http://www.isima.fr/
∼
leborgneIntrodution aux probabilités
GillesLeborgne
16mars2016
Table des matières
1 Préambule 5
1.1 Lesdiérentesprobabilités. . . 5
1.2 Diultés liéesauvoabulaire. . . 5
1.3 Quelquesrappelsfontionnels . . . 6
1.3.1 Complémentaire . . . 6
1.3.2 Fontionréiproqueetfontioninverse. . . 6
1.3.3 Fontionindiatrie . . . 7
1.3.4 Mesure(oumasse)deDirasurlesensembles . . . 8
1.3.5 Mesure(oumasse)deDirasurlesfontions . . . 8
1.3.6 Abusdenotationfontionnelle . . . 9
1.3.7 Dénombrementdefontions . . . 9
1.3.8 Cardinalde
P (Ω)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101.4 Quelquesrappelsombinatoires . . . 10
1.4.1 Arrangements
A k n = (n) k
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101.4.2 Combinaisons
C n k = n k
etoeientsbinomiaux . . . 111.4.3 Formuledubinme(Newton) . . . 12
1.4.4 TriangledePasaletformulespourlesoeientsbinomiaux . . . 13
1.4.5 Coeientsmultinomiaux . . . 13
1.4.6 Formuledumultinme(Newton) . . . 14
1.5 Gaussienneetsamasse . . . 15
1.6 Rappelssurles séries. . . 15
1.6.1 Dénitionsetpremièrespropriétés . . . 15
1.6.2 Sériesabsolumentonvergentes . . . 16
1.6.3 Sériessemi-onvergentes . . . 17
1.6.4 Exemples . . . 18
2 Espaeprobabilisé 19 2.1 Universetévénements,premièresdénitions. . . 20
2.2 Tribuetévénement:dénitionsmathématiques. . . 21
2.3 Tribuengendrée. . . 22
2.4 Probabilité . . . 22
2.4.1 Dénitiondesmesures(d'ensembles) . . . 23
2.4.2 Premièrepropriété . . . 23
2.4.3 Probabilité=mesuredeprobabilité . . . 24
2.5 Equiprobabilité . . . 24
2.6 Probabilitésdisrètes etontinues . . . 26
2.6.1 Probabilitésdisrètes. . . 26
2.6.2 Probabilitésontinuessur
R
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272.6.3 Probabilitésontinuessur
R d
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272.6.4 Approximationd'uneprobabilitéontinueparuneprobabilitédisrète . . . 28
2.6.5 Autresprobabilités. . . 28
2.7 Fontionderépartitiond'uneprobabilité. . . 29
2.7.1 Dénition . . . 29
2.7.2 Fontionderépartitionenesalier . . . 29
2.7.3 Fontionderépartitionabsolumentontinue. . . 30
2.8 Introdutionàl'éhantillonnage . . . 30
2.8.1 Introdutionàl'éhantillonnage1. . . 30
2.8.2 *Introdutionàl'éhantillonnage2 . . . 32
2.9 Espaeproduitetproduitdeprobabilités . . . 32
2.10 Cas
Ω ⊂ R d
etloismarginales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333 Probabilité onditionnelle
P | A
343.1 Exemple . . . 34
3.2 Dénitiond'uneprobabilitéonditionnelle
P | A
. . . . . . . . . . . . . . . . . . . . . . . . . 353.3 Premièrespropriétés . . . 36
3.4 Relationentre
P | B (A)
etP | A (B)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383.5 Règledemultipliation(formuledeprobabilitésomposées) . . . 39
3.6 PartitionetformuledeBayes(probabilitéstotalesetprobabilitésdesauses) . . . 39
3.7 Exemples . . . 40
3.8 Exeries . . . 41
3.9 Prévalene,sensibilitéetspéiitéd'untest . . . 42
3.10 Indépendanede2événements . . . 44
3.11 Indépendanede
n
événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453.12 Lemmeduzéro-undeBorelCantelli . . . 46
3.12.1
lim sup
etlim inf
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463.12.2 Lemmeduzéro-un . . . 48
4 Variablealéatoire réelleetloid'une v.a.r. 49 4.1 Dénition . . . 49
4.1.1 Rappel:fontionmesurable. . . 49
4.1.2 Variablealéatoireréelle(v.a.r.) . . . 50
4.1.3 Notationsensemblistes
{ X ∈ I }
et{ X = x }
. . . . . . . . . . . . . . . . . . . . . . . 504.2 Loi(deprobabilité)d'unevariablealéatoire:lesprobabilitésimages . . . 51
4.2.1 Loid'unevariablealéatoire . . . 51
4.2.2 Propositiondelamesureimage . . . 51
4.2.3 Probabilitéimage
P X
(ouloideX
,oudistributiondeX
) . . . . . . . . . . . . . . . 524.2.4 Fontionderépartitiondelaloid'unevariablealéatoire . . . 52
4.2.5 Variablealéatoiredeloidisrète . . . 53
4.2.6 Variablealéatoireontinueetsaloi. . . 54
5 Dépendaneetindépendanede variables aléatoires 54 5.1 Notations
f ⊗ g
,f (X)
etf − c
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 545.2 Dépendaneetindépendanede
2
variablesaléatoires . . . . . . . . . . . . . . . . . . . . . 555.3 Dépendaneetindépendanedeplusieursv.a.r. . . 57
5.4 V.a.r.indépendantesetidentiquementdistribuées(i.i.d.) . . . 57
5.5 *Indépendanedetribus . . . 57
5.5.1 Indépendanedev.a.r.versusindépendaned'événements . . . 58
5.5.2 Indépendanedetribusetindépendanedev.a.r. . . 58
6 Exemplesde lois 58 6.1 Loiuniforme . . . 58
6.2 EpreuvedeBernoullietloideBernoulli . . . 60
6.3 ProessusdeBernoulli . . . 61
6.4 Loibinomialeettiragesaveremise . . . 61
6.4.1 Appliationauxstatistiques:éhantillonsdetaille
r
avereplaement.. . . 626.5 Loimultinomiale . . . 63
6.6 Loihypergéométrique:tiragessansremise,aveousansordre. . . 64
6.6.1 Casde2issues . . . 64
6.6.2 Cas
ℓ
issues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 666.7 Loigéométrique(nombred'éhessuessifs,outempsd'attente) . . . 67
6.8 Loinormale(gaussienne)
N (m, σ 2 )
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 686.9 Loiexponentielle(duréedevied'unepartiuleradioative) . . . 69
6.10 LoidePoisson(ouloidesévénementsrares). . . 70
6.11 Loi
γ
delafontionfatorielleΓ
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 726.12 Loide
X 2
,loiduχ 2
(loiduki-2=loiduhi-2=loidePearsonàn
degrésdeliberté) . . . 736.13 LoideCauhy . . . 74
7 Proessus stohastiques 75 7.1 Dénitions. . . 75
7.1.1 Dénitiond'unproessus . . . 75
7.1.2 Proessusi.i.d. . . 75
7.1.3 Trajetoires . . . 76
7.1.4 Appliation:marhealéatoire(oupromenadealéatoire) . . . 76
7.1.5 Probabilitésdetransition . . . 77
7.2 Proessusdisrets ethainesdeMarkovàtempsdisrets. . . 77
7.2.1 Dénition . . . 77
7.2.2 Matriestohastiqueetmatriedetransition . . . 78
7.2.3 Modèlegénétiquesimplié(WrightetFisher) . . . 79
7.3 Problèmederuinedujoueur . . . 80
7.3.1 Positionduproblème. . . 80
7.3.2 Modélisation . . . 80
7.3.3 Probabilitéderuinedujoueur . . . 81
7.3.4 Espéranedegaindujoueur . . . 82
7.3.5 Duréemoyennedelapartie . . . 83
7.4 Proessusontinusdeomptage. . . 84
7.4.1 Proessusàaroissementsindépendants. . . 84
7.4.2 HypothèsedeMarkoventempsontinu,espaed'étatsdisret . . . 85
7.4.3 Fontionetproessusdeomptage . . . 85
7.4.4 Proessusdeomptagestationnaire . . . 85
7.4.5 ProessusdePoisson . . . 86
8 Loidesommesetdeproduits 87 8.1 Loid'unesomme:onvolutiondisrètesiindépendane . . . 87
8.1.1 Loid'unesomme:asdisret . . . 87
8.1.2 Loid'unesomme:asontinu . . . 88
8.1.3 Convolutiondedeuxmesures . . . 89
8.2 Loid'unproduit . . . 90
8.2.1 Loid'unproduit:asdisret . . . 90
8.2.2 Loid'unproduit:asontinu. . . 91
9 Proposition dela mesureimage 92 9.1 Changementdevariablesdanslesintégrales:propositiondelamesureimage . . . 92
9.1.1 Rappel:mesureetintégrationd'unefontion(ausensdeLegesgue) . . . 92
9.1.2 Changementdevariablesdanslesintégrales . . . 92
9.1.3 Propositiondelamesureimagesurlesfontions . . . 93
9.2 Appliationauxprobabilités. . . 94
9.2.1 Probabilitéimage. . . 94
9.2.2 Casdisret . . . 95
9.2.3 Casontinu . . . 95
10Espérane,éarttype,variane, moments d'unev.a.r. 96 10.1 Momentd'ordre0:lamasseunité . . . 96
10.2 Momentd'ordre1:l'espérane . . . 96
10.2.1 Dénition . . . 96
10.2.2 Calulàl'aidedelamesureimage:lemomentd'ordre
1
. . . . . . . . . . . . . . . . 9710.2.3 V.a.r.entrée . . . 98
10.2.4 Premièrespropriétés . . . 98
10.2.5 Généralisation . . . 99
10.2.6 Espéraned'unproduit:asdev.a.r.indépendantes . . . 99
10.3 Exemplesdesloisusuelles . . . 100
10.3.1 Alternativesimpleetloi binomiale . . . 100
10.3.2 Loigéométrique . . . 101
10.3.3 Loigaussienne . . . 101
10.3.4 LoidePoisson . . . 101
10.3.5 Exeries . . . 101
10.4 Varianeetéarttype . . . 103
10.4.1 Dénitions . . . 103
10.4.2 Avelaloiimage . . . 104
10.4.3 Propriétés . . . 104
10.4.4 Exemples . . . 106
10.5 Momentsd'ordre
p
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10810.5.1 Dénitiondesmomentsd'ordre
p
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10810.5.2 InégalitédeJensen . . . 109
10.6 Intervalledeonane . . . 109
10.6.1 Dénitionetexempled'intervalledeonane. . . 109
10.6.2 FormuledeBienayméThebytheetintervalledeonane . . . 110
10.7 Fontiongénératried'unev.a.r.disrète. . . 111
11Veteuraléatoire,suite aléatoire,fontionaléatoire 113
11.1 Veteuraléatoiredans
R n
,loi onjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11311.2 Loismarginales . . . 113
11.3 Exemple:oupledev.a.r.(ouveteuraléatoiredans
R 2
). . . . . . . . . . . . . . . . . . . . 11411.3.1 Casdisret:matriedelaloi . . . 114
11.3.2 Casontinu . . . 115
11.3.3 Fontionderépartition . . . 115
11.4 Remarque . . . 115
11.5 Loismarginalesindépendantes . . . 116
11.5.1 Dénition . . . 116
11.5.2 Casdisretetexemples . . . 116
11.5.3 Casontinu . . . 118
11.6 Fontionaléatoire. . . 118
12Espéraned'unveteur aléatoire réel,ovariane 118 12.1 Espérane . . . 118
12.2 Covarianededeuxv.a.r. . . 120
12.2.1 Dénition . . . 120
12.2.2 Bilinéaritédelaovariane(semi-produitsalaire) . . . 121
12.2.3 Propriétés . . . 121
12.2.4 Coeientdeorrélation . . . 122
12.2.5 Approximationlinéaired'unev.a.rparuneautre . . . 123
12.2.6 Varianed'unesomme . . . 123
12.3 Matrie deovariane . . . 124
12.4 Exemple:problèmed'éhantillonnage . . . 125
12.5 Méthodedesmoindresarrés:notationsprobabilistes . . . 127
13Espéraneonditionnelle de
Y
sahantX
129 13.1 LoionditionnelleP |X∈I
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12913.2 Espéraneonditionnelle
E(Y | X ∈ I) = P | X ∈ I (Y )
. . . . . . . . . . . . . . . . . . . . . . . . 12913.3 Loionditionnelleimage
(P | X ∈ I ) Y = P Y | X ∈ I = P | X ∈ I ◦ Y −1
. . . . . . . . . . . . . . . . . . 13013.4 La v.a.r.espérane
E(Y | X )
:asdisret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13113.4.1 Lav.a.r.espérane
E(Y | X )
surl'espaeprobabilisé(R, T R , P X )
. . . . . . . . . . . . 13113.4.2 Notations . . . 132
13.5 Loionditionnelle:asontinu . . . 132
13.5.1 Dénitiondelaloionditionnelle
P Y |X=x
. . . . . . . . . . . . . . . . . . . . . . . . 13313.5.2 Dénitiondel'espéraneonditionnelle
E(Y | X = x)
. . . . . . . . . . . . . . . . . . 13313.5.3 Lafontionespéraneonditionnelle
E(Y | X )
. . . . . . . . . . . . . . . . . . . . . . 13313.6 *Loionditionnelle:asgénéral . . . 134
13.6.1 Pull-bak . . . 134
13.6.2 Retoursurleasdisret . . . 134
13.6.3 Espérane
E(Y |A ) : Ω → R
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13413.6.4 Espérane
E(Y | X)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13513.6.5 Loionditionnelle
P Y | X=x
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13614Loisdesgrandsnombres 137 14.1 Convergeneenprobabilité(onvergenestohastique) . . . 137
14.2 Loifaible desgrandsnombresetthéorèmedeBernoulli. . . 139
14.3 Loifortedesgrandsnombres . . . 140
14.4 Théorèmedelalimiteentrale(onvergeneverslaloi deGauss) . . . 142
14.4.1 Convergeneétroiteetonvergeneenloi . . . 142
14.4.2 Théorèmedelalimiteentrale(onvergeneverslaloideGauss) . . . 143
14.5 Démonstrationduthéorèmedelalimiteentrale . . . 143
14.5.1 TransforméedeFourierd'unefontion . . . 144
14.5.2 TransforméedeFourierinverse . . . 145
14.5.3 TransforméedeFourierd'unegaussienne:unegaussienne . . . 145
14.5.4 TransforméedeFourierdemesuresbornéesetnotations . . . 145
14.5.5 LatransforméedeFourierd'uneprobabilitéestunemesurededensité . . . 148
14.5.6 Lafontionaratéristique
Φ X
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14914.5.7 Développementlimitéde
Φ X
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15014.5.8 Fontionaratéristiqued'unesommedev.a.r.indépendantes. . . 150
14.5.9 Démonstrationduthéorèmedelalimiteentrale . . . 150
15Annexe:les moments 151
15.1 Notations . . . 151
15.2 Momentd'ordre
0
:lamasse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15215.3 Momentd'ordre
1
etleentredegravité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15215.4 Momentd'ordre
2
,lavariane,l'éart type . . . . . . . . . . . . . . . . . . . . . . . . . . . 15315.5 Momentd'ordre
m
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154Entre rohet[...℄[squarebraket℄ondonnelatradutionanglaise.
1 Préambule
1.1 Les diérentes probabilités
Lesprobabilitésserventàdérireuneexpérienedontlerésultatest impossibleàprévoirave
ertitude.Ondistingue:
1- probabilitéexpérimentale =onnaissaneaposteriori.Exemple : dans une population, on
prendenompte tousleshabitants,etonendéduitlepourentage(= proportion)d'hommes.
2- Probabilité théorique = onnaissane a priori. Exemple, on lane une pièe équilibrée, et
laprobabilitéd'obtenir
pile
est1 2
(unehanesur deux). Laprobabilitéthéorique est engénéral diérentedelaprobabilitéexpérimentale,maisonmontrequesionreommeneetteexpérienedulaneruntrèsgrandnombredefois,alorslesprobabilitésthéoriquesetexpérimentaless'aordent.
2'-Probabilitédédutive.Exemple,onfaitunsondagesurunepetitepartiedelapopulation,
d'oùunevraieonnaissaneaposteriorisuresondage,etonessaied'endéduireunrésultatthéo-
riquepourtoutelapopulation.Ceasdeprobabilitédédutiverentredansleadredesprobabilités
théoriques.
Ladémarhedesprobabilitésest:sionreproduituntrèsgrandnombredefoisuneexpériene
aléatoire (exempleunlaner de pile ou fae), on peut en déduire despropriétés (exemplepièe
équilibréeoupas,etpluspréisémentdonnerlepourentagemoyendepileobtenues).(Ilest lair
quesionnelanelapièequedeuxoutroisfois,onnepourrapasquantieretteinformationde
manièreable.)
D'où l'importane de laloi desgrand nombres et du théorèmeentral limite qui sont dé-
montrésàlandupoloyopié.
1.2 Diultés liées au voabulaire
Les diultés liées au voabulaire sont souvent liées à des motivations historiques, et sont
souventsouresdeonfusion,d'inompréhension,dedéouragement...
Ainsiertainesexpressionsquiseveulentillustrativessemblentêtreemployéesàontresens.
Un exemple agrantest l'expression: une variable aléatoire (v.a.r.) : qui n'est ni variable,
ni aléatoire... : une variablealéatoire réelle
X
est une fontionàvaleursréellesX : Ω → R
biendéterminée. (L'ensemble de dénition
Ω
est l'ensemble qui ontient tous les résultats possiblesd'uneexpérienealéatoire.)
Exemple : on prend deux dés(à 6 faes numérotées de 1à 6). On les lane. L'ensemble des
résultatspossiblesest l'ensemble
Ω = { (i, j) ∈ [1, 6] N × [1, 6] N }
des ouplesrésultatsdes laners.(Exemple : le premier donne
2
et le seond dé donne5
, don le résultat est(2, 5) ∈ Ω
.) Et ons'intéresseàlasommedesrésultats.Onnote
X : R × R → R
lafontionsomme;X(a, b) = a + b
.Cettefontion
X
estparfaitementdénie:en'estpasunevariable('estunefontion),etellen'a riend'aléatoire (elleest parfaitementdénie). MaisX
seraappeléevariablealéatoire parequeleouple
(i, j)
auquelons'intéresselorsqu'onaluleX(i, j)
,est issued'une expérienealéatoire(lelaner dedeuxdés).
Ainsisionobtient
(1, 1)
(ledouble1
)alorsX(1, 1) = 2
(parfaitementdéterminé),etsiunseond lanerdonnelerésultat(4, 5)
alorsX (4, 5) = 9
(parfaitementdéterminé).Commeleséléments(1, 1)
et
(4, 5)
deΩ
sontditsaléatoires(i.e.résultatsissusd'uneexpérienealéatoire),lafontionX
estappeléevariablealéatoire...Defait,en'estpasettefontion
X
quinousintéresseradiretement, maissaloi deprobabilitéP X
,i.e.laprobabilitéque,pourettefontion,onobtienneunrésultat donné après unlaner de dés (exempleP X (2) = 36 1
ar il n'y a qu'un ouple sur36
qui donnesomme
= 2
).De pluslavaleurd'unev.a.r
X
est priseenω
et est notéex = X (ω)
...(usuellementlavaleur d'unefontionf
est priseenx
etest notéey = f (x)
...)Autresexemplesdevoabulairequi peuts'avérerdéroutant:loimarginale(paragraphe2.10),
probabilitéonditionnelle (voirremarque3.3page34)...
Touteipeutdéourager...jusqu'àequ'ons'imprègne desdénitions.
N.B.:lathéoriedesprobabilitésestbaséesurlathéoriedesensemblespourlaquelleonemploie
dessynonymesrelatifsauxnomsdéjàonnu.Exemples:
-unsous-ensemble=unévénement;
-l'ensemblevide=l'événementimpossible;
-l'ensembletoutentier=l'événementertain;
-leomplémentaired'unsous-ensemble=l'événementontraire;
-unélémentd'unensemble=unévénementélémentaire=uneéventualité...
EnFrançais,unévénements'éritaussiévènement(depuis1990),etseprononedanslesdeux
asévènement.
Danslejeudepileoufae,lesmotspileetfaesonttousdeuxféminins(unepileetunefae).
1.3 Quelques rappels fontionnels
1.3.1 Complémentaire
Si
E
estunensemble,onnoteP (E)
l'ensembledessous-ensemblesdeE
.Don:A ∈ P (E) ⇐⇒ A ⊂ E.
Enpartiulierl'ensemble vide,noté
∅
,est dansP (E)
.Si
A ⊂ E
onnoteA C = E − A
sonomplémentaire:A C = E − A = { x ∈ E : x / ∈ A } .
Proposition 1.1 Si
(A i ) i ∈ I
estunefamilledesous-ensemblesdeE
(aveI
ensemblequelonque), ona:( [
i ∈ I
A i ) C = \
i ∈ I
A C i , ( \
i ∈ I
A i ) C = [
i ∈ I
A C i .
(1.1)(Faireundessinave
I = { 1, 2 }
.)Preuve.
x ∈ ( S
i ∈ I A i ) C ⇔ x / ∈ S
i ∈ I A i ⇔ ∀ i ∈ I
,x / ∈ A i ⇔ ∀ i ∈ I
,x ∈ A C i ⇔ x ∈ T
i ∈ I A C i
.x ∈ ( T
i ∈ I A i ) C ⇔ x / ∈ T
i ∈ I A i ⇔ ∃ i ∈ I
,x / ∈ A i ⇔ ∃ i ∈ I
,x ∈ A C i ⇔ x ∈ S
i ∈ I A C i
.1.3.2 Fontion réiproque etfontion inverse
Onsedonnedeuxensembles
E
etF
.Soitf : E → F
unefontion.Lafontionréiproquedef
estlafontion
f − 1
dénie par:f − 1 :
( P (F ) → P (E)
B 7→ f − 1 (B)
déf= { x ∈ E : f (x) ∈ B } ( ⊂ E),
(1.2)
etpour
B ⊂ E
,lesous-ensemblef − 1 (B)
deE
estappelél'imageréiproquedeB
parf
.Exemple1.2 Exemplefondamental: voir1.3.3etremarque1.6.
Abusde notation.Quand
B = { y }
(asB
estunsingleton),onnote:f − 1 ( { y } )
noté= f − 1 (y).
(1.3)Etsi
f
estbijetive,alorsf − 1 (y)
estunsingleton{ x }
,etonnote:f − 1 :
( F → E
y 7→ x = f − 1 (y)
quandy = f (x),
(1.4)
et
f − 1
est appeléefontioninversedef
(quandf
est bijetive).Remarque 1.3 L'utilisation de la même notation
f − 1
pour (1.2) (dénie sur les ensembles) etpour(1.4)(déniessurlespoints)nedoitpasprêteràonfusion:leontextelèvelesambiguïtés.
En probabilité, lanotation
f − 1
est surtoututiliséesousla formeensembliste(1.2) :une pro- babilitéestune mesured'ensembles.Don,sionnefaitpasallusionàlabijetivité(ommedansepolyopiéengénéral),quandon
utilise
f − 1
,'estdelafontionréiproque(1.2)dontils'agit(pasdelafontioninverse).Proposition 1.4 La fontion réiproque
f − 1 : P (F) → P (E)
ommute ave les opérations deomplémentation,d'unionetd'intersetion:si
B ⊂ F
,siI
estunensembleninonvideetB i ⊂ F
pourtout
i ∈ I
,alors:f − 1 (B C ) = (f − 1 (B)) C , f − 1 ( \
i ∈ I
B i ) = \
i ∈ I
(f − 1 (B i )), f − 1 ( [
i ∈ I
B i ) = [
i ∈ I
(f − 1 (B i )).
(1.5)
Preuve. Montrons (1.5)
1
.Ilfautmontrerf − 1 (B C ) T
(f − 1 (B)) = ∅
etf − 1 (B C ) S
(f − 1 (B)) = E
.Ona
F = B ∩ B C
estpartitiondeF
,don
{ x ∈ E : f (x) ∈ B C } \
{ x ∈ E : f (x) ∈ B } = ∅ , { x ∈ E : f (x) ∈ B C } [
{ x ∈ E : f (x) ∈ B } = E.
Montrons(1.5)
2
.⊂
:sif − 1 ( T
i B i ) = ∅
'esttrivial.Sinon,soitx ∈ f − 1 ( T
i B i )
:donf (x) ∈ T
i B i
,donf (x) ∈ B i
pourtout
i
,donx ∈ f − 1 (B i )
pourtouti
,donx ∈ T
i f − 1 (B i )
.⊃
:siT
i (f − 1 (B i )) = ∅
'esttrivial.Sinon,soitx ∈ T
i (f − 1 (B i ))
: donx ∈ f − 1 (B i )
pourtouti
,don
f (x) ∈ B i
pourtouti
,donf (x) ∈ T
i B i
, donx ∈ f − 1 ( T
i B i )
.Montrons(1.5)
3
.⊂
:sif − 1 ( S
i B i ) = ∅
'esttrivial.Sinon,soitx ∈ f − 1 ( S
i B i )
:donf (x) ∈ S
i B i
,donilexistei
telque
f (x) ∈ B i
,donilexistei
telquex ∈ f − 1 (B i )
,donx ∈ S
i (f − 1 (B i ))
.⊃
:siS
i (f − 1 (B i )) = ∅
'esttrivial.Sinon,soitx ∈ S
i (f − 1 (B i ))
:donilexistei
t.q.x ∈ f − 1 (B i )
,donilexiste
i
t.q.f (x) ∈ B i
,donf (x) ∈ S
i B i
,donx ∈ f − 1 ( S
i B i )
.Onrappelleque,pour
A ⊂ E
:f (A)
déf= { y ∈ F
t.q.∃ x ∈ A, y = f (x) } .
(1.6)Enpartiulier
f (E) =
notéIm(f )
.Proposition 1.5 Si
f : E → F
etg : F → G
,alors:(g ◦ f ) − 1 = f − 1 ◦ g − 1 .
(1.7)Preuve.
g ◦ f : E → G
. Don(g ◦ f ) − 1 : G → E
.PourC ⊂ G
ona(g ◦ f ) − 1 (C) = { e ∈ E : (g ◦ f )(e) ∈ C } = { e ∈ E : g(f (e)) ∈ C } = { e ∈ E : f (e) ∈ g − 1 (C) } = { e ∈ E : e ∈ f − 1 (g − 1 (C)) }
1.3.3 Fontion indiatrie
Pour
A
unsous-ensembled'unensembleE
,onnote1 A
lafontionindiatriedeA
(oufontionaratéristique,suivantlesauteurs),i.e.lafontion
1 A : E → R
déniepar:1 A (x) =
( 1
six ∈ A,
0
six / ∈ A.
(1.8)(Faireundessin.)
N.B. : la fontion indiatrie de
A
est aussi appelée aratéristique en analyse, suivant les auteurs.En probabilitélafontionaratéristiqueseralatransforméedeFourierdelamesure.Remarque 1.6 Ainsi
1 − A 1 ( { x } ) = ∅
pourtoutx 6 = 0, 1
,et1 − A 1 ( { 1 } ) = A = 1 − A 1 (R ∗ )
,et1 − A 1 ( { 0 } ) =
A C = 1 − A 1 (R −{ 1 } )
,et1 − A 1 ( { 0, 1 } ) = E = 1 − A 1 (R)
...Proposition 1.7 Si
A, A 1 , A 2 ⊂ E
alors:1 A C = 1 − 1 A , 1 A 1 ∩ A 2 = 1 A 1 1 A 2 , 1 A 1 ∪ A 2 = 1 A 1 + 1 A 2 − 1 A 1 ∩ A 2 .
(1.9)Faireundessin.Si
f : E → F
estune fontion,siB ⊂ F
,alorsf − 1 (B) ⊂ E
et:1 f − 1 (B) = 1 B ◦ f.
(1.10)(Lafontion
1 f − 1 (B)
estdénie surE
etlafontion1 B
estdénie surF
.)Preuve. (1.9) :immédiat.Pour(1.10): ona
{ x ∈ E : f (x) ∈ B } = { x ∈ E : x ∈ f − 1 (B) }
, d'oùpour
x ∈ E
ona:(1 B ◦ f )(x) = 1 B (f (x)) =
( 1
sif (x) ∈ B 0
sinon)
=
( 1
six ∈ f − 1 (B) 0
sinon)
= 1 f − 1 (B) (x).
(1.11)Proposition 1.8 Pour
A ⊂ E
ona:A ⊂ f − 1 (f (A)),
(1.12)l'inlusioninverseétantfausseengénéral.
Preuve. Soit
x ∈ A
, et soity = f (x)
. Dnnx ∈ f − 1 ( { y } )
, avef − 1 ( { y } ) ⊂ f − 1 (f (A))
, donx ∈ f − 1 (f (A))
.Laréiproqueestfausse:soit
f : R → R
donnéeparf = 1 [0,1]
.Enpartiulierf (] − 1, 2[) = { 0, 1 }
,et
f − 1 (f (] − 1, 2[)) = f − 1 ( { 0, 1 } ) = R )] − 1, 2[
.1.3.4 Mesure (oumasse) de Dira sur lesensembles
Pour
a ∈ E
,lamesure deDira(oumassedeDira)δ a
est lafontionδ a :
( P (E) → R A 7→ δ a (A)
déniepar:
δ a (A)
déf=
( 1
sia ∈ A,
0
sia / ∈ A,
don= 1 A ( { a } ).
(1.13)Don
δ a
estdéniesurlesensembles.Enpartiulier,δ a ( { x } ) =
( 1
six=a 0
six 6 =a
.1.3.5 Mesure (oumasse) de Dira sur lesfontions
Puis ondénitlamesuredeDira
e δ a
surlesfontionsenommençantparladénitionsurlesfontionsaratéristiques:pour
A ⊂ E
ondénit:e δ a (1 A )
déf= δ a (A),
puise δ a (1 A )
noté= δ a (1 A ).
(1.14)Attention:onabusedesnotations:onutiliseralemêmesymbole
δ a
pourdésignerlamesured'unensemble etlamesured'unefontion.Leontextelèvelesambiguïtésdenotation.
Puis,parlinéarité, ondénit lamesuredeDirad'unefontionen esalier[simplefuntion℄ :
si
f = P n
i=1 c i 1 A i
alors:δ a (f ) = δ a ( X n i=1
c i 1 A i )
déf= X n i=1
c i δ a (A i ) = X n i=1
c i 1 A i (a),
donδ a (f ) = f (a).
(1.15)D'où,pourtoutefontion
f : E → R
ettouta ∈ E
, voiroursintégraledeLebesgue :δ a (f ) = f (a).
(1.16)1.3.6 Abus de notation fontionnelle
Soit
id : R → R
l'appliationidentité :id : x → id(x) = x,
(1.17)etsoit
f : x ∈ R → f (x) ∈ R
unefontiondonnée.Lafontionproduit :id f : x → (id f )(x) = id(x)f (x) = xf(x),
(1.18)estnotée:
id f
noté= xf.
(1.19)Ainsi
xf : R → R
est déniepar:(xf )(x)
déf= xf (x).
(1.20)Sous-entendu,quandonutiliseettenotation,lenomdelavariableest
x
(attentionauxnotations!).Sansabusdenotation,
xf
estlafontionproduitidf
.Remarque 1.9 Attention:
x
joueiideuxrles,eluiusueldevariableeteluiabusifdefontion(abusifmaispratique). Leontextedoitlevertouteambiguïté.
Exemple1.10
ωf
est lafontionω → ωf (ω)
.Sansabusdenotation,'estlafontionproduit
idf : ω → id(ω)f (ω) = ωf (ω)
.Etonontinueàabuserdesnotationsennotant:
(id − x 0 1 R )f
noté= (x − x 0 )f,
(1.21)i.e.
(x − x 0 )f
estlafontiondex → ((x − x 0 )f )(x)
donnéepar:((x − x 0 )f )(x)
déf= (x − x 0 )f (x).
Exemple : lafontion
X − X
, qui à lafontionX
retranhe savaleurmoyenne, est un abusdenotationusuel:onauraitdûnoter
X − X1 R
ettefontion,diérenedesfontionsX
etX 1 R
(fontiononstante).Onadon
(X − X)(x) = X (x) − X
.Cela paraît trivial, mais la onfusion entre un réel et une fontion onduit à ertaines in-
ompréhensionsommelaonfusion entre une fontionet sesvaleurs.Dansle doute(et dansles
démonstrations),ilfautrevenirauxnotationsnonabusives.
1.3.7 Dénombrementde fontions
Soit
F (E; F)
l'ensembledesfontionsf : E → F
.Proposition 1.11 Si
E
etF
sontdesensemblesnisnonvides,de ardinal| E | = m
et| F | = n
,alors
F (E; F )
estunensemblenideardinal|F (E; F ) | = n m
.En partiulier
|F ( { 1, 2, ..., m } ; { a, b } ) | = 2 m
quanda 6 = b
.Preuve.Notons
E = { a 1 , ..., a m }
,F = { b 1 , ..., b n }
,etf : E → F
.Pourf (a 1 )
onan
hoixpossibles.Pour
f (a 2 )
onan
hoixpossibles...Pourf (a m )
onan
hoixpossibles.Autotaln ∗ n ∗ ... ∗ n = n m
ommeannoné.
Exemple1.12 Ave un alphabet de
n
lettres (de ardinal 26 en français), ombien de mots(ayantunsensoupas)de
k
lettrespeut-onformer?Réponse. Si
F
estl'ensembledesn
lettresdel'alphabet(deardinal26enfrançais),onan
possibilités pourla1èrelettre,n
possibilitéspourla2èmelettre,...,donautotaln k
possibilités(soit26 k
enfrançais).C'estleardinalde
F ( { 1, 2, ..., k } ; F )
(leardinaldeF ( { 1, 2, ..., k } ; { a, b, ..., z } )
enfrançais).1.3.8 Cardinal de
P (Ω)
Proposition 1.13 Soit
Ω
estunensemblenideardinal| Ω | = n ≥ 0
.LeardinaldeP (Ω) = 2 n
.Preuve. Ondonne2démonstrationsusuellesde
P (Ω) = 2 n
.1-Parréurrene.Vraipour
Ω = ∅
(deardinaln=0
)puisqueP (Ω) = {∅}
.VraipourΩ = { a }
(de ardinal
n=1
) puisqueP (Ω) = {∅ , { a }}
. Supposons que e soit vrai pourΩ = { a 1 , ..., a n }
de ardinal
n
. AlorspourΩ = { a 1 , ..., a n+1 }
de ardinaln+1
, l'ensembleP (Ω)
ontient touslessous-ensemblesneontenantpas
a n+1
,aunombrede2 n
,ettouseuxontenanta n+1
,quisontlespréédentsauquelonaajouté
a n+1
,donaunombrede2 n
.Au total2 n + 2 n = 2 n+1
.2-Caluldiret,àl'aidedesombinaison
C n k = n k
,f.suivant.
P (Ω)
ontient∅
(don1 = C n 0
élément), ontientlessingletons (don
n = C n 1
éléments),lessous-ensemblesde2éléments(donC n 2
éléments),....,donautotalP n
k=0 C n k = (1 + 1) n = 2 n
.1.4 Quelques rappels ombinatoires
1.4.1 Arrangements
A k n = (n) k
On rappelleque
n
fatoriel [n
fatorial℄ est l'entiern! = n × (n − 1) × ... × 2 × 1
pourtoutn ∈ N ∗
, et qu'on pose0! = 1
. (Motivation pour dénir0! = 1
: voirla formule du binme deNewtoni-dessouséquation(1.25).)
Question1- :soit
n
objetsx 1 , ..., x n
deuxàdeuxdistints(aven ≥ 1
).Combieny-a-t-ildema-nièresdelesarrangerentreeux,i.e.ombiende
n
-upletsordonnés[permutations℄(x ϕ(1) , ..., x ϕ(n) )
peut-onformer?Autrementdit,ombieny-a-t-ildebijetions
ϕ
entre[1, n] N
et lui-même?Réponse:
n!
.Démonstration parréurrene: 'estvraipour
n = 1
. Puissupposonsquee soitvraipourn
objets.Prenonsunensemblede
n+1
objets.Ilyan+1
possibilitéspourlehoixdupremierobjet, etilrestealorsn
objets,aven!
possibilitésdelesarrangerparhypothèsederéurrene.Donau total(n+1)n! = (n+1)!
possibilités.Remarque 1.14
A n n = n!
est le nombre de bijetions entre un ensemble den
éléments et unautreensemblede
n
éléments.Ouenorelenombredebijetionsentre{ 1, ..., n }
et{ x 1 , ..., x n }
.Ouenorelenombredebijetionsentre
{ x 1 , ..., x n }
etluimême,unetelle bijetionétantdelaforme(x 1 , ...x n ) → (x ϕ(1) , ..., x ϕ(n) )
aveϕ
bijetionentre{ 1, ..., n }
et{ 1, ..., n }
.Question2- :soit
n
objetsx 1 , ..., x n
deuxàdeuxdistints(aven ≥ 1
).Soitk ∈ [1, n] N
.Combiende
k
-uplets ordonnés[permutations℄(x ϕ(1) , ..., x ϕ(k) )
peut-onformer?Autrementdit, ombien y-a-t-ild'injetions
ϕ
[permutations℄de[1, k] N
dans[1, n] N
?Réponse: 'est lenombred'arrangementsde
k
objetsparmin
[numberofordered arrange-mentsof
k
objetstakenfromn
℄:A k n
déf= n!
(n − k)! = n × (n − 1) × ... × (n − k+1).
(1.22)Enpartiulier
A n n = n!
.English
A k n = (n) k
=n
downk
=n
lowerk
=P(n, k)
(permutations).Démonstration par réurrene. C'est vrai pour
n = 1
etk = 1
puisqueA 1 1 = (1 − 1! 1)! = 1
. Sin = 2
etk = 1
,alors2 = A 1 2
estlenombredemanièresdehoisir1objetparmi2
,etpourk = 2
,1 = A 2 2
estlenombredemanièresdehoisir2objetsparmi2
.Supposonsquelaformuleestétabliepour
n − 1 ≥ 1
ettoutk ∈ [1, n − 1] N
.Passonsàn
objets.Sik = 1
alorsn = A 1 n
estlenombredemanièresdehoisir1objetparmin
.Supposonsquelaformulesoit vraipour
k
objetsave1 ≤ k ≤ n − 1
. Passonsàk+1
objets. Ily an
manières dehoisirlepremier,etil reste
n − 1
objetsparmilesquelsondoitenprendrek
(entenantomptedel'ordre),don
A k n − 1
manièresdelesarranger.DonautotalnA k n − 1 = n (n (n − − 1 − 1)! k)! = (n − (k+1))! n! = A k+1 n
.Enpartiulierpour
k = n
onretrouveleasdelaquestion1-:A n n = n!
.(Pourk = 0
laquestion2-n'apasdesens.)
Exemple1.15 (Tierédans l'ordre.)Parmi 20hevaux, ombien detriplets(ordonnés) peut-on
former?Réponse:
A 3 20 = 20! 17! = 18 ∗ 19 ∗ 20 = 6840
.Exerie 1.16 OndisposedeslettresBEEILRT.Enlestirantsuesivementauhasard,ave
quelleprobabilitéforme-t-onLIBERTE?
Réponse.L:1/7,I:1/6,B:1/5,E:2/4,R:1/3,T:1/2,E:1/1.Donprobabilité
P = 7! 2
.Entermesd'arrangements :il y a
7!
arrangements possibles (nombre de mots possibles).Et il 2 possibilités pour tirerE
(deuxmotspossiblesindiéreniables).Remarque 1.17 Anarrangementwhereorderisimportantisalledapermutation.An arrange-
mentwhereorderisnotimportantisalledombination.
1.4.2 Combinaisons
C n k = n k
etoeientsbinomiaux
Question 3- : soit
n ∈ N ∗
et soitk ∈ [1, n] N
. Combien y-a-t-il de manièresde hoisirk
objetsparmi
n
,sanstenirompte del'ordre?Autrement dit, si
E = { x 1 , ..., x n }
est l'ensemble desn
objets, ombien y-a-t-il de sous-ensemblesde
E
ontenantk
objets?Autrementdit,ombieny-a-t-ildepartitions
U 1 S
U 2
deE
telque| U 1 | = k
?Réponse:'estlenombredeombinaisons|ombinations℄de
k
objetsparmin
[numberofwaysofseleting
k
objetsfromn
,ornumberofsubpopulationsofsizek
in apopulationofsizen
℄ :C n k
noté=
n k
déf
= n!
k!(n − k)! = n × (n − 1) × ... × (n − k+1)
k! (= A k n
k! ),
(1.23)et
C n k
estunoeientbinomial(voirlaformuledubinmedeNewtoni-dessouséquation(1.25)).(
C n k = n k
=
n
hoosek
=C(n, k)
.)Démonstrationavelesarrangements.
A k n
estlenombredek
-upletsordonnés,etpourunhoixde
k
éléments,il yak!
manièresdelesarranger.Donk! C n k = A k n
.Démonstration par réurrene.C'est vraipour
n = 1
etk = 1
puisqueC 1 1 = 1!0! 1! = 1
. Pourn = 2
etk = 1
,ona2 = C 2 1
estlenombredemanièresdehoisir1objetparmi2
,et pourk = 2
,1 = C 2 2
estlenombredemanièresdehoisir2objetsparmi2
.Supposons que la formule est établie pour
n ≥ 1
et toutk ∈ [1, n] N
. Passons àn+1
objets.C'est vrai pour
k = 1
puisqu'il y an+1
singletons etC n+1 1 = (n+1)! 1!n! = n+1
. Supposons queesoitvraipour
k
ave1 ≤ k ≤ n
.Passonsàk+1
objets.Regardonslessous-ensemblesneontenant pasx 1
:ondoithoisirk+1
objetsparmin
,soitC n k+1
possibilités.Regardonslessous-ensembles ontenantx 1
:ilrestek
objetsàprendreparmin
,soitC n k
possibilités.AutotalC n k +C n k+1 = C n+1 k+1
,voirlemmesuivant.
Remarque 1.18 Comme
C n k =
notén k
= k!(n n! − k)!
,ilest immédiatque:C n k = C n n − k =
n k
= n
n − k
,
etC n+k n = C n+k k = n + k
k
= n + k
n
.
Lemme1.19 (FormuledutriangledePasal.)Pour
n ∈ N ∗
etk ∈ [1, n] N
ona:C n k + C n k+1 = C n+1 k+1 ,
(1.24)soit
n k
+ n
k + 1
= n + 1
k + 1
.
Preuve.
n!
k!(n − k)! + n!
(k + 1)!(n − k − 1)! = n!(k + 1) + n!(n − k)
(k + 1)!(n − k)! = n!(n+1+k − k) (k + 1)!(n+1 − (k+1))!
.Exemple1.20 (Tieré dansle désordre.)Parmi20 hevaux,ombien d'ensemblesde 3hevaux
peut-onformés?Réponse: