Vous êtes sur la page 1sur 12

RESUME COURS CHAP 1 2 3

CHAPITRE 1 :

FONCTION CARACTERISTIQUE
A-Définition :

Soit X variable aléatoire réelle définie sur un espace probabilisé (Ω,@, ). On appelle fonction
caractéristique de X, la fonction complexe d’une variable réelle t définie par :

( )

a-Si loi de probabilité de X est discrète et charge les point

( ) ∑ [ ]

b-Si est absolument continue de densité f

( ) ∫ ( )

Remarques :

1-La fonction caractéristique ne dépend que de la loi de probabilité de la variable aléatoire X.


2- Deux lois de probabilités ayant même fonction caractéristique sont identiques.
Exemples :

1- Si X B(1,p)
charge les points de probabilités respectives :
et p[X=1]=p , p€]0,1[
D’où : ( ) [ ]

2- Si X B(n,p)

Les points chargés par X sont k=0,1,2,….,n

Avec P[X=k]= ( )

( ) ∑ ( )

( ) ∑ ( ) ( ) =( ) .

3- Si X ( ) { ( )
4- Si X N(0,1) ( ) ( )

B-Propriétés :

1- (i) | ( )
(ii) ( )
(iii) ( ) ̅̅̅̅̅̅̅̅
( )

2- Si X et Y sont deux variables aléatoires réelles, indépendantes et a Є , alors :


(i) ( ) ( ) ( )
(ii) ( ) ( ( )) ( ) ( ) ( ) ( )
variables aléatoires indépendantes.
( ) ( ) ( ) (
(iii) ( ) ( ) )

APPLICATION :

(i) Si X ( ) ( )
Alors : ( ) ( ) ( ) ( )

( )

Donc : Si ( ), ( )
(ii) Si ( ) ∑ ( )
variables aléatoires indépendantes deux à deux. Alors :
( ) ( ) ( ) ( )

C-Fonction caractéristique et moments d’une variable aléatoire :

Soit X variable aléatoire réelle, f sa densité de probabilité et sa fonction caractéristique.

Théorème 1:

Si ( ) fini , alors dérivable jusqu’à l’ordre n inclu et l’on a :


( )
1- ( ) ∫ ( ) ( )
( )
2- ( ) ( )

Réciproque du théorème :

Si la fonction caractéristique d’une variable aléatoire X est dérivable jusqu'à l’ordre 2n inclu
à l’origine, alors les moments de X existent et sont finis jusqu’à l’ordre 2n.

Remarque :
Si est indéfiniment dérivable à l’origine, alors X admet des moments d’ordre n .

Conséquence :

indéfiniment dérivable ( ) alors :

( )
( ) ( ) ( ) ( ) ( )

( )
∑ ( ) ∑ ( )

( )
∑ ( )

EXEMPLES :

1- Si X B(n,p) ( ) ( )

( ) ( ) ( )

( ) ( )

( ) ( )( ) ( ) ( )

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

2- Si ( ) alors ( )

( ) ( ) ( ) ( )

D-Fonction caractéristique d’un vecteur aléatoire :

Soit X variable aléatoire définie sur ( ) à valeurs dans ( ). Soient

X= ( ) ( ) sont deux vecteurs aléatoires.

On rappelle que le produit scolaire de X et Y est défini par : <X,Y> = ∑

Définition 1:

On appelle fonction caractéristique du vecteur aléatoire X=( )

La fonction complexe de n variables réelles définie par :



( ) ( ) =

(i) Si est discrète et charge les points

Alors : ( ) ∑


(ii) Si est absolument continue de densité ( ) où

Alors : ( ) ∫ ( )

Proposition :

Soit ( ) vecteur aléatoire, alors variables aléatoires


indépendantes, si et seulement si :

( ) ∏ ( ) ( )

CHAPITRE 2 :
CONVERGENCES EN CALCUL DES PROBABILITES ET
THEOREMES LIMITES :
A-Inégalité de Markov
Théorème :
Soit (Ω, @, P) espace probabilisé et variable aléatoire à valeurs positives définie sur cet
espace. Alors :
( )

B-Convergence en Probabilité et Convergence presque sûre :


Soit (Ω, @, P) espace probabilisé et ( ) suite de variables aléatoires telles que ,
définie sur (Ω, @, P).
Définition 1 :
Une suite de variables aléatoires ( ) est dite convergente en probabilité vers une
variable aléatoire X si :
ℇ>0, ℇ
ℇ>0, 𝜈>0, ℇ
Exemple :

Soit ( ) suite de variables aléatoires indépendantes, de moyenne constante 2p et de


variance . Alors converge en probabilité vers 2p.
Il s’agira de montrer que ℇ
( ( ))
ℇ ( ) ℇ

(d’après l’inégalité de Tchebycheff, ℇ )

D’où ℇ

Définition 2 :

Une suite de variables aléatoires ( ) est dite convergente presque partout (ou
presque sûrement) vers une variable aléatoire X si :

| ∁ ( ) ( ) ( )
∁ | ( ) , alors ℇ > 0, ( ) ( ) ℇ
Notations :
(i) ( ) Converge en probabilité vers une variable aléatoire X →
(ii) ( ) Converge presque partout (ou presque sûrement) vers une variable
aléatoire X ( → → )

Théorème 1 :

→ →

Démonstration :

Soit ( ) une suite de variables aléatoires convergeant presque sûrement vers une
variable aléatoire X. Il s’agit de montrer :
S ( ) ( ) ( ) alors ℇ , ℇ>0
On pose { ( ) ( ) ℇ}, ̅̅̅̅ { ( ) ( ) ℇ}

̅̅̅̅ par construction de ̅̅̅̅

On pose ⋂ ̅̅̅̅ ∁ et ∁

⋃ ⋃ ⋂ ̅̅̅̅ ( )

Alors : (1) ̅̅̅̅̅̅̅̅̅̅


⋃ ⋂ ̅̅̅ ⋂ ⋃ ̅̅̅̅ ( )

Alors (2) ⋂ ⋃ ̅̅̅̅

⋂ ⋃ ⋃
Or ⋃ ⋃
ℇ ℇ

D’où la convergence en probabilité.

Théorème 2 :

Soit f une fonction réelle définie et continue par rapport au couple (x,y) ² . Si la suite de
vecteurs aléatoires ( ) converge en probabilité (respectivement presque sûrement)
vers le vecteur aléatoire M=(X, Y), alors, la suite de fonctions aléatoires ( ) converge
en probabilité (respectivement presque sûrement) vers la fonction ( ).

Corollaire :

Si la suite de vecteurs aléatoires ( )converge en probabilité (respectivement


presque sûrement ) vers le vecteur aléaoire ( ) alors :

→ ( → )

→ ( → )

→ ( → )

Si P[Y=0] 0 , → (respectivement → )

C-Lois des grands nombres :

Théorème 1 :

Soit ( ) suite de variables aléatoires indépendantes, identiquement distribuées, admettant


un moment d’ordre 2 fini, alors la suite ( ) définie par :

∑ converge en probabilité vers E( ).

Démonstration :

→ ( ) ℇ , ( ) ℇ

( )
ℇ ( ) ²

(d’après l’inégalité de Tchebycheff)


( )
Or ( ( )) ( )

( ) ( )
( )
D’où ℇ>0 , ( ) ℇ

Donc : → ( )

Théorème 2 : (Loi forte des Grands Nombres )

Soit ( ) ,suite de variables aléatoires indépendantes équidistribuées, ayant un moment



d’ordre 2 fini ,alors la suite converge presque sûrement vers E( ).

Pour la démonstration de ce théorème, nous utiliserons les résultats des deux lemmes
suivants, lesquels sont à admettre.

Lemme 1 :

Soit ( ) suite de variables aléatoires indépendantes telles que ( ) et


∑ Alors la suite ( ) (∑ ) converge presque partout.

Lemme 2 :

Soit une suite de réelles ( ) tels que ∑ alors ∑

Démonstration du théorème 2 :
∑ ( ( ))
( ) ( ) ∑ ∑ où ( )


Il faut montrer que ( ( ))


Pour cela, il suffit de montrer que convergente (d’après le lemme 2 .)


Pour montrer que convergente, on va utiliser le lemme 1

i , ( ) ( ( )) ( ) ( ) et ∑ ∑ ∑

(car nous avons ∑ )

D’après le lemme 1 que ∑

D’après le lemme 2 que ∑ ( ) → ( )


D-Convergence en loi et théorème central limite :

Définition 1 :

Soit ( ) , suite de variables aléatoires de fonction de répartition n dit que la suite


( ) converge en loi vers la variable aléatoire X si ( ) ( )

x point de continuité de F. Notation : →

Proposition 1 : (à admettre).

Les deux assertions suivantes sont équivalentes.

1- →
2- ( ) ( ) ( ).

Proposition 2 :

→ →

Donc : → ( ) →

Théorème central limite :

Soit ( ) suite de variables aléatoires indépendantes, identiquement distribuées, ayant un


∑ ( )
moment d’ordre 2 fini, alors la suite → Où Z N(0,1).

Exercice :

( ) suite de variables aléatoires r | ( )

1- Fonction caractéristique de

( ) ( ) ( )

( ) ( ( ))

2- ( ) ( ( ))
( ( ))

→ ( ( )) ( ) ( )

( ( )) ( ) ( )
.

( ) ( ) ( ) ( ) →

Donc → ( )

CHAPITRE 4 :
VECTEURS ALEATOIRES GAUSSIENS ET
ECHANTILLON ALEATOIRE GAUSSIEN.
A-Rappels :

Définition1 :

X variable aléatoire réelle est dite de Gauss (ou Normale) de moyenne m et de variance ợ² , si
elle admet pour densité la fonction suivante :

( )
( )

On démontre que X admet comme fonction caractéristique la fonction suivante :

( )

Définition 2 :

(i)- Une matrice carrée de dimension n est définie positive si , On a


.

(ii)-Une matrice C est dite orthogonale si . Dans ce cas nous aurons |det C|=1.

(iii)-Soit Ω matrice symétrique, définie positive et inversible, alors il existe une matrice C
orthogonal telle que :

( ) ( )


B-Définition d’un vecteur aléatoire Gaussien :
1-Définition : On dit d’un vecteur aléatoire ( ) qu’il est Gaussien, s’il est
continu de densité :
( )( ) ( ( ) ( ))
( ) √

Où ( ) ( ) et Ω est une matrice ( )symétrique, définie

positive et inversible. Notation : ( ).

2-Moments d’un vecteur aléatoire Gaussien :

Si ( ) alors ( ) et ∑ [( ( ))( ( ))]

3-Loi marginales d’un vecteur aléatoire Gaussien :

( ) vecteur aléatoire Gaussien ( ( ))

loi de
( )

() ( )

Proposition 1:

Pour qu’un vecteur aléatoire gaussien soit à composantes indépendantes, il faut et il suffit que
Ω soit diagonale .

C-Propriétés d’un échantillon aléatoire Gaussien :

Théorème 1 :

Soit X variable aléatoire normale centrée réduite ( ( )) et

( ) var iid selon X. Alors la variable aléatoire


( )

Théorème 2 :

→ ( )

Théorème 3( Fisher) :
Soit X une variable aléatoire normale centrée réduite et ( ) var iid selon X . Alors
les variables aléatoires ̅̅̅̅√ ∑ ( ̅̅̅̅ ) sont indépendantes et suivent
respectivement les lois N(0,1) et .

Corollaire 1 : Soit un échantillon ( ) issu d’une loi N(m,ợ²)

√ (̅ )
Alors et sont indépendantes et suivent respectivement les loi ( ) .

Corollaire 2 :

√ (̅ )
et ( )

√ (̅ )
( )
( )

√ (̅̅̅̅ )
( )

Vous aimerez peut-être aussi