
I Si (Ai)i est croissante,µ(∪iAi) = limiµ(Ai).
I Si (Ai)i est d´ecroissante etµ(Ai0)<+∞pour un certaini0, alors µ(∩iAi) = limiµ(Ai).
De mˆeme, toutes les propri´et´es des probabilit´es montr´ees dans le cas discret sont encore valables pour la d´efinition g´en´erale d’une probabilit´e.
2. Th´eorie g´en´erale des probabilit´es 2. Mesure positive, probabilit´e 38
Transformations de mesures
Soit (Ω,A, µ) un espace mesur´e.
I SiA∈A, alors l’applicationµA:A→R¯+d´efinie parµA(B) =µ(A∩B) est une mesure, appel´eemesure trace deµsurA. On peut bien entendu aussi remplacer Apar la tribu tracedeA surA, compos´ee desA∩B o`uB∈A. I Siλ >0,λµest une mesure.
I Siµ0 est aussi une mesure sur (Ω,A), alorsµ+µ0 est une mesure.
D´ efinition
Si (Ω,A,P) est un espace probabilis´e etC un ensemble mesurable tel que P(C)>0, alors laprobabilit´e conditionnellesachantC est la probabilit´e P(· |C) d´efinie par
P(A|C) =P(A∩C) P(C) .
2. Th´eorie g´en´erale des probabilit´es 2. Mesure positive, probabilit´e 39
Prolongement de mesures — d´ efinitions
D´ efinition
Une mesureµsur (Ω,A) est diteσ-finiesi il existe un recouvrement d´enombrable de Ω par des sous-ensembles deµ-mesure finie.
D´ efinition
Un ensemble Cde parties de Ω est appel´esemi-anneau d’ensemblessi : I L’ensemble vide appartient `a C;
I Pour tousA,B ∈ C, A\B est une r´eunion disjointe finie d’´el´ements de C; I Pour tousA,B ∈ C, A∩B appartient `a C.
2. Th´eorie g´en´erale des probabilit´es 2. Mesure positive, probabilit´e 40
Prolongement de mesures
Th´ eor` eme de prolongement de Carath´ eodory
Soitµune mesure positive d´efinie sur un semi-anneau Cde parties de Ω : µ(∅) = 0, et, pour toute suite (An)n≥1 d’´el´ements deux `a deux disjoints de C telle que∪nAn∈ C,
µ
[
n≥1
An
=X
n≥1
µ(An). Alors la fonction ¯µd´efinie surσ(C) par
¯
µ(A) = inf (∞
X
n=1
µ(An) ; An∈ C∀netA⊂ ∪∞n=1An
)
est une mesure qui prolongeµ. Ce prolongement est unique siµest une mesure σ-finie.
2. Th´eorie g´en´erale des probabilit´es 2. Mesure positive, probabilit´e 41
Mesures de Lebesgue
SurR, l’ensemble Cdes intervalles du type ]a,b] (aveca,b∈ ¯
R) forme un semi-anneau qui engendre la tribu bor´elienneB(R). D´efinissonsµ(]a,b]) =b−a.
D’apr`es le th´eor`eme de prolongement de Carath´eodory,µse prolonge en une unique mesureλsurσ(C) =B(R). Cette mesure est appel´eemesure de LebesguesurR.
On d´efinit de mˆeme la mesure de Lebesgueλd surRd par ses valeurs sur les pav´es :
λd
n
Y
i=1
]ai,bi]
!
=
n
Y
i=1
(bi−ai) ∀ai <bi ∈R. Remarque :SiA⊂Rd est d´enombrable, alorsλd(A) = 0.
D´ efinition
SoitAun bor´elien deRd de mesure de Lebesgue finie et non-nulle. Laprobabilit´e uniformesurAest la mesurePd´efinie par
P(B) = λd(B∩A) λd(A) .
2. Th´eorie g´en´erale des probabilit´es 3. Ind´ependance, espace probabilis´e produit 42
Ind´ ependance
La probabilit´e conditionelle, ainsi que l’ind´ependance et l’ind´ependance mutuelle d’un nombre fini d’´ev´enements ou de familles d’´ev´enements, sont d´efinis de la mˆeme fa¸con que dans le cas discret...
D´ efinition (Ind´ ependance mutuelle)
On dit que les ´ev´enementsAi d’une famille (Ai)i∈I ⊂Asont mutuellement ind´ependantssi, pour tout sous-ensemble finiJ de I, les ´ev´enementsAi pour i∈J sont mutuellement ind´ependants.
On dit que les famillesFi⊂Apouri ∈I sont mutuellement ind´ependantes si, pour tout sous-ensemble finiJ deI, les famillesFi pour i∈J sont mutuellement ind´ependantes.
2. Th´eorie g´en´erale des probabilit´es 3. Ind´ependance, espace probabilis´e produit 43
Espace probabilis´ e produit de deux espaces
On consid`ere deux exp´eriences mod´elis´ees s´epar´ement par deux espaces probabilis´es (Ω1,A1,P1) et (Ω2,A2,P2). Comment regrouper ces deux mod´elisations en une seule si les exp´eriences sont ind´ependantes ? De mani`ere naturelle, on choisit Ω = Ω1×Ω2.
D´ efinition (Tribu produit)
Latribu produit A=A1⊗A2 sur Ω est la tribu engendr´ee par les pav´es A1×A2, A1∈A1, A2∈A2.
D´ efinition (Probabilit´ e produit)
Laprobabilit´e produitest l’unique probabilit´ePqui v´erifie
P(A1×A2) =P1(A1)×P2(A2) ∀A1∈A1, A2∈A2.
2. Th´eorie g´en´erale des probabilit´es 3. Ind´ependance, espace probabilis´e produit 44
Espace probabilis´ e produit
D´ efinition
SoitI un ensemble quelconque, et, pour touti∈I, (Ωi,Ai,Pi) un espace probabilis´e. On appelleespace probabilis´e produitdes Ωi l’espace probabilis´e constitu´e de l’univers Ω =Q
i∈IΩi, de la tribuA=N
i∈IAi et de la probabilit´e Q=N
i∈IPi, d´efinis de la mani`ere suivante : I unpav´ede Ω =Q
i∈IΩi est un sous-ensemble de Ω de la formeQ
i∈IAi, o`u, pour touti∈I,Ai∈Ai, et o`u lesAi diff´erents de Ωi sont en nombre fini.
I A est la tribu engendr´ee par les pav´es de Ω.
I Qest la probabilit´e sur (Ω,A) d´efinie de mani`ere unique par sa valeur sur les pav´es : siA=Q
i∈IAi est un pav´e de Ω, alors (dans le produit ci-dessous, il n’y a qu’un nombre fini de termes diff´erents de 1, de sorte que ce produit peut ˆetre consid´er´e comme fini) :
Q(A) =Y
i∈I
Pi(Ai).
2. Th´eorie g´en´erale des probabilit´es 3. Ind´ependance, espace probabilis´e produit 45
Remarque :On peut d´efinir de la mˆeme fa¸con lamesureproduit.
Exemples :
I La tribu de Borel surRnest la tribu produit de tribus de Borel deR, et la mesure de Lebesgue en dimensionnest la mesure produit denmesures de Lebesgue unidimentionnelles :
B(Rn) =
n
O
i=1
B(R), λn=
n
O
i=1
λ .
I Mod´elisation d’une infinit´e de lancers d’un d´e `a 6 faces par (Ω,A,P), avec Ω ={1, . . . ,6}N∗, A=O
i∈N∗
P({1, . . . ,6}), P=O
i∈N∗
P6,
o`uP6est la probabilit´e uniforme sur{1, . . . ,6}.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 46
Mesurabilit´ e des fonctions, ´ el´ ements al´ eatoires
Pour une variable al´eatoireX, on souhaite pouvoir mesurer{X ∈B}=X−1(B)...
D´ efinition
Soient (Ω,A) et (Ω0,A0) deux espaces probabilisables, etX une application de Ω dans Ω0. On dit queX : (Ω,A)−→(Ω0,A0) estmesurablesi
∀B∈A0, X−1(B) ={ω∈Ω, X(ω)∈B} ∈A, c’est-`a-dire si
X−1(A0)⊂A.
Si (Ω,A,P) est un espace probabilis´e etX : (Ω,A)−→(Ω0,A0) est mesurable, alors on dit queX est un´el´ement al´eatoire.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 46
Mesurabilit´ e des fonctions, ´ el´ ements al´ eatoires
D´ efinition
Soient (Ω,A) et (Ω0,A0) deux espaces probabilisables, etX une application de Ω dans Ω0. On dit queX : (Ω,A)−→(Ω0,A0) estmesurablesi
∀B∈A0, X−1(B) ={ω∈Ω, X(ω)∈B} ∈A, c’est-`a-dire si
X−1(A0)⊂A.
Si (Ω,A,P) est un espace probabilis´e etX : (Ω,A)−→(Ω0,A0) est mesurable, alors on dit queX est un´el´ement al´eatoire.
Remarque :Dans le cas o`uA=P(Ω), toute application
X : (Ω,A)−→(Ω0,A0) est bien sˆur mesurable, et ce quels que soient Ω0 etA0.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 46
Mesurabilit´ e des fonctions, ´ el´ ements al´ eatoires
D´ efinition
Soient (Ω,A) et (Ω0,A0) deux espaces probabilisables, etX une application de Ω dans Ω0. On dit queX : (Ω,A)−→(Ω0,A0) estmesurablesi
∀B∈A0, X−1(B) ={ω∈Ω, X(ω)∈B} ∈A, c’est-`a-dire si
X−1(A0)⊂A.
Si (Ω,A,P) est un espace probabilis´e etX : (Ω,A)−→(Ω0,A0) est mesurable, alors on dit queX est un´el´ement al´eatoire.
Exemples :
I Toute application constante est mesurable.
I SiA⊂Ω,1Aest mesurable si et seulement siA∈A(sauf cas inint´eressants).
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 47
Transport de tribus
Lemme
Soient Ω et Ω0 deux ensembles quelconques, etX une application de Ω dans Ω0. Alors :
1. si A0 est une tribu sur Ω0, alorsA=X−1(A0) est une tribu sur Ω ; 2. si Aest une tribu sur Ω, alors
A0 ={A0⊂Ω0, X−1(A0)∈A} est une tribu de Ω0, appel´eetribu induitede A parX. 3. si C0⊂P(Ω0), alors
X−1(σ(C0)) =σ(X−1(C0)).
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 48
Crit` ere de mesurabilit´ e
Soient (Ω,A) et (Ω0,A0) deux espaces probabilisables, etX une application de Ω dans Ω0. Soit C0 un sous-ensemble deP(Ω0) tel queσ(C0) =A0. Si
X−1(C0)⊂A, alorsX est mesurable.
Exemples :
I Si (Ω,B(Ω)) et (Ω0,B(Ω0)) sont deux espaces topologiques munis de leurs tribus bor´eliennes, alors toute application continue X de Ω dans Ω0 est mesurable.
I Toute fonction croissante de (R,B(R)) dans (R,B(R)) est mesurable.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 49
Manipulations de fonctions mesurables
Propri´ et´ es
I Soientf etg deux applications mesurables :
(Ω,A)−−−−→f (Ω0,A0)−−−−→g (Ω00,A00). Alorsg ◦f est mesurable.
I Soientf : (Ω,A)→(E,B) etg : (Ω,A)→(E0,B0) deux applications mesurables. Alors l’application
v= (f,g) : (Ω,A)−→(E×E0,B⊗B0) est mesurable.
I Soientf etg deux applications mesurables `a valeurs r´eelles, etαun r´eel.
Alors les applicationsαf,f +g, sup(f,g), inf(f,g) etf×g sont mesurables.
Si (fn)n≥1est une suite de fonctions mesurables, alors les fonctions limnfn
(quand elle existe), supnfn, infnfn, lim supnfn et lim infnfn sont mesurables.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 50
Propri´ et´ es
I Soit (fn)n une suite de fonctions mesurables de (Ω,A) dans un espace m´etrique (E,d) muni de sa tribu bor´elienne. Sifnconverge simplement vers f, alorsf est mesurable.
Preuve :SoitU un ouvert deE, et
Ur ={x ∈U, d(x,E\U)>1/r}. Alors
f−1(U) =[
r
lim inf
n fn−1(Ur).
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 51
Tribu engendr´ ee par une application
D´ efinition
Soit Ω un ensemble quelconque, (Ω0,A0) un espace probabilisable, etX une application de Ω dans Ω0. On appelletribu engendr´ee parX, que l’on noteσ(X), la plus petite tribu sur Ω qui rendX mesurable. Elle s’´ecritσ(X) =X−1(A0).
Remarque :une applicationX : (Ω,A)−→(Ω0,A0) est mesurable si et seulement siσ(X)⊂A.
Exemples :
I SiX est constante,σ(X) ={∅,Ω}.
I SiAest un ´ev´enement etX =1A, alors (en prenant une tribu raisonnable sur l’espace d’arriv´ee)σ(X) ={∅,A,A,¯ Ω}.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 52
Mesure image
D´ efinition
SoitX : (Ω,A, µ)−→(E,B) une application mesurable. On appellemesure image deµ par X la mesure not´eeµX d´efinie par
∀B ∈B, µX(B) =µ(X−1(B)).
Dans le cas o`uµest une probabilit´e,µX est une probabilit´e appel´ee loi (de probabilit´e) deX, oudistribution deX.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 53
Ind´ ependance d’´ el´ ements al´ eatoires
D´ efinition
Soit (Ω,A,P) un espace probabilis´e, etX : (Ω,A,P)−→(E,B) et
Y : (Ω,A,P)−→(E0,B0) deux ´el´ements al´eatoires. On dit que X et Y sont ind´ependantssiσ(X) etσ(Y) sont deux familles ind´ependantes d’´ev´enements, c’est-`a-dire si, pour toutsA∈B,B ∈B0,{X ∈A}et{Y ∈B}sont
ind´ependants.
D´ efinition
SoientX1, . . . ,Xn n´el´ements al´eatoires d´efinis sur un mˆeme espace probabilis´e, `a valeurs dans des espaces probabilisables (Ei,Bi). On dit que les Xi sont
mutuellement ind´ependantssi les famillesσ(Xi) sont mutuellement ind´ependantes, c’est-`a-dire si
P
n
\
i=1
{Xi ∈Ai}
!
=
n
Y
i=1
P[Xi∈Ai] ∀A1∈B1, . . . ,An∈Bn.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 54
D´ efinition
SoitI un ensemble quelconque et (Xi)i∈I une famille d’´el´ements al´eatoires d´efinis sur un mˆeme espace probabilis´e. On dit que les Xi sontmutuellement
ind´ependantssi, pour tout sous-ensemble finiJ de I, les ´el´ements al´eatoires (Xi)i∈J sont mutuellement ind´ependants.
Remarque :Un ´el´ement al´eatoire constant est ind´ependant de tout autre ´el´ement al´eatoire.
Propri´et´e :Par d´efinition, deux ´el´ements al´eatoiresX etY sont ind´ependants si et seulement si
P(X,Y) =PX⊗PY .
De mˆeme, les ´el´ements al´eatoires d’une familleX = (Xi)i∈I sont mutuellement ind´ependants si et seulement si
PX =O
i∈I
PXi .
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 55
Crit` ere d’ind´ ependance
D´ efinition
Un ensemble Cde sous-ensembles de Ω est appel´eπ-syst`emesi il est stable par intersection :
∀A,B∈ C, A∩B ∈ C.
Th´ eor` eme
Si C1et C2sont deuxπ-syst`emes ind´ependants dans l’espace probabilis´e (Ω,A,P), alors les tribusσ(C1) etσ(C2) sont ind´ependantes.
2. Th´eorie g´en´erale des probabilit´es 4. Mesurabilit´e des fonctions, ´el´ements al´eatoires 56
Rassemblement d’´ el´ ements al´ eatoires ind´ ependants
Soit (Xi)i∈I une famille quelconque d’´el´ements mutuellement ind´ependants, `a valeurs dans des espaces probabilisables (Ei,Bi), et (Jk)k∈K une famille de sous-ensembles deI deux `a deux disjoints (par exemple une partition de I). Alors les ´el´ements al´eatoires
(Yk)k∈K = ((Xi)i∈Jk)k∈K
`
a valeurs dans les espaces probabilisables produits Ωk = Y
i∈Jk
Ei, Ck =O
i∈Jk
Bi
!
, k ∈K,
sont mutuellement ind´ependants.
Transformations d’´ el´ ements al´ eatoires ind´ ependants
Soit (Xi)i∈I une famille quelconque d’´el´ements mutuellement ind´ependants, et (fi)i∈I une famille d’applications mesurables. Alors les (fi(Xi))i∈I sont
mutuellement ind´ependants.
2. Th´eorie g´en´erale des probabilit´es 5. Int´egrale, esp´erance 57
Int´ egration
Objectif :d´efinir dans le cadre g´en´eral une esp´erance pour les fonctions mesurables `a veleurs dansRd, sous la forme
EX = Z
Ω
X dP. Ingr´edients :
I prolongement des d´efinitions du cas discret ; I lin´earit´e.
2. Th´eorie g´en´erale des probabilit´es 5. Int´egrale, esp´erance 58
On consid`ere un espace mesur´e (Ω,A, µ). On placera toujours la tribu bor´elienne surRd.
D´ efinition (Int´ egrale de fonctions indicatrices)
SiA∈A, la fonction1A est mesurable, et on d´efinit son int´egrale par rapport `a la mesureµpar
Z
1Adµ= Z
Ω
1A(ω)dµ(ω) =µ(A).
D´ efinition (Int´ egrale de fonctions ´ etag´ ees)
On appellefonction ´etag´ee positiveune fonctionf : Ω→Rqui peut s’´ecrire sous la forme
f =
n
X
i=1
ai1Ai,
o`u lesai sont des r´eels positifs et lesAi∈Asont deux `a deux disjoints. On d´efinit l’int´egrale de ces fonctions par rapport `a la mesureµpar
Z
f dµ=
n
X
i=1
aiµ(Ai) =
n
X
i=1
ai Z
1Aidµ .