Leçon 1 sur 5
Espaces probabilisés et variables aléatoires
Je sais construire un espace probabilisé, utiliser les probabilités conditionnelles et la formule de Bayes, et calculer la loi, l'espérance et la variance d'une variable aléatoire discrète ou à densité.
- 1 h 10
- 4 exercices corrigés
- QCM de 5 questions
À la fin de la leçon, vous saurez :
- Définir un espace probabilisé et énoncer les axiomes de Kolmogorov
- Utiliser les probabilités conditionnelles, l'indépendance et la formule de Bayes
- Caractériser la loi d'une variable aléatoire par sa fonction de répartition, sa loi de probabilité ou sa densité
- Calculer espérance, variance et covariance et reconnaître les lois usuelles
Avant de commencer : Dénombrement, calcul intégral et séries (L1) ; statistique descriptive (L1-L2).
1Je découvre
Une usine de transformation de fruits de Kindia conditionne des jus sur deux machines. La machine A produit la majorité des bouteilles, la machine B le reste, et chaque machine laisse passer une petite proportion de bouteilles mal fermées. Un client de Conakry rapporte une bouteille défectueuse : le responsable qualité veut savoir de quelle machine elle vient le plus probablement, afin de cibler la maintenance.
Au même moment, le service commercial s'intéresse au nombre de clients qui se présentent au dépôt en une heure, et au temps d'attente entre deux livraisons. Ces grandeurs ne sont pas connues d'avance : elles sont aléatoires, mais leur comportement moyen et leur dispersion peuvent être décrits avec précision.
En licence, vous avez déjà calculé des probabilités « au cas par cas ». La statistique mathématique exige un cadre rigoureux, sur lequel reposeront l'estimation et les tests des leçons suivantes.
Comment formaliser le hasard et décrire mathématiquement une grandeur aléatoire ?
2Je comprends
1. L'espace probabilisé
Une expérience aléatoire est modélisée par un espace probabilisé (Ω, A, P) :
- Ω est l'univers, l'ensemble des issues possibles ;
- A est une tribu d'événements : elle contient Ω, est stable par passage au complémentaire et par réunion dénombrable ;
- P est une probabilité sur A, qui vérifie les axiomes de Kolmogorov : P(A) ≥ 0, P(Ω) = 1, et pour des événements deux à deux disjoints A1, A2, … on a P(⋃ An) = Σ P(An) (σ-additivité).
On en déduit : P(A) = 1 - P(A), P(A ∪ B) = P(A) + P(B) - P(A ∩ B), et si A ⊂ B alors P(A) ≤ P(B).
Pourquoi une tribu et non toutes les parties de Ω ? Quand Ω = ℝ, on ne peut pas attribuer de façon cohérente une probabilité à toutes les parties ; on se limite à la tribu borélienne, engendrée par les intervalles.
2. Conditionnement, indépendance et formule de Bayes
Si P(B) > 0, la probabilité de A sachant B est P(A | B) = P(A ∩ B)P(B).
Deux événements sont indépendants si P(A ∩ B) = P(A)P(B). Attention : indépendance n'est pas incompatibilité ; deux événements incompatibles de probabilités non nulles ne sont jamais indépendants.
Formule des probabilités totales. Si (B1, …, Bk) est un système complet d'événements (partition de Ω) :
P(A) = Σi P(A | Bi)P(Bi).
Formule de Bayes. Elle « inverse » le conditionnement :
P(Bj | A) = P(A | Bj)P(Bj)Σi P(A | Bi)P(Bi).
Exemple résolu. Dans un lot, 70 % des sacs viennent d'un fournisseur de Boké (taux de sacs abîmés 1 %) et 30 % d'un fournisseur de Labé (taux 4 %). P(abîmé) = 0,7 × 0,01 + 0,3 × 0,04 = 0,007 + 0,012 = 0,019. Sachant qu'un sac est abîmé, la probabilité qu'il vienne de Labé est 0,012 / 0,019 ≈ 0,632 : bien que minoritaire, ce fournisseur est le suspect le plus probable.
3. Variable aléatoire et fonction de répartition
Une variable aléatoire réelle (v.a.) est une application X : Ω → ℝ mesurable : pour tout réel x, l'ensemble {X ≤ x} est un événement. Sa loi est la probabilité PX(B) = P(X ∈ B) sur les boréliens.
La fonction de répartition FX(x) = P(X ≤ x) caractérise la loi. Elle est croissante, continue à droite, tend vers 0 en -∞ et vers 1 en +∞. Pour a < b : P(a < X ≤ b) = FX(b) - FX(a).
- V.a. discrète : elle prend un nombre fini ou dénombrable de valeurs xk ; sa loi est donnée par les pk = P(X = xk), avec Σ pk = 1.
- V.a. à densité : il existe f ≥ 0 d'intégrale 1 telle que FX(x) = ∫-∞x f(t) dt. Alors P(X = a) = 0 pour tout a, et f = FX' là où FX est dérivable.
4. Espérance, variance, covariance
L'espérance est la moyenne théorique : E(X) = Σ xk pk (cas discret) ou E(X) = ∫ x f(x) dx (cas à densité), sous réserve de convergence absolue. Elle est linéaire : E(aX + bY + c) = aE(X) + bE(Y) + c. Pour une fonction g : E(g(X)) = ∫ g(x)f(x) dx (théorème de transfert).
La variance mesure la dispersion : V(X) = E[(X - E(X))2] = E(X2) - (E(X))2 (formule de Koenig-Huygens). On a V(aX + b) = a2 V(X) et l'écart-type est σX = √V(X).
Pour deux v.a., la covariance est Cov(X, Y) = E(XY) - E(X)E(Y) et V(X + Y) = V(X) + V(Y) + 2 Cov(X, Y). Si X et Y sont indépendantes, Cov(X, Y) = 0 ; la réciproque est fausse en général. Le coefficient de corrélation ρ = Cov(X,Y)σX σY est compris entre -1 et 1.
5. Les lois usuelles
| Loi | Valeurs | Probabilité ou densité | Espérance | Variance |
|---|---|---|---|---|
| Bernoulli B(p) | 0 ou 1 | P(X=1)=p | p | p(1-p) |
| Binomiale B(n,p) | 0 à n | (nk)pk(1-p)n-k | np | np(1-p) |
| Poisson P(λ) | entiers naturels | e-λλkk! | λ | λ |
| Uniforme sur [a,b] | [a,b] | 1b-a | a+b2 | (b-a)212 |
| Exponentielle E(λ) | réels positifs | λ e-λ x | 1λ | 1λ2 |
| Normale N(µ,σ2) | ℝ | 1σ√2πe-(x-µ)22σ2 | µ | σ2 |
La binomiale compte les succès dans n épreuves indépendantes ; la loi de Poisson modélise des arrivées rares (clients, pannes) sur une période ; l'exponentielle modélise une durée d'attente « sans mémoire » : P(T > s + t | T > s) = P(T > t). Si X ∼ N(µ, σ2), alors Z = X - µσ ∼ N(0, 1), dont la fonction de répartition Φ est tabulée.
3Je retiens
Je retiens
Un modèle aléatoire est un triplet (Ω, tribu, P) ; P vérifie les axiomes de Kolmogorov.
P(A | B) = P(A ∩ B) / P(B) ; la formule de Bayes inverse le conditionnement.
Indépendance (P(A ∩ B) = P(A)P(B)) et incompatibilité sont deux notions différentes.
La fonction de répartition F(x) = P(X ≤ x) caractérise la loi d'une variable aléatoire.
E est linéaire ; V(X) = E(X²) − E(X)² et V(aX + b) = a²V(X).
Indépendance implique covariance nulle, mais pas l'inverse.
Lois à connaître : Bernoulli, binomiale, Poisson, uniforme, exponentielle, normale.
4Erreurs fréquentes
- Confondre P(A | B) et P(B | A) : utilisez Bayes pour passer de l'une à l'autre.
- Écrire V(X + Y) = V(X) + V(Y) sans vérifier que la covariance est nulle.
- Écrire V(aX) = aV(X) : le coefficient sort au carré.
- Chercher P(X = a) > 0 pour une variable à densité : cette probabilité est toujours nulle.
- Oublier de vérifier qu'une densité est positive et d'intégrale égale à 1.
5Je m’exerce
1Exercice 1
(Questions de cours) a) Énoncez les axiomes de Kolmogorov. b) Montrez que deux événements incompatibles de probabilités non nulles ne sont pas indépendants. c) Donnez un exemple de variables de covariance nulle mais dépendantes.
Voir le corrigéCacher le corrigé
a) P(A) ≥ 0 pour tout événement ; P(Ω) = 1 ; pour une suite d'événements deux à deux disjoints, P(⋃ An) = Σ P(An). b) Si A ∩ B = ∅, P(A ∩ B) = 0, alors que P(A)P(B) > 0 : l'égalité d'indépendance est fausse. c) Soit X prenant les valeurs -1, 0, 1 avec probabilité 13 chacune, et Y = X2. E(X) = 0 et E(XY) = E(X3) = 0, donc Cov(X, Y) = 0 ; pourtant Y est entièrement déterminée par X (par exemple P(Y = 0 | X = 0) = 1 ≠ P(Y = 0) = 13).
2Exercice 2
L'usine de Kindia produit 60 % de ses bouteilles sur la machine A et 40 % sur la machine B. Les taux de bouteilles mal fermées sont de 2 % pour A et 5 % pour B. a) Quelle est la probabilité qu'une bouteille prise au hasard soit défectueuse ? b) Une bouteille est défectueuse : quelle est la probabilité qu'elle vienne de A ? De B ?
Voir le corrigéCacher le corrigé
a) Probabilités totales : P(D) = 0,6 × 0,02 + 0,4 × 0,05 = 0,012 + 0,020 = 0,032. b) Bayes : P(A | D) = 0,0120,032 = 0,375 et P(B | D) = 0,0200,032 = 0,625. La maintenance doit viser d'abord la machine B.
3Exercice 3
Soit X de densité f(x) = cx sur [0, 2] et nulle ailleurs. a) Déterminez c. b) Calculez P(X ≤ 1). c) Calculez E(X) et V(X).
Voir le corrigéCacher le corrigé
a) ∫02 cx dx = c[x22]02 = 2c = 1, donc c = 12. b) P(X ≤ 1) = ∫01 x2dx = 14. c) E(X) = ∫02 x22dx = [x36]02 = 86 = 43. E(X2) = ∫02 x32dx = [x48]02 = 2. V(X) = 2 - 169 = 29.
4Exercice 4
(Type examen) Au dépôt de l'usine, le nombre X de clients par heure suit une loi de Poisson de paramètre 3. a) Calculez P(X = 0) et P(X ≤ 2). b) Chaque client rapporte une marge de 2 (en milliers de GNF) et le dépôt reçoit un forfait horaire de 5 : on pose Y = 2X + 5. Calculez E(Y) et V(Y). c) Le temps T (en heures) entre deux livraisons suit une loi exponentielle de paramètre 0,5. Calculez E(T) et P(T > 3). d) Sachant qu'aucune livraison n'a eu lieu depuis 2 heures, quelle est la probabilité d'attendre encore plus de 3 heures ? Justifiez.
Voir le corrigéCacher le corrigé
a) P(X = 0) = e-3 ≈ 0,0498. P(X ≤ 2) = e-3(1 + 3 + 92) = 8,5 e-3 ≈ 0,4232. b) E(Y) = 2E(X) + 5 = 2 × 3 + 5 = 11, soit 11 000 GNF par heure ; V(Y) = 4V(X) = 4 × 3 = 12. c) E(T) = 10,5 = 2 heures ; P(T > 3) = e-0,5 × 3 = e-1,5 ≈ 0,2231. d) La loi exponentielle est sans mémoire : P(T > 5 | T > 2) = e-2,5e-1 = e-1,5 ≈ 0,2231, la même valeur qu'en c). Le temps déjà attendu ne change rien.
Cherchez d’abord seul, sur votre cahier, puis ouvrez le corrigé pour comparer.
6Je vérifie
Choisissez une réponse pour chaque question : la correction s’affiche aussitôt.
Karamö, votre enseignant
Il a lu cette leçon. Posez-lui votre question : il vous répond ici.
Connectez-vous pour poser vos questions à Karamö.
Avec un compte Kharandi gratuit, vous cochez les leçons terminées et vous suivez votre progression, cours par cours.
Signaler une erreur dans cette leçon
Toutes les leçons de Probabilités et statistique mathématique