1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
|
# Variables aléatoires discrètes
**Indénombrable** : continu $\Leftrightarrow$ $\mathbb{R}$
## Loi de probabilité
**Loi de proba** :
$$
\begin{align*}
\mathbb{P}: \mathcal{P}(\Omega) &\longrightarrow [0, 1] \\
A &\longmapsto \mathbb{P}(A)
\end{align*}
$$
$(\Omega, \mathcal{P}(\Omega), \mathbb{P})$ est un espace probabilisé
**Loi d'une variable aléatoire discrète**
$$
\begin{align*}
\mathbb{P}_{X}: \mathcal{P}(X(\Omega)) &\longrightarrow [0, 1] \\
A &\longmapsto \mathbb{P}_{X}(A) = \mathbb{P}(X \in A)
\end{align*}
$$
En pratique, si $X(\Omega) = \{x_{n} | n \in [1; N]\}$
#### Si $\Omega$ n'est pas nécessairement fini : les tribus
**Tribu** :
Soit $\mathcal{T} \subset \mathcal{P}(\Omega)$ ($\mathcal{T}$ contient des sous-ensembles de $\Omega$).
- $\mathcal{T}$ <u>n'est pas vide</u> : $\mathcal{T}$ contient au moins l'ensemble vide
- $\mathcal{T}$ <u>est stable par complémentaire</u> : si $A \in \mathcal{T}$, alors $A^C \in \mathcal{T}$
- $\mathcal{T}$ <u>est stable par union dénombrable</u> : Si une famille dénombrable d'ensemble $(A_n)_{n \in \mathbb{N}}$
**Remarque** : $\mathcal{P}(\mathbb{R})$ est une tribu
**Loi d'une variable aléatoire réelle** :
Soit $\mathcal{T}$ une tribu sur $\Omega$
$$
\begin{align*}
\mathbb{P}_{X}: \mathcal{P}(X(\Omega)) &\longrightarrow [0, 1] \\
A &\longmapsto \mathbb{P}_{X}(A) = \mathbb{P}(X \in A)
\end{align*}
$$
Est sa loi de proba si :
- $\mathbb{P}_X(\Omega) = 1$
- Pour toute famille dénombrable $(A_n)_{n \in K}$ (où $K \subset \mathbb{N}$) d'éléments disjoints de $\mathcal{T}$ :
- La proba de l'union = somme des probas
## Fonction de répartition
À partir d'une loi de proba et d'une VAR $X : \Omega \rightarrow \mathbb{R}$, on peut définir la fonction de répartition de X notée $F_X$ tq :
$$
\begin{align*}
F_X : \mathbb{R} &\longrightarrow \mathbb{R} \\
X &\longmapsto \mathbb{P}(X \leq x)
\end{align*}
$$
$F$ vérifie :
- $\forall x \in \mathbb{R}, 0 \leq F(x) \leq 1$
- F est croissante et continue à droite pour tout point de $\mathbb{R}$
- $\lim_{x \rightarrow - \infty} F_X(x) = 0$ et $\lim_{x \rightarrow + \infty} = 1$
# Variables aléatoires continues
## Lois à densité
On appelle densité de proba toute application **continue par morceaux** :
$$
\begin{align}
f : \mathbb{R} &\longrightarrow \mathbb{R} \\
x &\longmapsto f(x) = x
\end{align}
$$
telle que :
1. La fonction de densité de proba doit être toujours positive $f(x) \geq 0, \,\forall x \in \mathbb{R}$
2. L'intégrale de la fonction densité de proba sur l'ensemble des valeurs possibles doit être égale à 1 :
$$
\begin{align}
\int^{+\infty}_{-\infty} f(t)dt = 1
\end{align}
$$
(CV et vaut 1)
## Fonction de répartition
Soit $X$ une VAR et $F_X$ la fonction de répartition de $X$. On dit que $X$ est une variable aléatoire à densité s'il existe $f$ tq :
$$
\forall x \in \mathbb{R}, F_{X}(x) = \mathbb{P}(X\leq x) = \int^{x}_{-\infty}f(t)dt
$$
Et $\mathbb{P}(X = a) = \mathbb{P}(X \in [a,a]) = F(a) - \lim_{x \rightarrow a^-} F_{X}(x) = 0$
Soit $X$ une VAR admettant une densité $f$. On a alors $\forall (a,b) \in \mathbb{R}^2$ :
1. $\mathbb{P}(a \leq X \leq b) = F_X(b) - F_X(a) = \int^{b}_{a} f(x)dx$
2. $\mathbb{P}(a \leq X \leq b) = \mathbb{P}(a \lt X \leq b) = \mathbb{P}(a \leq X \lt b) = \mathbb{P}(a \lt X \lt b)$
$F$ vérifie :
- $\forall x \in \mathbb{R}, 0 \leq F(x) \leq 1$
- $F_X$ est continue sur $\mathbb{R}$, dérivable en tout point où $f$ est continue et alors $F'_X = f$
- F est croissante et continue à droite pour tout point de $\mathbb{R}$
- $\lim_{x \rightarrow - \infty} F_X(x) = 0$ et $\lim_{x \rightarrow + \infty} = 1$
# Lois usuelles
## Loi uniforme
![[{BC5D44BC-3F46-4180-BCD4-4D5B3F4BA20A}.png]]
## Lois de Bernoulli et normale centrée réduite
![[{D4A5C0C1-1CC5-40BD-8405-94426A60D0D6}.png]]
## Lois binomiale et normale
![[{86D3CCEA-A76F-40BE-9B62-8E2DC7C8BC44}.png]]
![[{A3B3B4D0-52E0-48E4-B81C-2C44E37A3228}.png]]
## Lois géométrique et de gamma
![[{18D748A3-B8D3-4E4D-A1A8-F2F70277DC38}.png]]
## Lois de Poisson et exponentielle
![[{2AAFC51F-57F7-497E-9B07-036BCA01D719}.png]]
![[{0266C3BB-ED39-47C0-B60B-DEC52724FB76}.png]]
![[{7CE9651F-9AB2-4B5A-B893-D67ADC25A533}.png]]
# Conclusion
Variable aléatoire : $X : \Omega \longrightarrow \mathbb{R}$
Probabilité : $\mathcal{P} \longrightarrow [0,1]$
$\mathcal{P}(\Omega) = 1$
$\forall A,B \in \mathbb{P}(\Omega), A \cap B = \emptyset, \mathcal{P}(A \cup B) = \mathcal{P}(A) + \mathcal{P}(B)$
|
