Chapitre 3 Variables alatoires et lois

3.1 Dnitions gnrales

3.1.1 Variables alatoires
On appelle variable alatoire tout nombre rel alatoire, c'est--dire dont la valeur dpend du rsultat d'une exprience probabiliste. Par exemple :

On lance un d. Soit X le rsultat obtenu.

Ici X est une variable alatoire et les valeurs possibles de X sont 1, 2, 3, 4, 5, 6. Pour chacune de ces valeurs, X a une certaine probabilit de lui tre gal. Ici en fait on peut donner directement les probabilits des vnements X = 1, X = 2, . . . , X = 6 : on 1 a P (X = 1) = P (X = 2) = = P (X = 6) = 6 .

variable alatoire ayant une probabilit 1 d'tre gale la valeur considre. Par exemple le nombre x = 2 sera identi une variable X telle que P (X = 2) = 1.

Remarque : Un nombre rel x (c'est--dire non alatoire) peut tre vu comme une

Remarques sur les notations :

Par convention, les variables alatoires sont en gnral notes avec des lettres capitales (X ,Y ,T ,etc.) pour les direncier des nombres rels non alatoires. Pour noter les vnements relatifs une variable alatoire X , comme par exemple X = 1, X 2, 0 X 4, on utilise souvent plutt les crochets : [X = 1], [X 2], [0 X 4]. De mme, plutt que P (X = 1) ou P ([X = 1]) on crira simplement P (X = 1) ou P [X = 1].
1

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

3.1.2 Support d'une variable alatoire

Le support d'une variable alatoire est l'ensemble des ses valeurs possibles. C'est la premire chose prciser lorsqu'on considre une variable alatoire. On notera S (X ) le support d'une variable alatoire X . support de X est alors {1, 2, 3, 4, 5, 6}.

Exemple 1 : On reprend l'exemple prcdent : X

est le rsultat d'un lancer de d. Le

le nombre de jours avant la prochaine pluie (en supposant que a va forcment arriver). Alors X {0, 1, 2, . . .} = N. de s'arrter. Alors on aura X [0, d] (en supposant qu'il y a une distance maximale d possible), ou bien simplement X [0, +[. On vient en fait de voir trois types de support dirents avec ces trois exemples : support ni pour le premier, support inni dnombrable pour le second, support inni non dnombrable pour le troisime. Cette distinction est essentielle en probabilits, car les calculs de probabilits vont s'eectuer de faon compltement direntes suivant les cas.

Exemple 2 : Soit X

Exemple 3 : On lance une balle, et on note X la distance parcourue par la balle avant

est un ensemble ni ou inni dnombrable.

Dnition. Une variable alatoire discrte est une variable alatoire dont le support

3.1.3 Fonction de rpartition d'une variable alatoire

Dnition. La fonction de rpartition d'une variable alatoire X est la fonction dnie
pour tout t R par
FX (t) = P (X t).

Autrement dit, FX (t) est la probabilit de l'vnement "la valeur de X est infrieure ou gale t". Proposition. On a FX (t) [0, 1] pour tout t R ; et FX est une fonction croissante.
et donc P (X t) P (X u), c'est--dire FX (t) FX (u). Donc FX est croissante.

Preuve. FX (t) [0, 1] car c'est une probabilit. De plus, si t u, on a [X t] [X u]

3.2 Variables alatoires discrtes

Loi d'une variable discrte. Donner la loi d'une variable alatoire discrte X , c'est calculer les probabilits P (X = x) pour toutes les valeurs x possibles prises par X (autrement dit pour tous les x appartenant au support de X ).

3.2.

V ARIABLES ALATOIRES DISCRTES

Figure 3.1  Loi et fonction de rpartition d'un lancer de d

3.2.1 Quelques exemples

est le rsultat du lancer d'un d. On a vu que P (X = 1) = P (X = 2) = = P (X = 6) = 1 : c'est la loi de X . On peut la prsenter sous forme de tableau : 6

Exemple 1 : X

1 1 P (X = x) 6

2 1 6

3 1 6

4 1 6

5 1 6

6 1 6

On peut aussi prsenter ce rsultat sous la forme d'un graphique, ou diagramme en btons (gure 3.1 gauche). Enn on peut aussi tracer le graphe de la fonction de rpartition FX (gure 3.1 droite). On voit ici que la fonction de rpartition est constante par morceaux : elle prsente des sauts pour les valeurs du support de X , mais reste constante entre deux de ces valeurs. Ce sera toujours le cas pour des variables discrtes. Lorsque toutes les probabilits formant la loi de X sont gales, comme dans l'exemple du d, on parle de loi uniforme. C'est l'exemple le plus simple de variable alatoire.

Dnition. On dit que la variable X suit la loi uniforme sur {x1 , x2 , . . . , xn } lorsque le
support de X est gal {x1 , x2 , . . . , xn } et que P (X = xi ) =
1 n

pour tout 1 i n.

Voici un deuxime exemple lmentaire de variable alatoire discrte :

Quelle est la loi de X ?

Exemple 2 : On lance trois pices de monnaie. Soit X le nombre de "Face" obtenu.

Le support de X est ici {0, 1, 2, 3}. On doit donc calculer P (X = 0), P (X = 1), P (X = 2) et P (X = 3). Dnissons F1 ="la premire pice tombe sur Face" ; et de mme F2 et F3 . On peut clairement supposer que les trois lancers de pice sont indpendants ici ; et donc que F1 , F2 , F3 sont indpendants. c c c c c c [X = 0] = F1 F2 F3 donc P (X = 0) = P (F1 )P (F2 )P (F3 ) grce l'indpendance. 1 1 1 1 Ainsi P (X = 0) = 2 2 2 = 8 . c c c c c c [X = 1] = (F1 F2 F3 ) (F1 F2 F3 ) (F1 F2 F3 ). Cette union est disjointe,

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

Figure 3.2  Loi et fonction de rpartition de X pour l'exemple 2

donc on peut additionner les probabilits :
c c c c c c P (X = 1) = P (F1 F2 F3 ) + P (F1 F2 F3 ) + P (F1 F2 F 3 ), c c c c c c )P (F3 ), = P (F1 )P (F2 )P (F3 ) + P (F1 )P (F2 )P (F3 ) + P (F1 )P (F2 (par indpendance) 1 1 1 3 = ( )3= . 2 2 2 8 c c c F3 ). F2 F3 ) (F1 F2 ) (F1 [X = 2] = (F1 F2 F3 c c c P (X = 1) = P (F1 F2 F3 ) + P (F1 F 2 F 3 ) + P (F 1 F 2 F3 ), (union disjointe) c c c = P (F1 )P (F2 )P (F3 ) + P (F1 )P (F2 )P (F3 ) + P (F1 )P (F2 )P (F3 ), (indpendance) 3 1 1 1 = ( )3= . 2 2 2 8

[X = 3] = F1 F2 F3 donc P (X = 0) = P (F1 )P (F2 )P (F3 ) =

1 8

par indpendance.

La loi de X est en fait un exemple de loi binomiale. Le cas gnral sera vu un peu plus loin. La gure 3.2 montre le graphique de cette loi ainsi que la fonction de rpartition.

Exemple 3 : On lance un d et on recommence indniment. Soit X le rang d'apparition du premier 6 (par exemple [X = 5] ="on obtient 6 pour la premire fois au 5e lancer"). Dterminer la loi de X .
Le support de X est ici {1, 2, 3, . . .} = N . En toute rigueur il faudrait ici remarquer que X n'est pas ncessairement dni en envisageant le cas o le 6 n'apparat jamais ; ou bien rajouter la valeur + au support en dnissant l'vnement [X = +] ="le 6 n'apparat jamais". Cependant on peut montrer que la probabilit de cet vnement est nulle, et donc qu'il n'y a pas lieu de le prendre en compte. Pour tout n 1, notons An l'vnement "le ne lancer vaut 6". An ne dpend que du rsultat du ne lancer, et il est clair que les lancers sont des expriences indpendantes. Par consquent les An sont des vnements indpendants. 1 [X = 1] = A1 , donc P (X = 1) = P (A1 ) = 6 , c [X = 2] = A1 A2 , donc P (X = 2) = P (Ac 1 )P (A2 ) par indpendance. Donc P (X = 1 5 2) = 6 6 .

3.2.

V ARIABLES ALATOIRES DISCRTES

c c c [X = 3] = Ac 1 A2 A3 donc P (X = 3) = P (A1 )P (A2 )P (A3 ) grce l'indpendance. 1 5 2 ) 6 . Donc P (X = 3) = ( 6 c c Plus gnralement, on aura [X = n] = Ac 1 A2 An1 An , donc P (X = n) = c c c P (A1 )P (A2 ) . . . P (An1 )P (An ), toujours grce l'indpendance. Ainsi P (X = n) = 1 (5 )n1 6 . 6 Finalement cette dernire formule est valable pour tout n 1 ; on a donc ainsi bien dtermin la loi de X . Cette loi s'appelle la loi gomtrique de paramtre 1 . 6

Dnition. On dit qu'une variable alatoire suit la loi gomtrique de paramtre p, o

p est un nombre p [0, 1] x, si le support de X est gal N et que P (X = n) = (1 p)n1 p.

3.2.2 Quelques lois usuelles

On a dj dni les lois siques :

uniformes et gomtriques. Voici quelques autres lois clas-

Loi de Bernoulli.

C'est la loi la plus lmentaire : 0 ou 1.

Dnition. Une variable alatoire X suit la loi de Bernoulli de paramtre p [0, 1] si

X {0, 1} et P (X = 1) = p, P (X = 0) = 1 p. On note X B (p).
C'est la loi du nombre de succs lors de n essais indpendants d'une mme exprience probabiliste. Nous allons la calculer sur un exemple simple.

Loi binomiale.

est la loi de X ?

exemple : On lance n ds et on note X le nombre de fois que l'on obtient 6. Quelle

Cet exemple est simplement la gnralisation de l'exemple 2 de la section prcdente. Tout d'abord le support de X est {0, 1, 2, . . . , n}. Notons Ai l'vnement "On obtient 6 au i-me lancer". Tous ces vnements sont indpendants. On a : 5 n c c c c c [X = 0] = Ac 1 A2 An donc P (X = 0) = P (A1 )P (A2 ) P (An ) = ( 6 ) . Pour l'vnement [X = 1] on peut le dcomposer ainsi : [X = 1] = (A1 Ac 2 c c c c c An ) (A1 A2 An ) (A1 A2 An ), donc
c c c c c P (X = 1) = P (A1 Ac 2 An ) + P (A1 A2 An ) + + P (A1 A2 An ), c c c c c = P (A1 )P (Ac 2 ) P (An ) + P (A1 )P (A2 ) P (An ) + + P (A1 )P (A2 ) P (An ), 1 5 n1 1 5 n1 1 5 1 5 = ( ) + ( ) + + ( )n1 = n ( )n1 . 6 6 6 6 6 6 6 6

Pour [X = 2] et les suivants, on procde de la mme manire, mais il devient compliqu de l'crire in-extenso. On voit qu' chaque fois on dcompose l'vnement [X = k ] en considrant tous les cas possibles pour les k succs envisags. Pour chacun de ces cas la

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

probabilit sera la mme : ( 1 )k ( 5 )nk ; et il reste donc compter le nombre de ces cas. Il 6 6 s'agit de compter le nombre de choix possibles pour les positions des k succs parmi les n essais. Il y en a n . Ainsi P (X = k ) = n ( 1 )k ( 5 )nk . 6 k k 6

Dnition. Une variable alatoire suit la loi binomiale de paramtres n N et p [0, 1]

lorsque X {0, 1, 2, . . . , n} et
P (X = k ) = n k p (1 p)nk . k

La loi binomiale de paramtres n et p se note B(n, p).

La gure 3.3 montre des exemples de lois binomiales pour dirents paramtres.

Loi de Poisson.
tout entier k 0,

La loi de Poisson sera vu plus en dtail par la suite. Nous donnons simplement la dnition ici :

Dnition. Soit 0. Une variable X suit la loi de Poisson de paramtre si pour

P (X = k ) = e k . k!

Le support de X est ici N. La loi de Poisson de paramtre est note P ().

3.2.3 Les vnements lmentaires [X = x]

1) Les vnements [X = x], considrs pour tous les x appartenant au support, forment une partition de . En eet, X prend ncessairement une et une seule de ces valeurs, ce qui prouve bien que la runion des [X = x] est gale , et que [X = x] [X = y ] = si x = y . Par consquent la somme totale des P (X = x) doit toujours tre gale 1, ce qui s'crit, en notant S le support de X ,

P (X = x) = 1.
xS

Il faut toujours penser le vrier lorsqu'on calcule une loi. Pour les exemples prcdents, on a : 1 1 1 pour le d : 6 +1 +6 +1 +6 +1 = 1, 6 6 6 1 3 3 1 pour l'exemple 2 : 8 + 8 + 8 + 8 = 1, pour la loi gomtrique :
+ +

(1 p)n1 p = p
n=1 n=0

(1 p)n = p

1 = 1. 1 (1 p)

3.2.

V ARIABLES ALATOIRES DISCRTES

Figure 3.3  lois binomiales ( gauche) et fonctions de rpartition FX correspondantes (

droite) pour dirents paramtres : 1e ligne : n = 5, p = 0.4 ; 2e ligne : n = 15, p = 0.6 ; 3e ligne : n = 10, p = 0.05.

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

2) De plus ces vnements [X = x] sont les vnements lmentaires pour la variable X , au sens o tout vnement relatif X s'exprime comme une union de ces vnements, et sa probabilit est la somme des P (X = x) correspondants. exemple : L'vnement "le d tombe sur un nombre pair suprieur 3" est gal +1 =1 . [X = 4] [X = 6] si X est le rsultat du d. Sa probabilit est donc de 1 6 6 3 exemple : Si X est une variable discrte quelconque, l'vnement [X t] est l'union des [X = x] pour tous les x appartenant au support de X tels que x t. On peut ainsi donner une formule pour la fonction de rpartition d'une variable discrte :

FX (t) =
xS ,xt

P (X = x).

3.3 Variables alatoires densit

3.3.1 Exemple introductif
On jette un stylo sur une table, et on note X l'angle qu'il forme avec le bord de la table. Quelle est la loi de X ?
L'ensemble des valeurs possibles pour cette variable alatoire est [0, ]. En suivant l'ide vue auparavant, on voudrait donc chercher calculer tous les P (X = ) pour [0, ]. En fait on verra que P (X = ) sera toujours gal 0, ce qui signie que quelle que soit la valeur de , le mikado n'a aucune chance de former exactement l'angle avec la table. On est oblig pour donner un sens aux probabilits ici, de considrer des intervalles et non des valeurs uniques, et de regarder les probabilits que X soit dans ces intervalles. Par exemple )= 1 , ou que P ( X )= 1 . on peut raisonnablement penser ici que P (0 X 2 2 4 2 4 Plus gnralement, on peut raisonnablement supposer que la probabilit que X appartienne un intervalle [, ] correspond la proportion d'angles compris dans cet intervalle, c'est-dire que P ( X ) = . Ceci permet de caractriser entirement la variable X car la probabilit de tout vnement li X peut se calculer partir de cette formule. On va nanmoins ici pouvoir donner une valeur de probabilit associe un angle donn en considrant un petit intervalle [ , + ] : on a

P ( X + ) =

( + ) ( + ) 2 = .

On obtient ce qu'on souhaite en prenant la limite pour tendant vers 0 de

P ( X + ) , 2

3.3.

V ARIABLES ALATOIRES DENSIT

Figure

3.4  Graphe d'une densit de probabilit fX . La partie colore correspond P (a X b).

c'est--dire du rapport entre la probabilit de l'intervalle et la longueur de l'intervalle. Ici 1 1 ce rapport vaut , donc sa limite aussi. Cette valeur est appele densit de X en . Inversement, si l'on connat la densit de X en tout point x [0, ] on obtiendra une probabilit du type P ( X ) en calculant l'intgrale de cette densit sur l'intervalle [, ].

3.3.2 Dnition
Une variable alatoire X est dite densit lorsqu'il existe une fonction fX : R R+ telle que
b

P ( a X b) =
a

fX (x)dx

pour tous a, b R,

a b.

Cette fonction fX est appele densit de X .

remarque : on peut prendre a = ou b = + dans cette formule. Interprtation graphique :

La probabilit P (a X b) correspond l'aire du domaine situ sous le graphe de fX entre les abscisses a et b (voir gure 3.4).

remarque 1 : on a bien P (X = a) = P (a X a) = remarque 2 :

+

a a

fX (x)dx = 0.

fX (x)dx = P (X R) = 1. Il faut toujours penser le vrier.

remarque 3 : Calculer la loi d'une variable densit, c'est calculer sa densit.

3.3.3 Loi uniforme sur un intervalle

C'est l'exemple le plus simple de loi densit.

10

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

Figure 3.5  Graphes de la densit et de la fonction de rpartition de la loi uniforme sur

un intervalle [a, b].

Dnition. La loi uniforme sur un intervalle [, ] est la loi de densit

f (x) =

si x [, ], 0 sinon.
1

On note X U ([, ]) ("X suit la loi uniforme sur [, ]").

uniforme sur [0, ]. On aura donc par exemple :

exemple 1 : Dans le premier exemple, il est raisonnable de supposer que X

P X 2
2

suit la loi

=
0

1 1 dx = , 2
2

ou encore :

P X 4 2

=
4

1 1 dx = . 4

3.3.4 Fonction de rpartition d'une variable alatoire densit

x

FX (x) = P (X x) =

fX (t)dt.

Ainsi FX est une primitive de la fonction densit fX . exemple : Si X suit la loi uniforme sur [, ], on a

f X ( x) =
et donc

si x [, ], 0 sinon,
1

0 si x x si x [, ], FX (x) = 1 si x

La densit et la fonction de rpartition d'une loi uniforme sont reprsentes sur la gure 3.5.

3.4.

LOIS QUELCONQUES

11

Figure 3.6  Graphes de la densit et de la fonction de rpartition de la loi exponentielle

pour a = 1 (traits pleins) et a = 0.5 (pointills).

3.3.5 Loi exponentielle

Soit a > 0 un rel. On dit que X suit la loi exponentielle de paramtre a si elle admet la densit aeax si x 0, fX (x) = aeax 1R+ (x) = 0 sinon. Sa fonction de rpartition est :
x

FX (x) =

fX (t)dt =

1 eax si x 0, 0 sinon.

La gure 3.6 montre densits et fonctions de rpartition de la loi exponentielle pour deux valeurs direntes du paramtre a.

3.4 Lois quelconques

Une variable alatoire non discrte n'est pas ncessairement densit. Voici un exemple d'une telle situation :

Une machine remplir les bouteilles est dfectueuse : elle verse dans chaque bouteille (de 75cL) une quantit alatoire de boisson comprise entre 0 et 1 litre.
On peut dnir deux variables alatoires lies cette exprience : X la quantit de boisson verse par la machine, et Y la quantit de boisson contenue dans la bouteille. On a en fait les relations Y = X si X 0.75 Y = 0.75 si X > 0.75 En l'absence d'autre prcision, on peut considrer que X suit une loi uniforme sur [0, 1]. Il s'agit donc bien d'une loi densit. En revanche Y n'est pas une variable discrte (ses

12

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

Figure 3.7  exemple de la machine remplir les bouteilles : graphe de la fonction de

rpartition de la loi de Y . valeurs possibles correspondent l'intervalle [0, 0.75]), et n'est pas non plus une variable densit car P (Y = 0.75) = P (X > 0.75) = 0.25 = 0. On dit que la loi de Y possde un atome en x = 0.75. On peut calculer facilement la fonction de rpartition de Y :

0 si t 0, t si 0 < t < 0.75, FY (t) = 1 si t 0.75.

Cette fonction est reprsente sur la gure 3.7

3.5 Esprance et variance d'une variable alatoire

3.5.1 Quelques rappels sur les sommes, sries et intgrales
Convergence absolue.
Une srie
+

an est dite convergente si les sommes

+ N

an convergent lorsque N tend

n=0

n=0

vers +, et on note alors

n=0

an = lim

N +

an .
n=0

Une srie

an est dite absolument

+

convergente lorsque

|an | est une srie conn=0

n=0

vergente. Dans ce cas

n=0

an est convergente, et de plus il est permis de sommer les termes

+

an dans n'importe quel ordre :

n=0

an = a0 + a1 + a2 + a4 + = a3 + a10 + a8 + a5 + a4 + a7 +

3.5.

ESPRANCE ET V ARIANCE D'UNE VARIABLE ALATOIRE

13

(on somme tous les an mais dans un ordre dirent). Pour bien mettre en valeur cette proprit, on pourra noter cette somme an : somme des an pour tous les n N, quel que soit l'ordre d'numration.
nN

De la mme manire une intgrale a f (x)dx est dite absolument convergente lorsque b |f (x)|dx est une intgrale convergente. a
b

En probabilits on ne s'intressera qu'aux sries et intgrales absolument convergentes.

Quelques techniques de calcul.

L'indice utilis dans une notation est "muet", c'est--dire qu'il n'a pas d'existence en dehors de cette somme. On peut donc le remplacer par n'importe quelle autre lettre : n n n ak =
k=1 i=1

ai =
j =1

aj .

Dcalage d'indices :
n1 n

ai+1 =
i=0 k=1 n

ak ai
i=1

(en posant k=i+1) (puisque l'indice est "muet")

=
Pour une srie on aura de mme

ai+1 =
i=0 n n i=1

ai .

Factorisation :
i=0

xai = x
i=0 n

ai 1 xn+1 x = 1x
i

Srie gomtrique :

si x = 1. si |x| < 1.

i=0

xn =
n=0

1 1x
n3

Par exemple,
n

n3

xi =
i=3 i=0

xi+3 = x3
i=0

xi = x3

1 xn2 . 1x

14

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

Sries entires : Dans certains cas on peut obtenir un dveloppement en srie entire d'une fonction f (x) :
+

f ( x) =
n=0

an x n .

Par exemple

1 = 1x e =
x

xn
n=0

pour x ] 1, 1[, pour tout x R.

n=0

xn n!

On a alors le droit de driver la srie entire :

+ +

f ( x) =
n=1

nan x

n1

=
n=0

(n + 1)an+1 xn .

Cette proprit est trs utile pour les calculs d'esprance et de variance.

3.5.2 Dnitions
Esprance
L'esprance d'une variable alatoire X est la moyenne des valeurs prises par la variable, pondres par leurs probabilits. On la note E (X ). Avant de voir des dnitions plus prcises, voyons un exemple : exemple : On lance un d. Si on obtient 6 on reoit 8 euros ; sinon on perd 2 euros. On note G le gain obtenu. Quelle est l'esprance de ce gain ? La loi de G est trs simple : G {2, 8}, et on a P (G = 2) = moyenne pondre des gains est donc
5 6

et P (G = 8) = 1 . La 6

E (G) = (2)

5 1 1 + 8 = = 0.33. 6 6 3

Cette esprance est ngative, ce qui signie que le jeu est plutt dfavorable. On verra plus tard que l'esprance correspond aussi l'ide de valeur moyenne obtenue lorsqu'on rpte un grand nombre de fois la mme exprience : intuitivement, dans l'exemple prcdent, si on joue ce jeu un grand nombre n de fois, on perdra environ n 1 3 euros.

Dnition. L'esprance d'une variable discrte X de support S (X ) est :

E (X ) =
xS (X )

xP (X = x),

3.5.

ESPRANCE ET V ARIANCE D'UNE VARIABLE ALATOIRE

15

lorsque cette somme est bien dnie.

Lorsque le support est inni, cette somme est une srie innie ; il peut donc arriver qu'elle ne soit pas absolument convergente : l'esprance n'est alors pas dnie.

Dnition. L'esprance d'une variable alatoire X de densit f sur R est :

E (X ) =
R

xf (x)dx,

lorsque cette intgrale est bien dnie.

Ici encore cette intgrale peut ne pas tre absolument convergente ; dans ce cas l'esprance n'est pas dnie.

Quelques proprits de l'esprance.

L'esprance est une fonction linaire : si a, b sont des rels, et X, Y des variables alatoires, E(aX+bY)=aE(X)+bE(Y) .
En particulier E (X + Y ) = E (X ) + E (Y ), et E (X Y ) = E (X ) E (Y ). Attention : La loi de X + Y ne se calcule pas en faisant la somme des lois de X et de Y (ce qui n'aurait aucun sens). Si a R, E (a) = a puisque a est non alatoire : autrement dit, a s'interprte comme une variable alatoire prenant la valeur a avec probabilit 1. Soient X une variable alatoire, et g : R R une fonction quelconque. L'esprance de g (X ) se calcule ainsi :

E (g (X )) =
xS (X )

g (x)P (X = x)

si X est une variable discrte,

E (g (X )) =
R

g (x)fX (x)dx

si X est une variable densit.

Ici encore ces sommes ou ces intgrales peuvent ne pas tre absolument convergentes. Par exemple il se peut trs bien que E (g (X )) n'existe pas alors que E (X ) existe.

Variance
La variance permet de mesurer l'cart des valeurs de la variable par rapport l'esprance :

Dnition. La variance d'une variable alatoire X est

V (X ) = E ((X E (X ))2 ) = E (X 2 ) E (X )2 .

16

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

Montrons que cette dernire galit est vraie : on a

E ((X E (X ))2 ) = E (X 2 + E (X )2 2XE (X )) = E (X 2 ) + E (E (X )) 2E (XE (X )),

par la proprit de linarit. A prsent E (X ) est un nombre rel ; on peut donc crire E (E (X )) = E (X ), et E (XE (X )) = E (X )E (X ) = E (X )2 . Ainsi

E ((X E (X ))2 ) = E (X 2 ) + E (X ) 2E (X )2 = E (X 2 ) E (X )2 .
La variance est un nombre positif qui peut tre inni, mme lorsque l'esprance est dnie.

Dnition. L' cart-type d'une variable alatoire X est la racine carre de sa variance :
(X ) = V (X ).

3.5.3 Exemples de calculs

Esprance et variance d'une variable gomtrique
Une variable X de loi gomtrique de paramtre p [0, 1] a pour loi :

P (X = n) = (1 p)n1 p
Calculons E (X ) :

pour n 1.

E (X ) =
n1

nP (X = n) n(1 p)n1 p
n1

= = p

n(1 p)n1 .
n1

Notons f (x) =
n1

nxn1 . f (x) est la drive de

n1 1 . (1x)2

xn =
n0

xn x0 =

1 1, donc 1x

f ( x) =

1 1x

1 =

Ainsi

E (X ) = pf (1 p) = p 1 p

1 1 = . 2 p p

E (X ) =

3.5.

ESPRANCE ET V ARIANCE D'UNE VARIABLE ALATOIRE

17

Calculons V (X ) :

V (X ) = E (X 2 ) E (X )2 =
n1

n2 P (X = n)

1 p2 1 . p2

= p
n1

n2 (1 p)n1

Notons f (x) =
n1

n2 xn1 . On a f (x) =
n1

n(n + 1)xn1
n1

nxn1 xn

=
n1

xn+1 xn
n2

n1

= =

n1

xn 1 1 1x

1 1x 1x 2 1 = , 3 (1 x) (1 x)2

et donc

V (X ) = pf (1 p)

1 p2

2 1 p3 p2 1p p2

1 p2

1 1 . p2 p

V (X ) =

Esprance et variance d'une variable binomiale

Une variable X de loi binomiale de paramtres n N et p [0, 1] a pour loi :

P (X = k ) =
Calculons E (X ) :
n

n k p (1 p)nk k

pour 0 k n.

E (X ) =
k=0

kP (X = k )

=
k=0

n k p (1 p)nk . k

18

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

Tout d'abord le terme k = 0 de cette somme est nul, donc

n

E (X ) =
k=1

n k p (1 p)nk . k

De plus pour k 1,

n k

n! (n 1)! n! = =n k !(n k )! (k 1)!(n k )! (k 1)!(n k )! (n 1)! = n (k 1)!((n 1) (k 1))! n1 = n . k1 = k

n

Ainsi

n1 k E (X ) = n p (1 p)nk k 1 k=1
n1

n
k=1

n1 k p (1 p)nk k1
n1

= n
k=0 n1

n 1 k+1 p (1 p)n(k+1) k n1 k p (1 p)(n1)k k

np
k=0

n1 k p (1 p)n(k+1) k

= np
k=0

np(p + (1 p))n1 .

E (X ) = np
Calculons V (X ) :

V (X ) = E (X 2 ) E (X )2 = E (X 2 ) n2 p2 .
n n

E (X ) =
k=0 n

k P (X = k ) k (k 1)
k=1 n

=
k=0

n k p (1 p)nk k
n

=
k=1

k2

n k p (1 p)nk k

n k n k k p (1 p)nk p (1 p)nk + k k k=1

n

n k n k = k (k 1) p (1 p)nk + k p (1 p)nk . k k k=2 k=1

Le deuxime terme est gal E (X ), donc np. De plus pour k 2,

k (k 1)

n! n! = (k !(n k )! (k 2)!(n k )! = n(n 1) (n 2)! (k 2)!((n 2) (k 2)! n2 = n(n 1) . k2

3.5.

ESPRANCE ET V ARIANCE D'UNE VARIABLE ALATOIRE

19

Ainsi
n

E (X ) = n(n 1)
k=2 n2

n2 k p (1 p)nk + np k2 n 2 k+2 p (1 p)nk2 + np k n2 k p (1 p)n2k + np k

= n(n 1) = n(n 1)p

k=0 n2 2 k=0

= n(n 1)p2 (p + (1 p))n2 = n(n 1)p2 + np.

Finalement,

V (X ) = E (X 2 ) np

n(n 1)p2 + np n2 p2 .

V (X ) = np(1 p)

Esprance et variance d'une variable de loi exponentielle

Soit X une variable alatoire de loi exponentielle de paramtre a > 0. X admet la densit aeax si x 0, fX (x) = aeax 1R+ = . 0 sinon. Calculons E (X ) :
+

E (X ) =
R

xfX (x)dx =
0

xaeax dx.

On fait une intgration par parties avec u = x, u = 1 et v = aeax , v = eax :

E (X ) =

x(eax )
+

+ 0

(eax )dx
+ 0

= 0+
0

1 eax dx = eax a 1 a

1 = . a

E (X ) =
Calculons V (X ) :

V (X ) = E (X 2 ) E (X )2 =
R

x2 fX (x)dx

1 = a2

x2 aeax dx
0

1 . a2

20

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

On pose u = x2 , u = 2x et v = aeax , v = eax :

V (X ) =

x (e

ax

+ 0

2x(eax )dx 1 a2

1 a2

= 0+2
0

xeax dx
+

+ 1 1 1 ( eax )dx 2 2 = 2 x( eax ) a a a 0 0 2 + ax 1 = 0+ e dx 2 a 0 a + 2 1 1 = eax 2 a a a 0 1 21 1 2 = 2. = aa a a

V (X ) =

1 a2

3.6 Variables alatoires indpendantes

C'est sans doute la notion la plus utilise en probabilits et statistiques.

Dnition. Deux variables alatoires X et Y sont dites indpendantes lorsque tout

vnement [X I ] avec I R est indpendant de tout vnement [Y J ] avec J R. Autrement dit , I, J R,
P (X I, Y J ) = P (X I )P (Y J ).

On note parfois X Y . ("X indpendant de Y ").

En pratique, c'est souvent l'intuition qui permet de dcider si deux variables sont indpendantes. On peut alors utiliser la dnition comme une proprit : tout vnement relatif une des deux variables sera indpendant de tout vnement relatif l'autre.

exemple : On lance deux ds. Soit X le rsultat du premier et Y le rsultat du second. Alors X et Y sont indpendantes.
On gnralise facilement cette dnition un nombre quelconque, voire une innit, de variables alatoires :

Dnition. Des variables alatoires X1 , X2 , X3 , . . . sont indpendantes (ou mutuellement indpendantes) si pour tous sous-ensembles I1 , I2 , I3 , . . . de R, les vnements [Xi Ii ] sont indpendants. Soit encore : pour tous I1 , I2 , I3 , . . . R,
P (X1 I1 , X2 I2 , . . . , Xn In ) = P (X1 I1 )P (X2 I2 ) P (Xn In ).

3.7.

EXEMPLES DE CALCULS DE LOIS UTILISANT L'INDPENDANCE

21

3.7 Exemples de calculs de lois utilisant l'indpendance

3.7.1 Somme de variables indpendantes
exemple 1 : On lance deux ds. Calculer la loi de la somme S des rsultats obtenus.
S {2, 3, 4, . . . , 12}. Si on note X et Y les rsultats des deux ds, X et Y sont des variables alatoires indpendantes, de mme loi uniforme sur {1, 2, . . . , 6} : P (X = i) = 1 P (Y = i) = 6 . 1 [S = 2] = [X = 1] [Y = 1] donc P (S = 2) = P (X = 1)P (Y = 1) = 36 . [S = 3] = ([X = 1] [Y = 2]) ([X = 2] [Y = 1]) donc P (S = 3) = P (X = 1)P (Y = 2 . 2) + P (X = 2)P (Y = 1) = 36 [S = 4] = ([X = 1] [Y = 3]) ([X = 2] [Y = 2]) ([X = 3] [Y = 1]) donc 3 P (S = 4) = P (X = 1)P (Y = 3) + P (X = 2)P (Y = 2) + P (X = 3)P (Y = 1) = 36 . Ainsi de suite. On voit donc que pour chaque valeur possible de la somme S , la probabilit correspondante s'obtient en comptant le nombre de faons direntes d'obtenir cette somme avec les deux rsultats. On aboutit ainsi la loi suivante : 2 1 P (X = x) 36 x 3 2 36 4 3 36 5 4 36 6 5 36 7 6 36 8 5 36 9 4 36 10 3 36 11 2 36 12 1 36

exemple 2 : Soient X une variable de loi de Poisson P () et Y de loi de Poisson P (). On suppose X et Y indpendantes. Calculer la loi de Z = X + Y .
Les trois variables X, Y, Z sont valeurs dans N. Calculons P (Z = n) pour tout n N : on va dcomposer l'vnement [Z = n] ainsi :

[Z = n] = [Z = n, X = 0] [Z = n, X = 1] [Z = n, X = 2] .
Cette union est disjointe, donc on peut additionner les probabilits :

P (Z = n) = P (Z = n, X = 0) + P (Z = n, X = 1) + P (Z = n, X = 2) + =
k 0

P (Z = n, X = k ).

Or

P (Z = n, X = k ) = = = =

P (X + Y = n, X = k ) P (k + Y = n, X = k ) P (Y = n k, X = k ) P (Y = n k )P (X = k ),

22

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

grce l'indpendance de X et Y . k si k 0 (et P (X = k ) = 0 sinon), Or X P () et Y P () donc P (X = k ) = e k! nk et P (Y = n k ) = e (nk)! si n k 0, soit k n (et P (Y = n k ) = 0 sinon). Ainsi on voit que P (X = k )P (Y = n k ) est non nul seulement si 0 k n, et donc la somme sur k s'arrte en fait k = n :
n

P (Z = n) =
k0

P (Z = n, X = k ) =
k=0 n

k nk e k! (n k )!

= e
k=0

1 k nk k !(n k )!
n

= e

(+)

1 n! 1 n!

k=0 n

n! k nk k !(n k )! n k nk k

= e(+)

k=0

( + )n = e(+) . n!
Ceci correspond la formule de la loi de Poisson de paramtre + . Ainsi la loi de X + Y est la loi de Poisson de paramtre + . Le principe de calcul qui vient d'tre vu dans ces deux exemples se gnralise : il s'agit de calculer la loi de la somme de deux variables discrtes indpendantes :

Proposition. Soient X et Y deux variables discrtes indpendantes, et Z = X + Y . Alors

la loi de Z se calcule partir de celles de X et Y via la formule : pour tout z S (Z ),
P (Z = z ) =
xS (X )

P (X = x)P (Y = z x).

Dans le cas de variables densit, il existe une formule similaire, en remplaant la somme par une intgrale :

fY , et Z = X + Y . Alors Z est une variable densit et fZ se calcule partir de fX et fY via la formule : pour tout z R, fZ (z ) =
R

Proposition. Soient X et Y deux variables indpendantes admettant des densits fX et

fX (x)fY (z x)dx.

On dit que fZ est le produit de convolution de fX et fY . Voyons deux exemples d'utilisation de cette formule :

3.7.

EXEMPLES DE CALCULS DE LOIS UTILISANT L'INDPENDANCE

23

Figure 3.8  Densit de la somme de 2 variables indpendantes exponentielles de mme

paramtre a = 0.5

paramtre a. Calculer la loi de Z = X + Y .

exemple 3 :Soient X et Y deux variables indpendantes de lois exponentielles de

On a fX (x) = fY (x) = aeax si x 0, 0 sinon. La formule donne :

fZ (z ) =
R

fX (x)fY (z x)dx.

Or fX (x)fY (z x) vaut aeax aea(zx) lorsque x 0 et z x 0, soit x 0 et x z , soit encore x [0, +] [, z ]. Sinon fX (x)fY (z x) vaut 0. On a deux cas : Si z < 0 alors [0, +] [, z ] = donc fZ (z ) = 0 Si z 0 alors [0, +] [, z ] = [0, z ], donc
z z

fZ (z ) =
0

ae
z 2 0

ax

ae

a(z x)

dx = a

2 0 z

eaxaz+ax dx 1dx = a2 zeaz .

= a

az

dx = a e

2 az 0

Ainsi la densit de Z est fZ (z ) = a2 zeaz si z 0, 0 sinon. Cette fonction est reprsente sur la gure 3.8 dans le cas a = 0.5.

Calculer la loi de Z = X + Y .

exemple 4 :Soient X et Y deux variables indpendantes de lois uniformes sur [0, 1]

X et Y sont des variables densit et fX (x) = fY (x) = 1 si 0 x 1, 0 sinon. Z est donc une variable densit d'aprs la proposition et sa densit est donne par fZ (z ) =
R

fX (x)fY (z x)dx.

24

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

Figure 3.9  gauche : densit de la loi uniforme sur [0, 1]. A droite : densit de la somme
de deux variables indpendantes de lois uniformes sur [0, 1]. Or fX (x)fY (z x) vaut 1 lorsque 0 x 1 et 0 z x 1, soit 0 x 1 et z 1 x z , soit encore x [0, 1] [z 1, z ]. fX (x) = 0 sinon. L'intersection [0, 1] [z 1, z ] est parfois vide. On a en fait plusieurs cas : Si z < 0 alors l'intersection est vide donc fZ (z ) = 0. z Si 0 z < 1 alors [0, 1] [z 1, z ] = [0, z ] donc fZ (z ) = 0 1dx = z . 1 Si 1 z 2 alors [0, 1] [z 1, z ] = [z 1, 1] donc fZ (z ) = z1 1dx = 1 (z 1) = 2 z. Si z 2 alors l'intersection est vide donc fZ (z ) = 0. Le graphe de fZ est reprsent sur la gure 3.9.

3.7.2 Maximum ou minimum de variables indpendantes

ct 10km. Le planeur dispose de feux de dtresse pour signaler sa position, mais leur porte est de 4 km maximum. On voudrait valuer la probabilit qu'il soit vu de la cte. On repre la position du planeur par des coordonnes X et Y (avec 0 X 10 et 0 Y 10). On suppose que les variables X et Y sont indpendantes et de mme loi uniforme sur [0, 10], ce qui signie intuitivement que la planeur a la mme probabilit de se retrouver en tel ou tel endroit du lac. On note D la distance du planeur au bord du lac. 1. Calculer la loi de D. 2. Calculer P (D 4).
1) La distance au bord du lac est le minimum des distances aux quatre cts du lac, qui sont gales X, Y, 10 X, 10 Y : ainsi,

exemple 3 :Un planeur tombe dans un grand lac, que l'on suppose de taille carre, de

D = min{X, 10 X, Y, 10 Y }.
Le support de D est [0, 5]. Pour calculer la loi de D nous allons dterminer sa fonction de

3.7.

EXEMPLES DE CALCULS DE LOIS UTILISANT L'INDPENDANCE

25

Figure 3.10  Exemple 3 : position du planeur dans le lac

rpartition : soit t [0, 5] :

FD (t) = = = = = =

P (D t) P (X t ou 10 X t ou Y t ou 10 Y t) P ([X t] [10 X t] [Y t] [10 Y t]) P ([X t] [X 10 t] [Y t] [Y 10 t]) 1 P ([X > t] [X < 10 t] [Y > t] [Y < 10 t]) 1 P ([t < X < 10 t] [t < Y < 10 t]).

L'indpendance de X et Y permet alors d'crire :

FD (t) = 1 P (t < X < 10 t)P (t < Y < 10 t).

Ces probabilits se calculent partir de la densit de la loi uniforme sur [0, 10] :
10t 1 1 du du FD (t) = 1 10 10 t t (10 t) t (10 t) t (10 2t)2 100 + 4t2 40t 4t(10 t) = 1 =1 =1 = . 10 10 100 100 100 10t

On a ainsi calcul FD (t) pour 0 t 5. A prsent si t < 0, FD (t) = P (D t) = 0, et si t > 5, FD (t) = P (D t) = 1. Pour rsumer, la fonction FD (t) est donne par : 0 si t < 0 4t(10t) FD (t) = si 0 t 5 100 1 si t > 5 Cette fonction est reprsente sur la gure 3.11 gauche.

26

CHAPITRE 3.

V ARIABLES ALATOIRES ET LOIS

Figure 3.11  exemple du planeur : fonction de rpartition et densit de D

A prsent pour calculer la densit de D il sut de driver cette fonction : 0 si t < 0 4(102t) fD (t) = FD (t) = si 0 t 5 100 1 si t > 5. Cette fonction est reprsente sur la gure 3.11 droite. 2) P (D 4) = FD (4) =
44(104) 100

= 96%