Chap2 Prob PDF

Variables Aléatoires
Variables Aléatoires Réelles Discrètes

Variables Aléatoires Réelles à Densité (Absolument Continues)
Lois de probabilités usuelles
Chapitre 2: Variable Aléatoire
Probabilités Chapitre 2: Variable Aléatoire 1 / 28

Variables Aléatoires Réelles Discrètes Définitions et Propriétés
Variables Aléatoires Réelles à Densité (Absolument Continues) Loi de probabilité d’une v.a.
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.
Définition (Variable aléatoire)

Soit (E, B) un espace probabilisable.
On dit que l’application X : Ω −→ E est une variable aléatoire (v.a.) de (Ω, A)
dans (E, B) si
pour tout B ∈ B, X −1 (B) = {ω ∈ Ω, X(ω) ∈ B} ∈ A.
En particulier si E est une partie de R (resp de Rd ) la variable aléatoire est dite

réelle (ou v.a.r.) (resp un vecteur aléatoire).
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.

Définition (Variable aléatoire)

Soit (E, B) un espace probabilisable.
On dit que l’application X : Ω −→ E est une variable aléatoire (v.a.) de (Ω, A)
dans (E, B) si
pour tout B ∈ B, X −1 (B) = {ω ∈ Ω, X(ω) ∈ B} ∈ A.
En particulier si E est une partie de R (resp de Rd ) la variable aléatoire est dite

réelle (ou v.a.r.) (resp un vecteur aléatoire).
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.

Proposition (Tribu engendrée par une v.a.)

Soient (Ω, A, P) un espace probabilisé et (E, B) un espace
probabilisable. Soit X : Ω −→ E une variable aléatoire.
Alors la famille σ(X) = {X −1 (B) ∈ A / B ∈ B} est une tribu sur
Ω incluse dans A appelée tribu engendrée par X.

Proposition (Tribu engendrée par une v.a.)

Soient (Ω, A, P) un espace probabilisé et (E, B) un espace
probabilisable. Soit X : Ω −→ E une variable aléatoire.
Alors la famille σ(X) = {X −1 (B) ∈ A / B ∈ B} est une tribu sur
Ω incluse dans A appelée tribu engendrée par X.
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.

Soient (Ω, A, P) un espace probabilisé et (E, B) un espace probabilisable. La notion

de variable aléatoire X : Ω −→ E permet de probabiliser l’espace d’arrivée E.
Comme l’espace E est connu dans la pratique, on va préférer s’intéresser aux
chances de réalisations des valeurs de X plutôt qu’aux chances des résultats de
l’expériences. Or P(A) n’a de sens que pour A ∈ A, donc on ne peut définir une
probabilité sur E que pour des événements B tels que X −1 (B) ∈ A.

Soient (Ω, A, P) un espace probabilisé et (E, B) un espace probabilisable. La notion

de variable aléatoire X : Ω −→ E permet de probabiliser l’espace d’arrivée E.
Comme l’espace E est connu dans la pratique, on va préférer s’intéresser aux
chances de réalisations des valeurs de X plutôt qu’aux chances des résultats de
l’expériences. Or P(A) n’a de sens que pour A ∈ A, donc on ne peut définir une
probabilité sur E que pour des événements B tels que X −1 (B) ∈ A.
Proposition
Soient (Ω, A, P) un espace probabilisé et X : Ω −→ E une variable aléatoire.
Alors, l’application PX : B −→ [0, 1] dèfinie par
PX (B) = P(X −1 (B)) pour tout B ∈ B
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 .

Une variable aléatoire X : Ω −→ E définit ainsi un nouvel espace probabilisé

(E, B, PX ) : espace probabilisé propre à la variable aléatoire X. L’espace
probabilisé (Ω, A, P) est alors appelé par opposition espace probabilisé fondamental.


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
PX (B) = P({ω / X(ω) ∈ B}) = P(X ∈ B)
Ainsi, si X est une variable aléatoire réelle alors ∀x ∈ R on a :

- PX (] − ∞, x]) = P(X ∈] − ∞, x]) = P(X ≤ x).
- PX ({x}) = P(X ∈ {x}) = P(X = x).


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
PX (B) = P({ω / X(ω) ∈ B}) = P(X ∈ B)
Ainsi, si X est une variable aléatoire réelle alors ∀x ∈ R on a :

- PX (] − ∞, x]) = P(X ∈] − ∞, x]) = P(X ≤ x).
- PX ({x}) = P(X ∈ {x}) = P(X = x).
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 .

Définitions et Propriétés
Fonction de répartition
Espérance et Variance
VARIABLES A LÉATOIRES R ÉELLES D ISCRÈTES

Définition (Variable Aléatoire Réelle Discrètes)

On appelle variable aléatoire réelle discrète toute variable aléatoire X : Ω → R
telle que X(Ω) = ∆ est au plus dénombrable ( fini ou dénombrable).


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.

Définition (Fonction de répartition)

Soit X une variable aléatoire réelle discrète. La fonction de répartition de X est la
fonction mesurable F, parfois notée FX , définie
P sur R par :
F (t) = P(X ∈] − ∞, t]) = P(X ≤ t) = {x∈X(Ω);x≤t} P(X = x), t ∈ R.


Soit X une variable aléatoire réelle discrète. La fonction de répartition de X est la
fonction mesurable F, parfois notée FX , définie
P sur R par :
F (t) = P(X ∈] − ∞, t]) = P(X ≤ t) = {x∈X(Ω);x≤t} P(X = x), t ∈ R.
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)

X
|x|P(X = x) < +∞,
x∈X(Ω)
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

X
|x|P(X = x) < +∞,
x∈X(Ω)
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)
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)
Alors la variable aléatoire réelle discrète g(X) est intégrable et on a :

X
E(g(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)
Alors la variable aléatoire réelle discrète g(X) est intégrable et on a :

X
E(g(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)
appelé moment d’ordre n de X.

Définition (Variance)
X
|x|2 P(X = x) < +∞,
x∈X(Ω)
Alors on dit que X est de carré intégrable et sa Variance est définie par :
V(X) = E((X − E(X))2 ) = E(X 2 ) − E(X)2

p
et on appelle σ(X) = V(X) l’écart type de la variable X. (mesure la dispersion
de X par rapport à sa moyenne)

X
|x|2 P(X = x) < +∞,
x∈X(Ω)
V(X) = E((X − E(X))2 ) = E(X 2 ) − E(X)2

p
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).

VARIABLES A LÉATOIRES R ÉELLES À D ENSITÉ

(A BSOLUMENT C ONTINUES )

Définition (Variable Aléatoire Réelle à Densité)

Soit X une variable alétoire réelle. On dit que X est absolument continue ou à
densité, s’il existe une fonction mesurable réelle fX : R → R telle que :
1 fX ≥ 0 et mesurable sur R.
R +∞
2
−∞
fX (x)dx = 1.
La fonction f est appelée densité de la variable aléatoire X.

Définition (Variable Aléatoire Réelle à Densité)

Soit X une variable alétoire réelle. On dit que X est absolument continue ou à
densité, s’il existe une fonction mesurable réelle fX : R → R telle que :
1 fX ≥ 0 et mesurable sur R.
R +∞
2
−∞
fX (x)dx = 1.
La fonction f est appelée densité de la variable aléatoire 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.


Soit X une variable aléatoire réelle de densité fX . La fonction de répartition de X
est la fonction mesurable F, parfois notée F
RXt , définie sur R par :
F (t) = P(X ∈] − ∞, t]) = P(X ≤ t) = −∞ fX (x)dx, t ∈ R.


Soit X une variable aléatoire réelle de densité fX . La fonction de répartition de X
est la fonction mesurable F, parfois notée F
RXt , définie sur R par :
F (t) = P(X ∈] − ∞, t]) = P(X ≤ t) = −∞ fX (x)dx, t ∈ R.
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.
Soit X est une variable aléatoire de densité fX telle que
Z
|x|fX (x)dx < +∞,
R
Z
E(X) = xfX (x)dx
R

Z
|x|fX (x)dx < +∞,
R
Z
E(X) = xfX (x)dx
R

Z
|x|fX (x)dx < +∞,
R
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
Alors la variable aléatoire réelle g(X) est intégrable et on a :

Z
E(g(X)) = 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
Alors la variable aléatoire réelle g(X) est intégrable et on a :

Z
E(g(X)) = 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
appelé moment d’ordre n de X.

Z
|x|n fX (x)dx < +∞,
R
V(X) = E((X − E(X))2 ) = E(X 2 ) − E(X)2

p

Z
|x|n fX (x)dx < +∞,
R
V(X) = E((X − E(X))2 ) = E(X 2 ) − E(X)2

p
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).

Variables Aléatoires Réelles Discrètes Lois discrètes usuelles
Variables Aléatoires Réelles à Densité (Absolument Continues) Lois absolument continues usuelles
L OIS DE PROBABILITÉS USUELLES

Loi de Bernoulli B(p) :

Soit p ∈]0, 1[. On dit qu’unev.a X suit la loi de Bernoulli de paramètre p notée
P(X = 1) = p ;
B(p), si X(Ω) = {0, 1} et ou encore
P(X = 0) = 1 − p,
P(X = x) = px (1 − p)1−x , x ∈ {0, 1}.
et on a
E(X) = p et V(X) = p(1 − p).

Loi de Bernoulli B(p) :

Soit p ∈]0, 1[. On dit qu’unev.a X suit la loi de Bernoulli de paramètre p notée
P(X = 1) = p ;
B(p), si X(Ω) = {0, 1} et ou encore
P(X = 0) = 1 − p,
P(X = x) = px (1 − p)1−x , x ∈ {0, 1}.
et on a
E(X) = p et V(X) = p(1 − p).
Loi Binomiale B(n, p) :

Soient p ∈]0, 1[ et n ∈ N∗ . On dit qu’une v.a X suit la loi Binomiale de paramètres
(n, p) notée B(n, p) si X(Ω) = {0, · · · , n} et ∀ 0 ≤ k ≤ n,
P(X = k) = Cnk pk (1 − p)n−k
et on a :
E(X) = np et V(X) = np(1 − p).

Loi Géométrique G(p) :

Soit p ∈]0, 1[. On dit qu’une v.a X suit la loi géométrique de paramètre p notée
G(p) si X(Ω) = N∗ et
P(X = n) = p(1 − p)n−1 , ∀n ∈ N∗
et on a
1−p
E(X) = p1 , V(X) = p2
,

Loi Géométrique G(p) :

Soit p ∈]0, 1[. On dit qu’une v.a X suit la loi géométrique de paramètre p notée
G(p) si X(Ω) = N∗ et
P(X = n) = p(1 − p)n−1 , ∀n ∈ N∗
et on a
1−p
E(X) = p1 , V(X) = p2
,
Loi de Poisson P(λ) :

Soit λ ∈ R∗+ . On dit qu’une v.a X suit la loi de Poisson de paramètre λ noté P(λ) si
X est à valeurs dans N et
e−λ λn
P(X = n) = , ∀n ∈ N
n!
et on a
E(X) = V(X) = λ

Loi uniforme U(a, b) :

Une v.a.r X à valeurs dans [a, b] suit la loi uniforme sur [a, b] notée U(a, b), si elle
admet pour densité
1
fX (x) = 1[a,b] (x)
b−a

Loi uniforme U(a, b) :

Une v.a.r X à valeurs dans [a, b] suit la loi uniforme sur [a, b] notée U(a, b), si elle
admet pour densité
1
fX (x) = 1[a,b] (x)
b−a

 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

Loi Normale N (m, σ) :

Soient m ∈ R et σ ∈ R∗+ . Une v.a X à valeurs dans R est dite de loi normale de
paramètres m et σ notée N (m, σ) si elle admet pour densité
1 (x − m)2
fX (x) = √ exp(− ), ∀x ∈ R.
σ 2π 2σ 2

Loi Normale N (m, σ) :

Soient m ∈ R et σ ∈ R∗+ . Une v.a X à valeurs dans R est dite de loi normale de
paramètres m et σ notée N (m, σ) si elle admet pour densité
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

Loi exponentielle E(λ) :

Soit λ ∈ R∗+ . Une v.a X à valeurs dans ]0, +∞[ est dite de loi exponentielle de
paramètre λ notée E(λ) si elle admet pour densité
fX (x) = λe−λx 1]0,+∞[ (x), ∀x ∈ R

Loi exponentielle E(λ) :

Soit λ ∈ R∗+ . Une v.a X à valeurs dans ]0, +∞[ est dite de loi exponentielle de
paramètre λ notée E(λ) si elle admet pour densité
fX (x) = λe−λx 1]0,+∞[ (x), ∀x ∈ R
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

Loi Gamma G(a, λ) :

Soient a ∈ R∗+ . Une v.a X à valeurs dans R∗+ est dite de loi Gamma de paramètres a
et λ notée G(a, λ) si elle admet pour densité
λa −λx a−1
fX (x) = e x 1R∗+ (x)
Γ(a)
R +∞
On rappelle que la fonction Γ est définie sur R∗+ par Γ(a) = 0 e−x xa−1 dx et
que ∀a > 0, Γ(a + 1) = aΓ(a) et donc Γ(n) = (n − 1)! pour tout n ∈ N∗ .

Chap2 Prob PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Chap2 Prob PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Variables Aléatoires

Variables Aléatoires Réelles Discrètes

Chapitre 2: Variable Aléatoire

Probabilités Chapitre 2: Variable Aléatoire 1 / 28

Probabilités Chapitre 2: Variable Aléatoire 2 / 28

Définition (Variable aléatoire)

pour tout B ∈ B, X −1 (B) = {ω ∈ Ω, X(ω) ∈ B} ∈ A.

En particulier si E est une partie de R (resp de Rd ) la variable aléatoire est dite

Probabilités Chapitre 2: Variable Aléatoire 4 / 28

Définition (Variable aléatoire)

pour tout B ∈ B, X −1 (B) = {ω ∈ Ω, X(ω) ∈ B} ∈ A.

En particulier si E est une partie de R (resp de Rd ) la variable aléatoire est dite

Probabilités Chapitre 2: Variable Aléatoire 4 / 28

Proposition (Tribu engendrée par une v.a.)

Probabilités Chapitre 2: Variable Aléatoire 5 / 28

Proposition (Tribu engendrée par une v.a.)

Probabilités Chapitre 2: Variable Aléatoire 5 / 28

Probabilités Chapitre 2: Variable Aléatoire 6 / 28

Soient (Ω, A, P) un espace probabilisé et (E, B) un espace probabilisable. La notion

Probabilités Chapitre 2: Variable Aléatoire 7 / 28

Soient (Ω, A, P) un espace probabilisé et (E, B) un espace probabilisable. La notion

PX (B) = P(X −1 (B)) pour tout B ∈ B

Probabilités Chapitre 2: Variable Aléatoire 7 / 28

Une variable aléatoire X : Ω −→ E définit ainsi un nouvel espace probabilisé

Probabilités Chapitre 2: Variable Aléatoire 8 / 28

Une variable aléatoire X : Ω −→ E définit ainsi un nouvel espace probabilisé

PX (B) = P({ω / X(ω) ∈ B}) = P(X ∈ B)

Ainsi, si X est une variable aléatoire réelle alors ∀x ∈ R on a :

Probabilités Chapitre 2: Variable Aléatoire 8 / 28

Une variable aléatoire X : Ω −→ E définit ainsi un nouvel espace probabilisé

PX (B) = P({ω / X(ω) ∈ B}) = P(X ∈ B)

Ainsi, si X est une variable aléatoire réelle alors ∀x ∈ R on a :

Probabilités Chapitre 2: Variable Aléatoire 8 / 28

Probabilités Chapitre 2: Variable Aléatoire 9 / 28

VARIABLES A LÉATOIRES R ÉELLES D ISCRÈTES

Probabilités Chapitre 2: Variable Aléatoire 10 / 28

Définition (Variable Aléatoire Réelle Discrètes)

Probabilités Chapitre 2: Variable Aléatoire 11 / 28

Définition (Variable Aléatoire Réelle Discrètes)

Probabilités Chapitre 2: Variable Aléatoire 11 / 28

Définition (Variable Aléatoire Réelle Discrètes)

Probabilités Chapitre 2: Variable Aléatoire 11 / 28

Définition (Fonction de répartition)

Probabilités Chapitre 2: Variable Aléatoire 12 / 28

Définition (Fonction de répartition)

Probabilités Chapitre 2: Variable Aléatoire 12 / 28

Probabilités Chapitre 2: Variable Aléatoire 13 / 28

Probabilités Chapitre 2: Variable Aléatoire 13 / 28

Alors la variable aléatoire réelle discrète g(X) est intégrable et on a :

Probabilités Chapitre 2: Variable Aléatoire 14 / 28

Alors la variable aléatoire réelle discrète g(X) est intégrable et on a :

appelé moment d’ordre n de X.

Probabilités Chapitre 2: Variable Aléatoire 14 / 28

V(X) = E((X − E(X))2 ) = E(X 2 ) − E(X)2

Probabilités Chapitre 2: Variable Aléatoire 15 / 28

V(X) = E((X − E(X))2 ) = E(X 2 ) − E(X)2

Probabilités Chapitre 2: Variable Aléatoire 15 / 28

VARIABLES A LÉATOIRES R ÉELLES À D ENSITÉ

Probabilités Chapitre 2: Variable Aléatoire 16 / 28

Définition (Variable Aléatoire Réelle à Densité)

Probabilités Chapitre 2: Variable Aléatoire 17 / 28

Définition (Variable Aléatoire Réelle à Densité)

Probabilités Chapitre 2: Variable Aléatoire 17 / 28