Documente Academic
Documente Profesional
Documente Cultură
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
CHAPITRE 3.
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
Dnition. Une variable alatoire discrte est une variable alatoire dont le support
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.
3.2.
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.
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.
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.
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
Loi de Bernoulli.
Loi binomiale.
est la loi de X ?
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.
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
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 :
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.
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.
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).
P ( X + ) =
( + ) ( + ) 2 = .
P ( X + ) , 2
3.3.
Figure
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.
a a
fX (x)dx = 0.
10
CHAPITRE 3.
si x [, ], 0 sinon.
1
suit la loi
=
0
1 1 dx = , 2
2
ou encore :
P X 4 2
=
4
1 1 dx = . 4
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
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.
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.
n=0
an = lim
N +
an .
n=0
Une srie
convergente lorsque
n=0
an = a0 + a1 + a2 + a4 + = a3 + a10 + a8 + a5 + a4 + a7 +
3.5.
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
ai =
j =1
aj .
Dcalage d'indices :
n1 n
ai+1 =
i=0 k=1 n
ak ai
i=1
=
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.
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
n=0
xn n!
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.
xP (X = x),
3.5.
15
xf (x)dx,
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)
E (g (X )) =
R
g (x)fX (x)dx
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 :
16
CHAPITRE 3.
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 ).
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
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.
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 ) =
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.
E (X ) =
k=1
n k p (1 p)nk . k
De plus pour k 1,
n k
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
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
k (k 1)
3.5.
19
Ainsi
n
E (X ) = n(n 1)
k=2 n2
V (X ) = E (X 2 ) np
n(n 1)p2 + np n2 p2 .
V (X ) = np(1 p)
E (X ) =
R
xfX (x)dx =
0
xaeax dx.
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 (X ) =
x (e
ax
+ 0
2x(eax )dx 1 a2
1 a2
= 0+2
0
xeax dx
+
V (X ) =
1 a2
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.
21
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.
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 :
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
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.
23
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
= 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 .
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.
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.
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.
25
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]).
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.
= 96%