Académique Documents
Professionnel Documents
Culture Documents
VARIABLES ALEATOIRES
1 Definitions
On appelle variable aleatoire le resultat d'une epreuve, s'il est represente par un reel.
- Elle est discrete (v.a..d.) si elle ne prend que des valeurs ponctuelles isolees.
- Elle est continue (v.a.c.) si l'ensemble de ses valeurs est une reunion d'intervalles de IR.
- Notation: Soit 0 l'ensemble des evenernents it tout w E 0 on affecte une valeur. On definit ainsi une fonction sur 0 appelee variable aleatoire, on Ia note generalement X ou Y
Pour w E 0, on a, X(w) = x on notera J\" = x
Exemple 1 On lance deux pieces de monnaie. Soit X : "nombre de face pile obienu", les eoeniualites sont
On a :
P(Ed = P((F, F)) = P(F) . P(F) = }} = ~
P(E2) = P((F, P) U (P, F)) = P((F, P)) + P((P, F)) = i + i = 1 P(E3) = P((P, P)) = ~
D'mL, le tableau, :
Evenement (F,F) (F,P) (P,F) (P,P)
X = Xi 0 1 1 0)
'"
P(X = xd 1 1 ~ 1
4: 2" 4" 1
2 Variables Aleatoires Discrctes
Definition 2 Soii X une o.a.d. l'applicaiion f de X(D) dans lR qui a tout x fait correspotulre
f(x) = P(X = z )
s'ap pelle la loi de probabili te (ou distribution) de X. On a f(.1:) 2:: O.
Definition 3 On appelle fonction de repartition de 1(1 u.a. X Topplicaiion Fx definie SUT IR dans [0, 1] ielle que:
v x E IR, Fx(:r) = P(X :::; x)
- Si les x, sont ranges en ordre croissant des indices, les evenernents ~¥ = .1:1, X = ,(;2, .,. etc etant incompatibles on a
el'O"l
P
FX(.Tp) = P(X < ;:Cp) = L P(X = Xi)
i=l
- On retiendra :
Fx(x) = P(X :::; x) = L f(u)
u<x
Proposition 4 Sod X une v.a, on a :
V a, b E R ( oii a < b), P( a < X :::; b) = F X (b) - F X (a)
Preuve. On a
P(X :::; a) + P(a < X :::; b) + P(X > b) = 1 ¢} Pia < X :::; b) = 1 - Pi« :::; a) - P(X > b) Or P( X > b) = 1 - P (X :::; b), d' OU
P(a < X :::; b) = P(X :::; b) - P(X :::; a) = Fx(b) - Fx(a)
o
Exemple 5 Avec L'ezemple precedeni 10, 10£ de probabilite aseociee d. X est:
{I 5" - 0 . o
f(';r;) = 4' 1: .T -. OU,:.,
. ~ Sz x = 1
Sa fonction de repartition est dejinie par:
Fx(O) = f(O) = ~
Fx(l) = f(O) + f(l) = ~
Fx(2) = f(O) + f(l) + f(2) = 1
2
2.1 Esperance Mathematique
Definition 6 Soit X une v.a.d. et noions X(D) = {xo, Xl, ... , :Z:N-I, :Z:N} , on appelle esperance de X, le nombre E(X) dejini par:
N
E(X) = LXi' P(X = xd
i=O
L 'esperance de X appamtt aim's cotnme le baruceulre des points Xi aJJeclis des masses P(X = x;). L 'esperance de X est done la tnouenne des ooleurs prises par X potulerees par leurs probahiliies.
Exemple 7 On lance uti de. Un joueur gagne 20 F s'il tire 2,40 F s'il tire 4 et perd 80 F s )if tire 6. Evaluons le gain espere.
- Soit X la v.a.d. representant le gain au cours d'un jet quelconque.
Les gains possibles au cours cl'un jet dont le resultat peut-etre 1, 2, :3, 4, 5, 6 sont respectivement Xl, X2, X3, X4, Xs, X6 tandis que leurs possibilites sont P(X = xd = f(Xi) on a :
k 1 2 3 4 5 6
.Xk 0 20 0 10 0 -30
P(X = Xk) = f(Xk) 1 1 ~ I 1 1
6" 6" 6" (3 6" d'ou
6
E(X) = L: Xi' f(Xi) = 5
'i=1
Le joueur peut donc esperer gagner .5 francs.
- Soit X une v.a.d. et soit c.p : IR --+ IR une fonction numerique reelle quelconque. On peut alors fabriquer une nouvelle application de D dans IR par:
D~IR~IR
<:.
c.p 0 X
Cette application c.p 0 X est notee par tradition c.p( X) et il se trouve que c.p(X) est encore une v.a.d. sur D. On a le result at Iondamental suivant :
Theorerne 8 Soit X une v.a.d. et c.p : IR --+ IR une fonction tiumerique reelle quelconque. Aim's si la v.a.d c.p(X) admet une esperance, celle-ci est dotuiee par la [ormule :
+00
E(c,o(X)) = L <p(xJ· P(X = xn)
n=O
3
Preuve. Noions X(fl) = {:ti}iEN, 'P(X)(fl) = {Yj},iEJcN' On a :
E('P(X)) = LYj . P ('P(X) = Yj)
jEJ
Soit.
1.1 = {i E rw / 'P(Td = Y.d (Ij)jEN est une partition de I)J ei on a ;
('P(X) = Yj) = U C\" = :Di), cetie reunion ftant disjoiu:«.
iE1J
soii en remplacani dans la [ormule precedeute
E('P(X)) = LY,i (L P(X = Td)
jEJ iElj
= L (L 'P(:D;)P(X = ;r;;))
jEJ iEIJ
so it par associaiunie generalisee
E(r.p(X)) = L r.p(Ti)· P(X = Ti)
iElI!
o
II est nature 1 de se demander si les valeurs prises par une v.a.d, X ayant une esperance E(X) sont dispersees au concentrees aut our de cette moyenne. D'ou le paragraphe suivant :
. 2.2 Variance et Eeart-type
Definition 9 Soii Xune v.a.d. ayantune esperance E(X), alors avec les notations precedenies, on appelle variance de X le tiotnbre V(X) E IR+ defini par:
+00
V(X) = L (Xn-E(X))2 ·P(X = xn) 20
n=O
Definition 10 Si X admei une variance, on appelle ecart-t.ype de X le
nombre :
O'x=VV(X)
Theorerne 11 (de Kcenig-Huyghens) Soil X une v.a.d. Soit a uti nombre reel quelconque. On a :
4
E((X - a)2) = lI(X) + (E(X) - a)2
En particulier, pour a = 0, on obiieui :
Preuve. On pose
.Tk - a = .Tk - E(X) + E(X) - a (Ruse .. ')
d'm!,
(:rk - a)2 = (;lk - E(X))2 + 2 (:fk - E(X)) . (E(X) - a) + (E(X) - ol
Muliiplions alors les deux membres de ceiie expression par P(X = ~rk) ei SOTn1nOnS pour iouies les oaleurs de k: On obtient :
E((X - a)2) = V(X)+2 (E(X) - a) L (;lk - E(X))·P(X = ;rk)+(E(X) - a)2
k
= VeX) + 2 (E(X) - a)· (E(X) - E(X)) + (E(X) - a)2 = VeX) + (E(X) - 0,)2
o
Exemple 12 On lance deux des cubiques tiormaux et on note X la somme des points obtemie, Y le plus grand des points obietius. Etudions les o.a.d. X ei Y.
1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (0) q)) (2,3) (2,4) (2,5) (2,6)
-'-,
3 (/3,1) (8,2) (8,3) (3,4) (8,.5) (3,6)
4 (4,1) (4,2) (4,,1) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (s r:) (5,6)
o, o
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6) - On a X(n) = {2, 3, ... , 12} et la loi de X est la suioanie :
.Tk 2 3 4 5 6 7 8 9 10 11 12
P(X = ;rk) 1 2 3 4 5 6 5 4 3 2 1
3f) ~f) ::If; ~f) i6 i6 Cifi Cifi '¥i 3fi ~f) d' , ou
. 11 12 ')52
E(X) = L ;t:k' P(X = :fk) = Ln' P(X = 11.) = -;- = 7
k=l n=2 36
12 12 r:::
VeX) = L(71, - 7)2 . P(X = 71,) = L n2 . P(X = 71,) - 72 = 3:) ~ 5,83
n=2 n=2 b
o» = j17(X) c::: 2,42
5
- On a l"(n) = {I, 2, ... , 5} ei la loi de Y est:
Yk 1 2 i3 4 .5 6
P(Y = Yk) 1 3 5 i !:l 11
:If) If) 36 Cifi 36 :36
. d '011
6 . . 161
E(Y) = L k· P(Y = k) = 36 ~ 4,47
k=l
6 (161)2
V(Y) = L k2 . P(y = k) - 36 ~ 1,97
k=l
O-y = JV(Y) ~ 1,40
Par dEfinition de la variance on a :
1. Va E IR, V(a) = 0
11. Va E IR, V(aX) = a2V(X)
iii. Va, s « IR, V(aX + b) = a2V(X)
Definition 13 Soit X nne variable aleaioire. On pose:
X* = X - E(X)
o-_y
On a
E(X*) = 0 et V(X*) = I
On dit que X* est la variable aleatoire centree reduite associee Q, 10. variable aleatoire X.
3 Variables Aleatrrires Continues
Definition 14 Une variable aleatoire continue [n.a.c.} X est nne oaricble oleaioire dont l'ensemble des ooleurs est une reunion. d'iniernalles de IR.
La probabilite P(X = x) est nulle, car si X est continue sur un intervalle [a, b], jJ y a une infinite non denombrable de points sur cet intervalle et done une probabilite nulle pour l'un quelconque d'entre-eux. Par contre la probabilite pour que X soit comprise entre deux valeurs distinctes est une notion qui a un sens.
- On postule l'existence cl'une fonction numerique f telle que:
L f(:c) ~ 0
2. J!;: fCc) dx = 1
6
- La probabilite pour que X soit comprise entre a et b (a < b) est:
fest la densite de probabi'lite de X
- Par analogie avec Ie cas discret 011 definit Ia fonction de distribution ou de repartition de X, Fx par :
Fx(x) = P(X < x) = L~, f(t) dt
- On retiendra
- Remarque : Si X est une v.a.c, on a
P(X<:t)=P(X~x)
- La densite de probahilite est par definition la der-ivee de la fonction de repartition
f(x) = F~(x)
Proposition 15 Soit X une v.a.c. et so it Fx safonction de repartition. A lars Fx poeeede les propr'ietes suivanies :
ii) lirnx-->+<Xl Fx(x) = J!': f(t) dt = 1
iii) F x est croissant.e
iv) F x est continue
Soit X une v. a. c., par analogie avec le cas discrei on a :
1.
E(X) = l:CX) t . f(t) dt
2.
;+00
E('P(X))= -C<) 'P(t)·f(t)dt
6) 0.
V(X) = 0-:\= E((X - E(X) )2) = I!,: (t - E(X) )2.f(t) dt V(X) = E(X2) - E(X)2
Exemple 16
1. Soit l 'application f de.jinie par:
7
{ f(x) = 0 Si x < 0
f : x H f(x) = t Si: 0 < x < 5 f(:r.) = 0 81,;r. > 5
Posons :
F(x) = J:~ J(t) dt = .[~ f(t) dt
On a bien:
1+00. i5 1
lim F(:r:) = f(t) (ll = f(t) elt = -[;r]g = 1
x~CX> .0 0 ,5
Comme pOU'1' tout .Y, f(;r;) ~ OJ fest utie densit« de probalnlite d.'usie u.a.c. X idle que:
P(X S; ;1;) = F(;:c)
. .
2. Soit 1 'application :
P080ns :
j-iZor's on a :
VJ:EIR,f(x)~O
et on demontre que :
1 1+00 /2
lim <l)(x) = ~ e-T di = 1
1:-+ + co V 27r -00
Done f est bien une densit« de probabiliie d 'une v. c.c X. On dii alors que X sud la loi not-male ou de Laplace-Gauss.
4 Variables Aleatuires Iridependantcs
Soient deux variables aleatoires discretes X et Y. Elles sont independantes si, et seulement si, quelles que scient les valeurs ;Ci et Yj qu'elles prennent respectivement , les evenements (X = .7:i) et (Y = Yj) sont independants, et done si, quels que soient i et j :
8
On retiendra :
Deux v.a.d. X et Y sont independantes ssi :
v (i, j) E W2, P((X = XJ n (Y = Yj)) = P(X = XJ . P(Y = Yj)
A partir des v.a.d. X et }l" OIl peut creer la IlOtjOI1 de couple aleatoire (X, Y) avec pour definition sa probabilite :
Exemple 17 Soient les variables aleaioires discreies X ei Y de lois de probabilites :
z, '2 4 6
P(X = :r;) 0,'2 0,5 0,8 Yi 3 5
P(Y = Yj) 0,8 OJ Si X et Y sotii indep endantcs, la loi du couple (X, Y) est dotuiee par :
y\X '2 4 6 P(Y = Yi)
3 0,06 0,15 0,0.9 0,3
5 0,/4 0,35 0,21 0,7
P{X = Xi) ° Ii) 0,5 0,3
.,'" 5 Propr ictes de I 'Esperance et de la Variance
SoientX et Y deux variables aleatoires reelles discretes definies sur n. Determinons Ia 101 de probabilite de la v.a.d Z = X + Y.
Soit donc z E Z(n), nous devons calculer P(Z = z). II est naturel d'envisager l'ensemble
Cet ensemble decrit toutes les situations pour lesquelles la somme X + y prend la valeur z, car evidemment une somme peut prendre la valeur z de plusieurs facons (2 = 0 + 2 = 1 + 1 = 0,5 + 1,') = ... ).
L, est nne partie de 1M x 1M, elle est done denombrable. Ce qui permet de decomposer l'evenement Z = z.
(Z = z) = (X + Y = z) = U ((X = .Xi) n (Y = yj}) (i,j)Elz
D'ou la proposition:
Proposition 18 Soient X ei Y deux o.a.d. INDEPENDANTES alors la IO?: de Z = X + Y est donnie par' :
P(X + Y = n) = L P(X = p). P(Y = q)
p+q=n (P,q)EtJ2
9
Exemple 19 Soieni les variables aleaioires irulepciuianies discreies )( et Y de lois de probab1:lites :
;ri 2 4 6'
P(X = Xi) 0,2 0,5 O,S J/j s 5
P(Y = Yj) 0)3 0, 7 On a :
(X + Y) = 5 = ((X = 2) n (Y = 3))
(X + Y) = 7 = ((X = 2) n (Y = 5)) U ((X = 4) n (Y = 3)) (X + Y) = 9 = ((X = 4) n (1' = 5)) U ((X = 6) n (Y = 3)) (X + 1') = 11 = ((X = 6) n (X = 5))
D'ml
11. 5 7 9 11
P(X + l' = 11.) 0,06' 0,29 0,44 0,21 On remarquera que:
E(X) = 4,2 E(Y) = 4,4
E(X + Y) = E(X) + E(Y)
E(X + Y) = 8,6
- Calculer : V (X), V (Y), V (X + Y)
Exemple 20 Soien! les o.a.d. X et Y ei le tableau donnant la loi de probabiliU du couple (X, Y) :
y \ Xi 2 4 6 P(Y = Yj)
• J
5 0,1 o Ii) 0,.'] 0,6
,w
7 0,1 0,8 0 0,4
P(X = ;r:i) o 6) 0,5 O,S
'w On remarquc que X et Y tie soni pas indepetulanles puisque par exemple
P((X, 1') = (2,5)) = 0,1 i- P(X = 2) . P(Y = 5) = 0,12
Deierminons a present la loi de la somme de us deux: u.a.d. non ituleperulanics Z=X+Y
(X + Y = 7) = (X = 2) n (1' = 5)
eX + l' = 9) = ((X = 2) n (Y = 7)) U ((X = 4) n (1' = S)) (X + Y = 11) = ((X = 4) n (Y = 7)) U ((X = 6) n (1' = S)) (X + Y = 13) = (X = 6) n (Y = 7)
10
D'01t
n 7 9 11 18
P(X + Y = Tt) 0) 0,8 OJ; 0 On remarquera de nouveau que :
E(X) = 4,2
E(X + Y) = E(X) + E(Y)
E(Y) =5,8
E(X + Y) = 10
- Calculer : V (X), 11 (Y), V (X + IT)
Exemple 21 Soieni lee »arioblee aleaioires iTl,dependantes discieies X et }" de lois de probabiliies :
x, 2 4 6
P(X = :Ci) 0)2 0,5 0,8 Yj 0, S
u
P(Y = Yj) 0,3 0,7 (X . Y = 6) = (X = 2) n (Y = 3) (X . Y = 10) = (X = 2) n (Y = 5) (X . Y = 12) = (X = 4) n (Y = 3) (X . Y = 18) = (X = 6) n (Y = :3) (X . Y = 20) = (X = 4) n (Y = 5) (X . Y = 30) = (X = 6) n (Y = 5)
D'01l
n 6 10 12 18 20 30
P(X· Y = n) 0,06 0}14 0,15 0,09 0,35 0,21 Et on a
E(X) = 4,2 E(Y) = 4,4 E(X· Y) = 18,48
E(){ . Y) = E(X) . E(Y)
On retietulra le iheoreme [otulameniol suirati! :
Theoreme 22 Soien: X et Y deux ».a.d. definies S'U1' n avant chacune une esperance. AlorB :
1]
1. X + Y possede usie esperance et
E(X + Y) = E(X) + E(Y)
2. Pour tout nombre red ", "X possede une esperance et
E(AX) = A' E(X)
3. Si X ei Y soni INDEPENDANTES alors :
E(X . Y) = E(X) . E(Y)
4. Si X et Y soui INDEPENDANTES alors :
i) V(X + Y) = V(X) + V(Y)
ii) V(X - Y) = V(X) + V(Y)
12