Documente Academic
Documente Profesional
Documente Cultură
VARIABLES A LÉATOIRES
Variables aléatoires
Il s’agit d’une grandeur qui dépend du résultat de l’expérience
aléatoire. Il arrive fréquemment qu’au cours d’une épreuve on ne
s’intéresse pas directement à une issue précise, mais à certaines de ses
conséquences. Par exemple, pour le lancer de deux dés, on peut
s’intèresser à la somme des chiffres obtenus lors d’une lancer, à leur
produit ou au nombre de lancers qu’il faut pour obtenir le 6 sur
chaque dé en même temps. En termes mathématiques, une variable
aléatoire est une application
X : Ω −→ E
l’espace E, est en général R, ou Rd . De la même manière qu’il a fallu
munir l’ensemble des événements A d’un minimum de structure, il
faut que cette application soit compatible avec la structure de A. Ce
qui nous permet de transporter la structure probabiliste de Ω sur
l’espace d’arrivé E.
Probabilités Chapitre 2: Variable Aléatoire 3 / 28
Variables Aléatoires
Variables Aléatoires Réelles Discrètes Définitions et Propriétés
Variables Aléatoires Réelles à Densité (Absolument Continues) Loi de probabilité d’une v.a.
Lois de probabilités usuelles
Comme on vient de le voir, toute variable aléatoire est une application, par contre
toute application n’est pas nécessairement une variable aléatoire. Du point de vue
analyse, une variable aléatoire n’est autre qu’une application mesurable.
Comme on vient de le voir, toute variable aléatoire est une application, par contre
toute application n’est pas nécessairement une variable aléatoire. Du point de vue
analyse, une variable aléatoire n’est autre qu’une application mesurable.
Remarque
Si l’ensemble Ω est fini ou dénombrable et A = P(Ω), alors toute application X
définie sur Ω est une variable aléatoire. En effet, l’ensemble image X(Ω) est fini ou
dénombrable et l’image réciproque de tout singleton de X(Ω) est une partie de Ω.
La variable aléatoire est dite discrète.
Remarque
La tribu σ(X) est la plus petite tribu d’éléments de A rendant X une
variable aléatoire, elle représente l’information portée par X sur le
résultat de l’expérience aléatoire.
Proposition
Soit (Ω, A, P) un espace probabilisé. Soient X et Y deux variables
aléatoires réelles sur (Ω, A, P). Alors :
1 αX + Y est une variable aléatoire réelle pour tout α ∈ R.
2 XY est une variable aléatoire réelle.
1
3 Si de plus ∀ω ∈ Ω, X(ω) 6= 0, X est une variable aléatoire
réelle.
Soit (Xn )n∈N une suite de variables aléatoires réelles. Alors :
1 supn Xn , inf n Xn , lim sup Xn = limn→+∞ supm≥n Xm et
lim inf Xn = limn→+∞ inf m≥n Xm sont des variables
aléatoires réelles.
2 Si la suite (Xn )n∈N converge en tout point de Ω, alors
l’application limn Xn est une variable aléatoire réelle.
Proposition
Soient (Ω, A, P) un espace probabilisé et X : Ω −→ E une variable aléatoire.
Alors, l’application PX : B −→ [0, 1] dèfinie par
est une mesure de probabilité sur (E, B) appelée loi de probabilité de la variable
aléatoire X ou encore sa distribution. On dit aussi que X suit la loi de probabilité
PX .
Remarque
Soit X une variable aléatoire réelle définie sur l’espace probabilisé (Ω, A, P) et soit
PX la loi de probabilité de X sur (E, BR ). Pour tout borélien B de BR , on note
Remarque
Soit X une variable aléatoire réelle définie sur l’espace probabilisé (Ω, A, P) et soit
PX la loi de probabilité de X sur (E, BR ). Pour tout borélien B de BR , on note
Remarque
Ainsi grâce à la variable X, on peut transporter la structure du modèle probabiliste
(Ω, A, P) sur l’espace d’arrivée (E, B, PX ).
Exemple
On a vu au chapitre précédent comment modéliser le lancer de deux
dés à l’aide de l’espace Ω = {1, 2, · · · , 6}2 muni de la probabilité
uniforme A = P(Ω). Lors d’une réalisation ω = (ω1 , ω2 ) ∈ Ω, ω1
est le résultat du premier dé et ω2 celui du second. La somme des
deux dés S(ω) = ω1 + ω2 définit donc une variable aléatoire. On a
2 1
par exemple P(S = 11) = P({(5, 6), (6, 5)}) = 36 = 18 .
Exemple
(Ω, P(Ω)) est un espace Soit A ∈ A. La fonction indicatrice de A, 1A : Ω → R est
une variable aléatoire réelle discrète. (1A (Ω) = {0, 1}).
Exemple
(Ω, P(Ω)) est un espace Soit A ∈ A. La fonction indicatrice de A, 1A : Ω → R est
une variable aléatoire réelle discrète. (1A (Ω) = {0, 1}).
Proposition
Soit X une variable réelle aléatoire discrète on a alors
P
1
x∈X(Ω)
P(X = x) = 1
2 La loi PX de X est déterminée par la donnée {(x, P(X = x)) | x ∈ X(Ω)}.
P
3 Pour tout B ∈ BR , P(X ∈ B) = x∈X(Ω)
P(X = x)1B (x).
4 Si x ∈
/ X(Ω), alors P(X = x) = 0.
Proposition
Soit X une variable aléatoire réelle discrète de fonction de répartition FX . Alors :
1 ∀t ∈ R, 0 ≤ FX (t) ≤ 1.
2 limt→+∞ FX (t) = 1 et limt→−∞ FX (t) = 0.
3 FX est croissante sur R et continue à droite en tout point de R.
4 ∀x, y ∈ R tq x ≤ y ona :
P(X ∈]x, y]) = P(x < X ≤ y) = FX (y) − FX (x)
5 FX caractérise la loi de X :
Soient X et Y deux variables aléatoires réelles discrète, si FX = FY alors X
et Y ont la même loi.
Définition (Espérance)
Soit X est une variable aléatoire discrète telle que
X
|x|P(X = x) < +∞,
x∈X(Ω)
Alors on dit que X est intégrable et son Espérance est définie par :
X
E(X) = xP(X = x)
x∈X(Ω)
Définition (Espérance)
Soit X est une variable aléatoire discrète telle que
X
|x|P(X = x) < +∞,
x∈X(Ω)
Alors on dit que X est intégrable et son Espérance est définie par :
X
E(X) = xP(X = x)
x∈X(Ω)
Exemple
Soit X laP
variable aléatoire : ’le résultat d’un lancer d’un dé à 6 faces’ alors :
6
E(X) = k=1 k6 = 72
Définition (Espérance)
Soit X est une variable aléatoire discrète telle que
X
|x|P(X = x) < +∞,
x∈X(Ω)
Alors on dit que X est intégrable et son Espérance est définie par :
X
E(X) = xP(X = x)
x∈X(Ω)
Exemple
Soit X laP
variable aléatoire : ’le résultat d’un lancer d’un dé à 6 faces’ alors :
6
E(X) = k=1 k6 = 72
Proposition
1 Soit X une v.a.r. discrète telle que a ≤ X ≤ b p.s alors a ≤ E(X) ≤ b.
2 Soit α, β ∈ R alors E(αX + β) = αE(X) + β. (linéarité de l’espérance)
Probabilités Chapitre 2: Variable Aléatoire 13 / 28
Variables Aléatoires
Définitions et Propriétés
Variables Aléatoires Réelles Discrètes
Fonction de répartition
Variables Aléatoires Réelles à Densité (Absolument Continues)
Espérance et Variance
Lois de probabilités usuelles
Proposition
Soient X une v.a.r. discrète et g : R → R une fonction telles que
X
|g(x)|P(X = x) < +∞
x∈X(Ω)
Proposition
Soient X une v.a.r. discrète et g : R → R une fonction telles que
X
|g(x)|P(X = x) < +∞
x∈X(Ω)
Conséquence :
|x|n P(X = x) < +∞, alors X n est intégrable et on a :
P
Si x∈X(Ω)
X
E(X n ) = xn P(X = x)
x∈X(Ω)
Définition (Variance)
Soit X est une variable aléatoire discrète telle que
X
|x|2 P(X = x) < +∞,
x∈X(Ω)
Alors on dit que X est de carré intégrable et sa Variance est définie par :
Définition (Variance)
Soit X est une variable aléatoire discrète telle que
X
|x|2 P(X = x) < +∞,
x∈X(Ω)
Alors on dit que X est de carré intégrable et sa Variance est définie par :
Proposition
Soit X une variable aléatoire réelle de carré intégrable. Alors on a :
1 ∀a, b ∈ R, V(aX + b) = a2 V(X) et σ(aX + b) = |a|σ(X).
2 Si V(X) = 0, alors il existe a ∈ R tel que X = a p.s.
3 ∀a ∈ R, E((X − a)2 ) ≥ V(X).
Remarque
1 Pour tout x ∈ R, P(X = x) = 0.
2 Pour tout borélien B ∈ B(R), on a :
R R +∞
P(X ∈ B) = B f (x)dx = −∞ 1B (x)f (x)dx.
Proposition
Soit X une variable aléatoire réelle de densité fX de fonction de répartition FX .
Alors :
1 ∀t ∈ R, 0 ≤ FX (t) ≤ 1.
2 limt→+∞ FX (t) = 1 et limt→−∞ FX (t) = 0.
3 FX est croissante sur R et continue en tout point de R.
0
4 Si fX est continue alors FX est C 1 et on a FX = fX
5 ∀x, y ∈ R tq x ≤ y ona :
P(X ∈]x, y]) = P(x < X ≤ y) = FX (y) − FX (x)
6 FX caractérise la loi de X :
Soient X et Y deux variables aléatoires réelles discrète, si FX = FY alors X
et Y ont la même loi.
Probabilités Chapitre 2: Variable Aléatoire 18 / 28
Variables Aléatoires
Définitions et Propriétés
Variables Aléatoires Réelles Discrètes
Fonction de répartition
Variables Aléatoires Réelles à Densité (Absolument Continues)
Espérance et Variance
Lois de probabilités usuelles
Définition (Espérance)
Soit X est une variable aléatoire de densité fX telle que
Z
|x|fX (x)dx < +∞,
R
Alors on dit que X est intégrable et son Espérance est définie par :
Z
E(X) = xfX (x)dx
R
Définition (Espérance)
Soit X est une variable aléatoire de densité fX telle que
Z
|x|fX (x)dx < +∞,
R
Alors on dit que X est intégrable et son Espérance est définie par :
Z
E(X) = xfX (x)dx
R
Définition (Espérance)
Soit X est une variable aléatoire de densité fX telle que
Z
|x|fX (x)dx < +∞,
R
Alors on dit que X est intégrable et son Espérance est définie par :
Z
E(X) = xfX (x)dx
R
Proposition
1 Soit X une v.a.r. de densité fX telle que a ≤ X ≤ b p.s alors a ≤ E(X) ≤ b.
2 Soit α, β ∈ R alors E(αX + β) = αE(X) + β. (linéarité de l’espérance)
Proposition
Soient X une v.a.r. de densité fX et g : R → R une fonction telles que
Z
|g(x)|fX (x)dx < +∞
R
Proposition
Soient X une v.a.r. de densité fX et g : R → R une fonction telles que
Z
|g(x)|fX (x)dx < +∞
R
Conséquence :
R
Si R
|x|n fX (x)dx < +∞, alors X n est intégrable et on a :
Z
E(X n ) = xn fX (x)dx
R
Définition (Variance)
Soit X est une variable aléatoire discrète telle que
Z
|x|n fX (x)dx < +∞,
R
Alors on dit que X est de carré intégrable et sa Variance est définie par :
Définition (Variance)
Soit X est une variable aléatoire discrète telle que
Z
|x|n fX (x)dx < +∞,
R
Alors on dit que X est de carré intégrable et sa Variance est définie par :
Proposition
Soit X une variable aléatoire réelle de carré intégrable. Alors on a :
1 ∀a, b ∈ R, V(aX + b) = a2 V(X) et σ(aX + b) = |a|σ(X).
2 Si V(X) = 0, alors il existe a ∈ R tel que X = a p.s.
3 ∀a ∈ R, E((X − a)2 ) ≥ V(X).
et on a
E(X) = p et V(X) = p(1 − p).
et on a
E(X) = p et V(X) = p(1 − p).
et on a :
E(X) = np et V(X) = np(1 − p).
et on a
1−p
E(X) = p1 , V(X) = p2
,
et on a
1−p
E(X) = p1 , V(X) = p2
,
e−λ λn
P(X = n) = , ∀n ∈ N
n!
et on a
E(X) = V(X) = λ
0, si x < a;
x−a
1 Pour tout x ∈ R, FX (x) = b−a
, si a ≤ x ≤ b;
1, si x ≥ b.
X−a
2 X est de loi U(a, b) ssi la v.a Y = b−a
est de loi U(0, 1).
3 X admet des moments de tout ordre :
(b−a)2
E(X) = a+b
2
et V(X) = 12
1 (x − m)2
fX (x) = √ exp(− ), ∀x ∈ R.
σ 2π 2σ 2
1 (x − m)2
fX (x) = √ exp(− ), ∀x ∈ R.
σ 2π 2σ 2
X−m
1 La v.a X est de loi normale N (m, σ) ssi la v.a U = σ
est de loi normale
N (0, 1) appelée normale centrée, si donc de densité
2
fU (u) = √12π exp(− u2 ), ∀u ∈ R
2 Pour tout u ∈ R, FU (−u) = 1 − FU (u).
3 Pour tout (a, b) ∈ R2 tels que a < b, on a
b−m a−m
P(a < X ≤ b) = FU ( ) − FU ( )
σ σ
4 U et X admettent des moments de tout ordre. E(U ) = 0 et
V(U ) = E(U 2 ) = 1 et par suite E(X) = m et V(X) = σ 2
1 Pour tout x ∈ R :
FX (x) = (1 − e−λx )1R∗+ (x)
2 X admet des moments de tout ordre et on a :
E(X) = λ1 et V(X) = λ12