19/02/2019

Université Abdelmalek Essaâdi Année: 2018-2019

Faculté des Sciences de Tétouan S.M.A.
Département de Mathématiques Semestre 6

Probabilités 2

Prof. Mohamed El Merouani

https://elmerouani.jimdo.com/
e-mail: m_merouani@yahoo.fr

Programme
• Mesure de Probabilité (Kolmogorov 1903-1987)
• Variables aléatoires-Vecteurs aléatoires
• Indépendance
• Convergences stochastiques
• Lois des grands nombres
• Le théorème central limite
• Espérance conditionnelle
• Processus Stochastiques
2

1
 19/02/2019

Pré requis
• Cours Probabilités-Statistiques de S3
• Cours d’Intégration de S5

Bibliographie
• A. Monfort: «Cours de Probabilités », Economica, 3e édition, 1996.
• D. Foata, A. Fuchs:«Calcul des probabilités, cours, exercices et
problèmes corrigés », 2e édition, Dunod, 1998.
• M. Brancovan, T. Jeulin: «Probabilités », ellipses, 2006.
• M. Métivier:«Notions fondamentales de la théorie des probabilités »,
Dunod Université, 1979.
• J-Y. Ouvrard: «Probabilités 1 & 2 », Cassini, 2007.
• Ph. Barbe, M. Lediux:« Probabilité », Belin, 1998.

Chapitre 1: Mesure de Probabilité

2
 19/02/2019

Tribu ou σ-algèbre
Définition:
Soit Ω un ensemble non vide (l’ensemble de tous
les résultats possibles d’une épreuve aléatoire). Ω
est appelé espace fondamental.
Une famille A de parties de Ω est une tribu (ou σ-
algèbre), si:
(i) ΩϵA
(ii) ꓯAϵA; Ac ϵ A
(iii) ꓯ(An)nϵIN suite d’éléments de A; UnϵIN An ϵ A
5

Tribu
• Le couple (Ω, A) s’appelle un espace
mesurable (ou espace probabilisable lorsque
Ω est l’ensemble des résultats d’une
expérience aléatoire).
• Les éléments de A sont appelés ensembles
mesurables (ou évènements lorsqu’il s’agit
d’un espace probabilisable)

3
 19/02/2019

Mesure de Probabilité
Définition :
Soit (Ω, A) un espace probabilisable
(mesurable).
On appelle probabilité (ou mesure de
probabilité) toute mesure P sur A telle que
P(Ω)=1.
On dit que (Ω, A, P) est un espace probabilisé.

Donc une probabilité P est:

• une mesure sur A:
C’est une fonction d’ensemble positive, non
iden quement égale à +∞, σ-additive sur A:
pour toute suite (An)n≥1 d’éléments de A deux à
deux disjoints, dont la réunion Un≥1 An ϵ A, on a
 
P( Ai )   P ( Ai )
i 1 i 1

• telle que P(Ω)=1

8

4
 19/02/2019

Remarques:
• En particulier, si µ est une mesure sur (Ω, A)

avec 0<µ(Ω)<∞, on voit que P 
est une probabilité.
 ()
• Si P est une probabilité, observons que P est à
valeurs dans [0,1] puisque pour tout ensemble
mesurable A,
P(A)≤P(Ω)=1
• De plus, P(Ø)=0
9

Evènement:
Définition:
Soit (Ω, A, P) est un espace probabilisé.
Un ensemble AϵA est appelé un évènement.
Un évènement A a lieu P-presque surement
(P-p.s.) s’il a lieu P-p.p. (i.e. si P(A)=1).

10

5
 19/02/2019

Propriétés de la Probabilité:
• En reprenant les propriétés des mesures, on
voit que si P est une probabilité sur (Ω, A) et si
A, B, An, n ϵ IN, sont mesurables, alors:
i. A ⸦ B => P(A)≤P(B)
ii. P(Ac)=1−P(A)
iii. P(AUB)=P(A)+P(B) −P(A∩B)
iv. Si (An)n est une suite croissante, ou
décroissante, d’événements alors
P(lim An )  lim P( An )
n  n  11

Propriétés de la Probabilité:
v.  
P  An    P ( An )
 nIN  nIN
vi. Pour tout nϵIN, on a:
n n
n  n
 P( Ai )  P( Ai  Aj )  P Ai   P( Ai )
i1 i j  i1  i1
Inégalité de Bonferoni

12

6
 19/02/2019

Propriétés de la Probabilité:

La dém. En T.D. le jeudi prochain

de 16h à 18h salle 18.

13

Chapitre 2: Variables aléatoires-

Vecteurs aléatoires

14

7
 19/02/2019

Variable aléatoire:
Définition:
• Soient (Ω, A) et (Ω’, A’) deux espaces
probabilisables.
• L’application X de Ω dans Ω’ est dite variable
aléatoire (v.a.) lorsque pour tout BϵA’, on a:
X 1 B      / X    B ϵA
• Une v.a. X est, donc, une application mesurable
pour les tribus A et A’.
15

Tribu engendrée par une v.a.

Définition:
• La tribu engendrée par une v.a. X et notée
σ(X) est la plus petite tribu par rapport à
laquelle X est mesurable:
σ(X)={Aϵ A/ ƎBϵ A’ ; A=X-1(B)={XϵB}}

8
 19/02/2019

Tribu borelienne:
Définition:
• La tribu borélienne, notée B(IR), est la tribu
engendrée par les ouverts de IR (i.e. c’est la plus
petite tribu qui contient les ouverts de IR).
• On peut écrire B(IR)=σ(ouverts de IR)
= σ(fermés de IR)
• B(IR) est aussi engendrée par les intervalles
ouverts de IR de la forme ]a,b[; a,bϵIR.
B(IR)=σ(]a,b[; a,bϵ IR)

Variable aléatoire réelles ou

vectorielles:
• Pour l’essentiel, on se contentera de variables
à valeurs dans (IR, B(IR)) ou (IRd, B(IRd)). Elles
seront appelées variables aléatoires réelles ou
vectorielles.
• Si X et Y sont deux v.a. sur (Ω, A, P) avec X=Y
P-p.p., on écrit aussi bien X=Y P-p.s. ou X=Y
p.s. s’il n’y a pas d’ambiguïté sur P.

18

9
 19/02/2019

Ensemble de réalisation d’une v.a.:

• Les valeurs de la v.a. X sont dites réalisations
de X.
• L’ensemble de ces réalisations est noté X(Ω).

Loi de probabilité d’une v.a.:

Définition:
• La mesure de probabilité, notée PX , définie sur
B(IR) par:
PX(B)= P(X-1(B)) =P({ωϵΩ:X(ω)ϵ B})=P({Xϵ B})
=P(X ϵ B)
est appelée loi de probabilité de la v.a. X

20

10
 19/02/2019

Loi de probabilité d’une v.a.:

Remarque:
• Sur l’espace probabilisé (Ω, A, P), si l’on se
donne une loi, on peut toujours l’écrire
comme une loi image par une application
mesurable (prendre l’identité pour la v.a.!).
• Donc, toute mesure de probabilité est la loi
d’une v.a.

30

Fonctions de répartitions:
Soit X une v.a. réelle (i.e. X est à valeurs réelles),
définie sur un espace probabilisé (Ω, A, P).
Définition:
On appelle fonction de répartition de X ou de sa loi
PX, et on note FX, la fonction sur IR définie par
FX(t) = PX (]-∞,t])
= P({ω : X(ω)≤t})
= P(X ≤ t) ; ꓯtϵIR

22

11
 19/02/2019

Fonctions de répartitions:
Propriétés:
Une fonction de répartition F vérifie les
propriétés suivantes:
i. 0 ≤F≤ 1
ii. F est croissante, continue à droite avec une
limite à gauche en tout point,
iii. lim F (t )  0 et lim F (t )  1
t   t  

Réciproquement, une fonction F vérifiant (i)-(iii)

est la fonction de répartition d’une variable
aléatoire réelle.
23

Fonctions de répartitions-Propriétés:
Preuves:
i. Vient de ce que P est à valeurs dans [0,1].
ii. La croissance découle de la croissance des
mesures (i.e. A⸦B=>P(A)≤P(B)).
La continuité à droite peut être vue comme
une conséquence de la proposition:
Si Ai+1 ⸦ Ai pour tout i et µ(Ai)<+∞ pour un
certain i, alors   A   lim   A 
 i  i
 i  i 
24

12
 19/02/2019

Fonctions de répartitions-Propriétés:
Preuves:
en remarquant que X  t    X  t  1 
n 1  n

et que la croissance de F implique

 1
lim F t  h   lim F  t    F (t )
h 0 n 
 n
• La limite à gauche est également une
conséquence de la croissance de F.

25

Fonctions de répartitions-Propriétés:
Preuves:
iii. Vient encore de la proposition précédente,
en remarquant que    X   n et donc
n 1
0  P    lim P  X   n   lim F (  n )
n  n

tandis que 1 P()  lim P X  n d’après la

n
même proposition.

26

13
 19/02/2019

Fonctions de répartitions-Propriétés:
Preuves:
• Pour la réciproque; soit G une fonction
vérifiant (i)-(iii). Définissons pour a<b, la
fonction d’ensemble µ(]a,b[)=F(b)─F(a).
• La définition de µ s’étend à l’algèbre des
réunions finies d’intervalles.
• Le théorème de prolongement permet ensuite
de conclure.

27

v.a. discrète:
Définition:
• Une v.a. X définie sur (Ω, A, P) est dite discrète
si l’ensemble de ses réalisations X(Ω) a un
nombre fini (ou infini dénombrable)
d’éléments.

28

14
 19/02/2019

v.a. discrète:
Remarque:
Soient x1, x2,x3,… les réalisations de X
X(Ω)={x1, x2,x3,… }
On note pour tout i=1,2,3,…
X-1({xi})={ωϵΩ/X(ω)=xi}=(X=xi)
Les évènements (X=xi) forment un système
complet et  P X  x   1

i 1
i

Loi de probabilité d’une v.a. discrète:

Définition:
Les nombres P(X=xi) notés pi vérifiant


pi≥0 et p
i 1
i 1

forment une loi de probabilité de la v.a. discrète X.

15
 19/02/2019

Fonction de répartition d’une v.a.

discrète:
Définition:
La fonction de répartition de la v.a. discrète X
est donnée par:
ꓯ x ϵ IR; F(x)=P(X≤x)=  P X  xi    pi
xi  x xi  x

v.a. continue:
Définition:
Soit une v.a.r. X définie sur (Ω, A, P) dont la
fonction de répartition est F.
La v.a. X est dite continue s’il existe une
fonction positive f telle que:
x

ꓯ x ϵ IR; F(x)=P(X≤x)=  f (t )dt
la fonction f est dite fonction de densité de
probabilité de X.
32

16