Vous êtes sur la page 1sur 73

Ecole Nationale Polytechnique

de Constantine

COURS DE PROBABILITES
(Semestre 2)

Zaher MOHDEB

E-mail: z.mohdeb@gmail.com, zaher.mohdeb@umc.edu.dz

Zaher Mohdeb (E. N. P. de Constantine) 1 / 73


Notion de variables aléatoires réelles

Chapitre 1 Notion de variables aléatoires réelles


1- Introduction et définition
En théorie des probabilités, une variable aléatoire réelle est une
application définie sur l’ensemble des résultats possibles d’une
expérience aléatoire noté Ω à valeurs dans IR. Les jeux de hasard tels
que le lancer d’un dé, d’un tirage à pile ou face, d’une roulette,. . .
qui amenèrent à concevoir les variables aléatoires, en associant à une
éventulaité un gain. Cette association éventualité-gain a donné lieu
par la suite à la conception d’une fonction de portée plus générale.
La fonction décrivant les valeurs possibles d’une variable aléatoire et
leur probabilité est connue sous le nom de la distribution de
probabilité.

Zaher Mohdeb (E. N. P. de Constantine) 2 / 73


Notion de variables aléatoires réelles

Les variables aléatoires peuvent être discrètes, qui est, en prenant tous les
éléments d’une liste finie ou dénombrable de valeurs spécifiée, doté d’une
fonction de masse de probabilité, caractéristique d’une distribution de
probabilités ; ou continues, en prenant une valeur numérique dans un
intervalle ou d’une famille d’intervalles, par l’intermédiaire d’une fonction
de densité de probabilité qui est une caractéristique de la distribution de
probabilités ; ou un mélange des deux types.
Ainsi la notion de variable aléatoire permet de créer une relation entre un
espace probabilisé et un espace mesurable qui est presque toujours l’espace
IR ou IRn . Par cette relation, l’espace qui n’était que mesurable devient
aussi probabilisé. Dans ce cas, la variable aléatoire présente le grand intérêt
pratique d’associer des nombres à une expérience soumise au hasard dont
les issues sont abstraites. Pour un expérientateur, l’espace probabilisé est
le phénomène étudié et l’espace mesurable sera l’ensemble de tous les
résultats chiffrés des expériences portant sur le phénomène en question.

Zaher Mohdeb (E. N. P. de Constantine) 3 / 73


Notion de variables aléatoires réelles

Définition
Soit X l’application définie de Ω dans IR, on note X −1 l’application
de P(IR) dans P(Ω) qui à B ⊂ IR associe son image réciproque par
X : X −1 (B) = {ω ∈ Ω/X (ω) ∈ B}.

Remarque : Il s’agit d’une application réciproque ensembliste mais


pas de l’application réciproque d’une application bijective.
Propriétés
Soient X une application de Ω dans IR, A, B deux sous-ensembles de
IR et Ai ⊂ IR, ∀i ∈ I ⊂ IN, alors
 
1) X −1 (∅) = ∅ 4) X −1 ∩ Ai = ∩ X −1 (Ai )
 i ∈I  i ∈I
−1
2) X (IR) = Ω 5) X −1
∪ Ai = ∪ X −1 (Ai )
i ∈I i ∈I
3) X −1 (CIR B) = CΩ X −1 (B) 6)X −1 (A∆B) = X −1 (A)∆X −1 (B) .
Zaher Mohdeb (E. N. P. de Constantine) 4 / 73
Notion de variables aléatoires réelles

Tribu engendrée, tribu borélienne sur IR


Proposition
( et définition) i) L’intersection d’une collection non vide quelconque
de tribus de parties de Ω est elle-même une tribu.
ii) Pour toute classe C de parties de Ω, l’intersection de toutes les
tribus contenant C est donc une tribu : elle est appelée la plus petite
tribu contenant C, ou tribu engendrée par C et notée σ(C) :
\
σ(C) := A.
A tribu, C⊆A

Définition
On appelle tribu borélienne sur IR (ou tribu des boréliens de IR) la
tribu engendrée par les intervalles ouverts de IR et on note B(IR) ou
B
ZaherIR . (E. N. P. de Constantine)
Mohdeb 5 / 73
Notion de variables aléatoires réelles

Proposition
La tribu BIR des boréliens de IR est engendrée par
i) la famille des intervalles ouverts bornés,
ii) la famille des intervalles de la forme ] − ∞, a[ avec a ∈ IR,
iii) la famille des intervalles de la forme ] − ∞, a] avec a ∈ IR.

Définition
Soit (Ω, A, P) un espace probabilisé. On appelle variable aléatoire réelle
définie
 sur (Ω, A), l’application
 X de Ω dans IR
X : (Ω, A) −→ (IR, BIR ) , telle que l’image réciproque par X de tout
intervalle ] − ∞, x] est un événement de A, c’est-à-dire
X −1 (] − ∞, x]) ∈ A, ∀x ∈ IR.

Remarque : Dire que X est une variable aléatoire réelle sur (Ω, A) revient
à dire ∀B ∈ BIR , X −1 (B) ∈ A, puisque la famille des intervalles de la
forme ] − ∞, x] , avec x ∈ IR, engendrent la tribu des boréliens B IR .
Zaher Mohdeb (E. N. P. de Constantine) 6 / 73
Notion de variables aléatoires réelles

Exemple : Soient (Ω, A, P) un espace probabilisé et A un événement de


A. On appelle fonction indicatrice de l’événement A la fonction notée 1I A
(ou IA ) définie de (Ω, A) dans (IR, BIR ) par

1 si ω ∈ A,
1IA (ω) =
0 si ω ∈ / A.

La fonction indicatrice 1IA est clairement une variable aléatoire car pour
tout borélien B dans BIR , on a


 A si 0∈
/B et 1 ∈ B,
CΩ A si 0∈B et 1 ∈
/ B,

(1IA )−1 (B) = {ω ∈ Ω : 1IA (ω) ∈ B} =

 Ω si 0∈B et 1 ∈ B,
∅ si 0∈
/B et 1 ∈
/B

(1)
et ∅, A, CΩ A et Ω sont des événements de A.

Zaher Mohdeb (E. N. P. de Constantine) 7 / 73


Notion de variables aléatoires réelles

Ou bien, on peut faire le raisonnement suivant. Soit x un nombre réel


quelconque, on a :

(1IA )−1 (] − ∞, x]) = {ω ∈ Ω : 1IA (ω) ≤ x}



 ∅ si x < 0,
= CΩ A si 0 ≤ x < 1,
Ω si x ≥ 1

et ∅, CΩ A et Ω sont des événements de A.

Zaher Mohdeb (E. N. P. de Constantine) 8 / 73


Notion de variables aléatoires réelles

Proposition
Soit X une variable aléatoire réelle définie sur un espace probabilisé
(Ω, A, P) à valeurs dans un espace probabilisable (IR, BIR ). Alors la
famille des parties {X −1 (B) : B ∈ BIR } est une tribu (ou σ-algèbre)
de Ω, appelée tribu engendrée par X .
On note σ(X ) cette tribu de parties de Ω et on remarquera que σ(X )
est une sous-tribu de la tribu A de Ω.

Exemple : Reprenons l’exemple de la fonction indicatrice 1I A définie


de (Ω, A) dans (IR, BIR ).
D’après la relation (1), la tribu engendrée par la fonction indicatrice
1IA est donnée par σ(1IA ) = {∅, Ω, A, CΩ A}.

Zaher Mohdeb (E. N. P. de Constantine) 9 / 73


Notion de variables aléatoires réelles

2- Variables aléatoires discrètes


2.1- Préliminaires- Définitions : - Considérons l’expérience qui consite à
jeter trois fois une pièce, la probabilité de tomber sur ”pile” étant p à
chaque fois. Supposons qu’à chaque jet donnant ”pile”, on gagne un Dinar
et qu’à chaque jet donnant ”face” on en perde un.
Intéressons nous au gain total, soit X cette quantité. L’espace des
épreuves Ω correspondant est formé des éléments suivant :
PPP, PPF , PFP, FPP, PFF , FPF , FFP, FFF .
La quantité X ne peut prendre que les valeurs +3, +1, −1, −3 ; mais nous
ne pouvons dire avec certitude laquelle ; cela dépend de résultat de notre
expérience.
Posons q = 1 − p et résumons dans le tableau suivant la liste des valeurs
de X correspondant à chacun des événements avec leurs probabilités
respectives.

Zaher Mohdeb (E. N. P. de Constantine) 10 / 73


Notion de variables aléatoires réelles
ω PPP PPF PFP FPP PFF FPF FFP FFF
X (ω) 3 1 1 1 −1 −1 −1 −3
P({ω}) p3 p2q p2q p2q pq 2 pq 2 pq 2 q3
X est donc une fonction à valeurs réelles définie sur l’espace de
probabilité correspondant à l’expérience.
Considérons l’événement {ω ∈ Ω/X (ω) = −1}, il est formé de trois
éléments PPF , FPF , FFP et donc la probabilité de cet événement est
égale à 3pq 2 et nous écrivons en abrégé

P(X = −1) = 3pq 2 .

A chaque valeur possible x de X est attaché le nombre P(X = x).


X est un exemple de variable aléatoire (en abrégé v.a.) discrète.

Zaher Mohdeb (E. N. P. de Constantine) 11 / 73


Notion de variables aléatoires réelles

Définition
Une variable aléatoire (v.a.) discrète sur un espace probabilisé
(Ω, A, P) est une application définie sur Ω prenant un nombre fini ou
dénombrable de valeurs réelles {x1 , x2 , . . .} telle que ∀xi ∈ X (Ω),
X −1 ({xi }) ∈ A.

Définition
Soit X une variable aléatoire réelle discrète sur (Ω, A, P) et
X (Ω) = {xi , i ∈ I }. On appelle tribu engendrée par X , notée σ(X )
(ou AX ), la sous-tribu de A engendrée par la famille des
{X −1 ({xi }), i ∈ I }.

Remarque : La tribu engendrée par X apparaı̂t comme l’ensemble


des événements qui peuvent être décrits au moyen de X .

Zaher Mohdeb (E. N. P. de Constantine) 12 / 73


Notion de variables aléatoires réelles

2.2- Loi de probabilité d’une variable aléatoire réelle


Définition
Soit X une variable aléatoire définie sur l’espace probabilisé (Ω, A, P) à
valeurs dans l’espace probabilisable (IR, B IR ), (où BIR est la tribu des
boréliens de IR), on appelle loi de probabilité (ou distribution) de la
variable aléatoire X , la probabilité P X sur (IR, BIR ) définie par

∀B ∈ BIR , PX (B) = P[X −1 (B)]


notation
= P({ω ∈ Ω/X (ω) ∈ B}) = P(X ∈ B) .

Notation : PX ({x}) = P(X = x), PX (B) = P(X ∈ B).


Remarque : Si X est une variable aléatoire réelle discrète définie sur
(Ω, A, P) telle que X (Ω) = {xi , i ∈ I ⊆ IN}, la loi de probabilité de X est
déterminée par la donnée de tous les (P(X = x i ), xi ∈ X (Ω)).
Zaher Mohdeb (E. N. P. de Constantine) 13 / 73
Notion de variables aléatoires réelles

Définition
La fonction f définie sur IR par f (x) = P(X = x) est appelée fonction
densité discrète de X .
Propriétés : La densité discrète f d’une variable aléatoire X vérifie
a) f (x) ≥ 0, ∀x ∈ IR,
b) {x ∈ IR/f (x) 6= 0} est un sous-ensemble fini ou dénombrable
{x1X, x2 , . . .} de IR.
c) f (xi ) = 1.
i

Définition
Deux variables aléatoires réelles discrètes X et Y définies sur le même
espace probabilité (Ω, A, P) sont dites presque sûrement égales si

P({ω ∈ Ω/X (ω) 6= Y (ω)}) = 0, on note X =Y p.s.

Zaher Mohdeb (E. N. P. de Constantine) 14 / 73


Notion de variables aléatoires réelles

2.3- Loi usuelles discrètes


- Loi de Bernoulli
Définition
Une expérience qui a deux résultats possibles (représentés en général par
échec et succès) est appelée expérience de Bernoulli.

Remarque : Si on note échec par ”e” et succès par ”s”, l’espace


probabilisé correspondant à cette expérience est (Ω, A, P), où Ω = {e, s},
A = P(Ω) et la probabilité P est déterminée par P({s}) = p et
P({e}) = q = 1 − p.

Définition
L’application X de Ω dans {0, 1} telle que X (e) = 0, X (s) = 1,
P(X = 1) = p et P(X = 0) = 1 − p est appelée variable aléatoire de
Bernoulli de paramètre p notée B(p).

Zaher Mohdeb (E. N. P. de Constantine) 15 / 73


Notion de variables aléatoires réelles

- Loi binomiale
Considérons n répétitions indépendantes d’une expérience de Bernoulli
(pile-face, succès-échec, boule rouge - boule blanche) de probabilités
respectives p et q = 1 − p.

si succès à la i eme épreuve avec une probabilité p



1
Xi =
0 si échec à la i eme épreuve avec une probabilité q = 1 − p,
i = 1, 2, . . P
. , n.
Soit Sn = ni=1 Xi : le nombre de succès au cours des n répétitions. Il est
clair que Sn peut prendre les valeurs 0, 1, 2, . . . , n. Essayons de déterminer
la probabilité P(Sn = k), où k ∈ {0, 1, . . . , n}.
On a Sn = k, si les k variables Xi prenant la valeur 1, les (n − k) autres
prenant la valeur 0. L’événement {S n = k} peut donc être considéré
comme la réunion de Ckn événements disjoints tels que k et k seulement
des Xi prennent la valeur 1. Ces événements sont équiprobables et il suffit
de calculer la probabilité de l’un d’eux.
Zaher Mohdeb (E. N. P. de Constantine) 16 / 73
Notion de variables aléatoires réelles

On a aussi, compte tenu de l’indépendance des X i (car pour tout


i = 1, . . . , n, Xi est lié à la i ieme répétition et que les n répétitions sont
indépendantes)

P{(X1 = 1) ∩ (X2 = 1) ∩ . . . ∩ (Xk = 1) ∩ (Xk+1 = 0) ∩ . . . ∩ (Xn = 0)}


= P(X1 = 1)P(X2 = 1) . . . P(Xk = 1)P(Xk+1 = 0) . . . P(Xn = 0)
= p k q n−k ,

d’où
Ckn p k q n−k

si k = 0, 1, . . . , n
P(Sn = k) = (2)
0 sinon.
Cette distribution est l’une des plus importantes de la théorie des
probabilités, appelée distribution binomilale car son k ieme terme b(k, n, p)
est le k ieme terme du développement de (p + q)n . On note Sn ∼ B(n, p).

Zaher Mohdeb (E. N. P. de Constantine) 17 / 73


Notion de variables aléatoires réelles

Remarques
i ) La loi binomiale décrit des phénomènes ne pouvant prendre que
deux états s’excluant mutuellement, par exemple : succès ou échec
dans un jeu, bonne pièce ou pièce défectueuse dans une fabrication,
lot acceptable ou lot refusé, défaillance ou fonctionnement d’un
matériel, etc. . .
ii ) Elle est utilisée dans le domaine technique pour déterminer la
probabilité de défaillance à la sollicitation de matériels, en contrôle
qualité, mais elle ne peut s’appliquer rigoureusement que si les
expériences sont non exhaustives, c’est la loi du tirage avec remise.
iii ) Les événements considérés doivent être indépendants et la
probabilité de réalisation d’un événement doit être constante.

Zaher Mohdeb (E. N. P. de Constantine) 18 / 73


Notion de variables aléatoires réelles

- Loi hypergéométrique
Considérons une population de N objets parmi lesquels M sont d’un
type et N − M d’un second type.
Supposons que nous tirions un échantillon aléatoire (tirage sans
remise) de taille n ≤ N de la population.
Soit X le nombre d’objets du 1er type dans l’échantillon de taille n. Il
est clair que le nombre k d’objets du premier type et donc (n − k)
objets du second type dans l’échantillon de taille n doivent vérifier les
conditions suivantes :
 
 0 ≤ k ≤n  0 ≤ k ≤n
0 ≤ k ≤M ⇐⇒ 0 ≤ k ≤M
 0 ≤ n−k ≤ N −M  n−N +M ≤ k ≤ n.

Zaher Mohdeb (E. N. P. de Constantine) 19 / 73


Notion de variables aléatoires réelles

Donc X est une variable aléatoire dont les valeurs possibles varient entre
max(0, n − N + M) et min(n, M), avec
 k n−k
 CM CN−M
P(X = k) = n si k = max(0, n − N + M), . . . , min(n, M)
C N
0 sinon,

(3)
où n, M, N sont des entiers tels que n ≤ N et M ≤ N. On dira que X suit
une loi hypergéométrique de paramètres N, n, M
N et on note
X ∼ H(N, n, M N ).
Remarque : Notons que si n ≤ M et n ≤ N − M, alors la formule donnée
par (3) s’écrit
 k n−k
 CM CN−M
P(X = k) = si k = 0, 1, . . . , n (4)
CnN
0 sinon.

Zaher Mohdeb (E. N. P. de Constantine) 20 / 73


Notion de variables aléatoires réelles

- Loi de Poisson
Définition
Soit λ un nombre réel positif. On dit que la variable aléatoire X suit une
loi de Poisson de paramètre λ, si X est une variable aléatoire discrète
prenant la valeur entière n avec la probabilité

 e −λ λk
P(X = k) = si k = 0, 1, 2, . . . (5)
k!
 0 sinon.

On note X ∼ P(λ).

Remarques : 1) - Notons que la suite p n = P(X = n) définit bien une loi


de probabilité. En effet, on a : i) pn ≥ 0, ∀n ∈ IN,
∞ ∞ ∞
X X e −λ λn −λ
X λn
ii) pn = =e = e −λ e λ = 1.
n! n!
n=0 n=0 n=0
Zaher Mohdeb (E. N. P. de Constantine) 21 / 73
Notion de variables aléatoires réelles

2) - Sous certaines conditions, une distribution binomilale peut être


approchée par une distribution de Poisson (n > 50 et p < 0, 10).
En effet, si X ∼ B(n, p), on a

P(X = k) = Ckn p k (1 − p)n−k


1
= n(n − 1) . . . (n − k + 1) p k (1 − p)n−k
k! 
nk k −1
   
1 2
= 1− 1− ... 1− p k (1 − p)n−k .
k! n n n
Posons λ = np et supposons que λ reste constant lorsque n
augmente (ce qui sous-entend que p décroit).

Zaher Mohdeb (E. N. P. de Constantine) 22 / 73


Notion de variables aléatoires réelles

On a
      n
1 1 2 k −1 k λ 1
P(X = k) = 1− 1− ... 1 − λ 1− .
k! n n n n (1 − λn )k
 n
λ
Lorque n −→ ∞, 1− −→ e −λ , d’où
n

e −λ λk
P(X = k) = Ckn p k (1 − p)n−k −→ , quand n −→ ∞ .
k!
La distribution binomiale B(n, p) peut être approximée par une
distribution de Poisson de paramètre λ = np , dès que n > 50 et
p < 0, 10.

Zaher Mohdeb (E. N. P. de Constantine) 23 / 73


Notion de variables aléatoires réelles

- Loi géométrique
Supposons qu’une expérience admette deux résultats possibles
appelés succès et échec notés respectivement ”s” et ”e” tels que
P(s) = p et P(e) = 1 − p = q.
Répétons cette expérience (répétitions indépendantes) et définissons
la variable aléatoire X représentant ”le nombre de répétitions de
l’expérience nécessaires à l’obtention du premier succès”.
Pour calculer P(X = k), on note Ak l’événement : ”obtenir un succès
à la k ieme répétition de l’expérience”. A cause de l’indépendance des
répétitions de l’expérience, il est clair que

P(X = k) = P(A1 ∩ . . . ∩ Ak−1 ∩ Ak )


= P(A1 ) . . . P(Ak−1 )P(Ak )
= (1 − p)k−1 p .

Zaher Mohdeb (E. N. P. de Constantine) 24 / 73


Notion de variables aléatoires réelles

Définition
On dit qu’une variable aléatoire X suit une loi géométrique de
paramètre p et on note X ∼ G(p), si

P(X = k) = (1 − p)k−1 p, ∀k ∈ IN∗ = {1, 2, . . .} . (6)

Remarque : Notons que la suite pk = P(X = k), k ∈ IN∗ définit


bien une loi de probabilité.
En effet, on a :
i ) pk ≥ 0, ∀k ∈ IN∗ ,
+∞ +∞ +∞
X X
k−1
X 1
ii ) pk = (1 − p) p = p (1 − p)k−1 = p = 1.
k=1 k=1 k=1
1 − (1 − p)

Zaher Mohdeb (E. N. P. de Constantine) 25 / 73


Notion de variables aléatoires réelles

3- Variables aléatoires continues, fonction de répartition


3.1- Définition, fonction de répartition
Dans la section précédente, nous avons considéré des variables aléatoires
discrètes, mais on peut trouver de nombreuses situations dans lesquelles
les variables aléatoires naturelles à considérer sont continues, en particulier
les mesures de quantités physiques comme par exemple : les coordonnées
spatiales, le poids, le temps, la température, la durée de vie d’une batterie
de voiture, l’heure d’arrivée des voitures à un péage donné d’autoroute,
sont mieux décrites par des variables aléatoires continues, c’est-à-dire des
variables aléatoires dont les valeurs possibles sont des intervalles (ou une
réunion d’intervalles) de IR.

Zaher Mohdeb (E. N. P. de Constantine) 26 / 73


Notion de variables aléatoires réelles

Définition
Soit (Ω, A, P) un espace probabilisé. Une variable aléatoire X continue est
une application de (Ω, A, P) dans IR pour laquelle la fonction F X qui à x
notation
appartenant à IR associe P({ω ∈ Ω/X (ω) ≤ x}) = P(X ≤ x) est bien
définie et continue.
La fonction FX est appelée fonction de répartition (en abrégé f.r.) de la
variable aléatoire X ,

FX (x) = P(X ≤ x), ∀x ∈ IR .

Zaher Mohdeb (E. N. P. de Constantine) 27 / 73


Notion de variables aléatoires réelles

Propriétés
i) FX (+∞) = lim FX (x) = 1 et FX (−∞) = lim FX (x) = 0.
x→+∞ x→−∞
En effet, on a FX (+∞) = lim P({ω ∈ Ω/X (ω) ≤ x}) = P(Ω) = 1
x→+∞
et FX (−∞) = lim P({ω ∈ Ω/X (ω) ≤ x}) = P(∅) = 0.
x→−∞

ii) ∀ x1 , x2 ∈ IR tels que x1 < x2 , on a

P(x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ) .

En effet, on a
{ω ∈ Ω/X (ω) ≤ x2 } = {ω ∈ Ω/X (ω) ≤ x1 } ∪ {ω ∈ Ω/x1 < X (ω) ≤ x2 }
=⇒ P(X ≤ x2 ) = P(X ≤ x1 ) + P(x1 < X ≤ x2 )
=⇒ P(x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ).

Zaher Mohdeb (E. N. P. de Constantine) 28 / 73


Notion de variables aléatoires réelles

iii ) P(x1 < X < x2 ) = FX (x2− ) − FX (x1 ) , où FX (x2− ) = lim FX (x).
<
x → x2
En effet, on a {ω ∈ Ω/X (ω) < x2 } = {ω ∈ Ω/X (ω) ≤ x1 } ∪ {ω ∈
Ω/x1 < X (ω) < x2 },
comme P(X < x2 ) = lim P(X ≤ x) = lim FX (x) = FX (x2− ),
< <
x → x2 x → x2
d’où
FX (x2− ) = FX (x1 ) + P(x1 < X < x2 ).
iv ) FX est monotone non décroissante.
En effet, soit x1 , x2 ∈ IR tels que x1 < x2 , on a
0 ≤ P(x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ) =⇒ FX (x1 ) ≤ FX (x2 ).

Zaher Mohdeb (E. N. P. de Constantine) 29 / 73


Notion de variables aléatoires réelles

v ) FX est continue à droite.


>
En effet, soit (xn )n∈IN une suite de nombres réels tels que x n → x, quand
n → +∞, il s’agit de montrer que lim FX (xn ) = FX (x).
n→+∞
On a xn & x et x0 > x1 > x2 > . . . > xn > . . .
Considérons les intervalles ]xi , xi −1 ], i = 1, 2, . . . Ces intervalles sont deux
à deux disjoints et ]x, x0 ] = ∪ ]xi , xi −1 ], donc
i ≥1
   
FX (x0 ) − FX (x) = P X ∈]x, x0 ] = P X ∈ ∪ ]xi , xi −1 ]
i ≥1
X   X
= P X ∈]xi , xi −1 ] = P(xi < X ≤ xi −1 )
i ≥1 i ≥1
Xh i
= FX (xi −1 ) − FX (xi )
i ≥1
n h
X i
= lim FX (xi −1 ) − FX (xi )
n→+∞
i =1
Zaher Mohdeb (E. N. P. de Constantine) 30 / 73
Notion de variables aléatoires réelles

d’où
h
FX (x0 ) − FX (x) = lim FX (x0 ) − FX (x1 ) + FX (x1 ) − FX (x2 )
n→+∞
i
+ . . . + FX (xn−1 ) − FX (xn )
h i
= lim FX (x0 ) − FX (xn )
n→+∞
= FX (x0 ) − lim FX (xn ) ,
n→+∞

ainsi
FX (x) = lim FX (xn ) .
n→+∞

Zaher Mohdeb (E. N. P. de Constantine) 31 / 73


Notion de variables aléatoires réelles

vi) P(X = a) = 0 ⇐⇒ FX est continue en a.


En effet,
a) Supposons que P(X = a) = 0, montrons que F X est continue en a.
On sait que FX est continue à droite en tout point de IR, il s’agit donc de
montrer que FX est continue à gauche en a.
On a
lim FX (x) = lim P(X ≤ x) = P(X ≤ a− )
< <
x →a x →a
= P(X ≤ a− ) + P(X = a) = P(X ≤ a) .
b) Supposons maintenant que FX est continue en a, montrons que
P(X = a) = 0.
On a, d’après la continuité de FX en a,
lim FX (x) = FX (a) = P(X ≤ a)
<
x →a
Zaher Mohdeb (E. N. P. de Constantine) 32 / 73
Notion de variables aléatoires réelles

et

P(X ≤ a) = P(X = a) + P(X ≤ a − )


FX (a) = P(X = a) + lim FX (x)
<
x →a
= P(X = a) + FX (a) ,

d’où P(X = a) = 0.
Remarque
On en déduit que si X est une v.a. réelle continue, alors P(X = x) = 0,
∀x ∈ IR.

Zaher Mohdeb (E. N. P. de Constantine) 33 / 73


Notion de variables aléatoires réelles

Types de fonction de répartition


(i) Fonction de répartition d’une variable aléatoire discrète
Soit X une variable aléatoire discrète définie de (Ω, A, P) dans (IR, B IR )),
avec X (Ω) = {x1 , x2 , . . . , xn , . . .}. La fonction de répartition de la variable
aléatoire X s’écrit
  X
FX (x) = P(X ≤ x) = P ∪ {X = xi } = P(X = xi ) .
xi ≤x
xi ≤x

FX est donc une fonction en escalier constante sur tout intervalle ne


contenant pas de points de X (Ω) et admettant un saut d’amplitude égal à
P(X = xi ) en chaque point xi , i = 1, 2, . . . , n, . . . Le saut en un point x i
est égal à

FX (xi ) − FX (xi− ) = P(xi− < X ≤ xi ) = P(X = xi ) .

Zaher Mohdeb (E. N. P. de Constantine) 34 / 73


Notion de variables aléatoires réelles

1 F.r. d’une v.a. discrète

0.5

y=F (x)
X

x 0 x x x ....
1 2 3 4

Figure: Fonction de répartition d’une variable aléatoire réelle discrète.

Zaher Mohdeb (E. N. P. de Constantine) 35 / 73


Notion de variables aléatoires réelles

(ii) Fonction de répartition d’une variable aléatoire continue

Définition
Soit F la fonction de répartition d’une variable aléatoire réelle X , s’il existe
une fonction f positive, intégrable au sens de Riemann et telle que
Z x
∀x ∈ IR, F (x) = f (t) dt ,
−∞

f est appelée densité de probabilité de la loi de X .

Propriétés  
dF (x)
a) F 0 (x) = f (x) , = f (x) ,
dx
Z +∞
b) f (t) dt = F (+∞) − F (−∞) = 1 ,
−∞

Zaher Mohdeb (E. N. P. de Constantine) 36 / 73


Notion de variables aléatoires réelles
Z b
c) P(a ≤ X ≤ b) = P(a < X < b) = f (t) dt,
a
d) P(x < X ≤ x + dx) = f (x) dx, Z +∞
e) Soit g une fonction positive, telle que g (t) dt = 1, alors la
Z x −∞

fonction définie par G (x) = g (t) dt est la fonction de répartition


−∞
d’une loi dont g est la densité de probabilité.
Exemple : Soit X une variable aléatoire continue dont la loi admet pour
densité de probabilité

c(4x − 2x 2 ) si 0 < x < 2



f (x) =
0 sinon.

1) Déterminer la valeur de la constante réelle c.


2) Calculer P(X > 1).

Zaher Mohdeb (E. N. P. de Constantine) 37 / 73


Notion de variables aléatoires réelles

Solution
1) f étant une densité de probabilité de la loi de la variable aléatoire X , on
doit avoir
i) fZ(x) ≥ 0, ∀x ∈ IR, ce qui entraine que c ≥ 0,
+∞
ii) f (t) dt = 1, ce qui entraı̂ne que
−∞

2 2
2x 3

8 3
Z
2 2
1=c (4x − 2x ) dx = c 2 x − = c =⇒ c= .
0 3 0 3 8
+∞ 2
3 1
Z Z
2) P(X > 1) = f (x) dx = (4x − 2x 2 ) dx = .
1 8 1 2

Zaher Mohdeb (E. N. P. de Constantine) 38 / 73


Notion de variables aléatoires réelles

3.2- Lois usuelles continues


- Loi uniforme
Définition
- Une loi de probabilité P de support [a, b] (avec a et b deux nombres réels
distincts) définie sur (IR, BIR ) est dite uniforme sur cet intervalle, si elle
admet une densité de probabilité de la forme

 1
si x ∈ [a b]
f (x) = b−a (7)
 0 sinon .

On note U([a, b]) la loi uniforme sur [a, b].


- On dira qu’une v.a. réelle X suit une loi uniforme sur l’intervalle [a, b], si
sa loi de probabilité admet une densité de probabilité de la forme (7) et on
note X ∼ U([a, b]).

Zaher Mohdeb (E. N. P. de Constantine) 39 / 73


Notion de variables aléatoires réelles

- Loi normale
Définition
- Une loi de probabilité P définie sur (IR, B IR ) est appelée loi normale de
paramètres m et σ, si elle admet une densité de probabilité de la forme
1 1 x −m 2
f (x) = √ e − 2 ( σ ) , ∀x ∈ IR . (8)
σ 2π

On note N (m, σ 2 ) la loi normale de paramètres m et σ.


- On dira qu’une v.a. réelle X suit une loi normale N (m, σ 2 ), si sa loi de
probabilité admet une densité de probabilité de la forme (8) et on note
X ∼ N (m, σ 2 ).
- Si m = 0 et σ 2 = 1, la loi est dite loi normale centrée réduite notée
X ∼ N (0, 1).

Zaher Mohdeb (E. N. P. de Constantine) 40 / 73


Notion de variables aléatoires réelles

Remarques : i) La loi normale est également appelée loi de


Laplace-Gauss où simplement loi gaussienne.
X −m
ii) Si X ∼ N (m, σ 2 ), alors Y = ∼ N (0, 1).
σ
En effet, soit FY la fonction de répartition de la v.a. Y . Pour tout y ∈ IR,
on a
X −m
 
FY (y ) = P(Y ≤ y ) = P ≤ y = P(X ≤ σy +m) = FX (σy +m) ,
σ
où FX est la fonction de répartition de la v.a. X . La densité de probabilité
fY de la loi de Y est donnée par
d d
fY (y ) = FY (y ) = FX (σy + m) = σFX0 (σy + m) = σfX (σy + m) ,
dy dy
où fX est la densité de probabilité de la loi normale N (m, σ 2 ), d’où
1 y2
fY (y ) = √ e − 2 , ∀y ∈ IR .

Zaher Mohdeb (E. N. P. de Constantine) 41 / 73
Notion de variables aléatoires réelles

- Loi de Cauchy
Définition
- Une loi de probabilité P définie sur (IR, B IR ) est appelée loi de Cauchy de
paramètres réels a et b (avec a > 0), si elle admet une densité de
probabilité de la forme
 
1 a
f (x) = , ∀x ∈ IR . (9)
π a2 + (x − b)2

Remarque : La courbe de la fonction de densité d’une loi de Cauchy


rappelle celle d’une loi normale, à savoir une forme de cloche, mais avec
un étalement plus large. En effet, on peut le constater sur les courbes de la
représentation (2) suivante pour une loi de Cauchy avec a = 1 et b = 0 et
une loi normale centrée réduite N (0, 1).

Zaher Mohdeb (E. N. P. de Constantine) 42 / 73


Notion de variables aléatoires réelles

0.4
y=f (x)
1
0.35

0.3

0.25

0.2
y

0.15

0.1 y=f (x)


2

0.05

−10 −5 0 5 10
x

x2
Figure: Courbe de la densité d’une loi normale N (0, 1) : f1 (x) = √1 e − 2 ,

1
ainsi que celle de la densité d’une loi de Cauchy : f 2 (x) = π(1+x 2) .

Zaher Mohdeb (E. N. P. de Constantine) 43 / 73


Notion de variables aléatoires réelles

- Loi exponentielle
Définition
- Une loi de probabilité P définie sur (IR, B IR ) est appelée loi exponentielle
de paramètre réel λ > 0, si elle admet une densité de probabilité de la
forme
λ e −λx si x > 0

f (x) = (10)
0 sinon .

Remarques :
- La loi de probabilité exponentielle peut être associée aux processus de
Poisson. En effet, un tel processus génère des événements dont les temps
d’occurrence sont indépendants et distribués suivant une loi exponentielle.
- La loi de probabilité exponentielle de paramètre λ est également utilisée
en fiabilité. Le paramètre λ représente le taux de défaillance d’un appareil
et son inverse 1/λ désigne le temps moyen de bon fonctionnement.
Zaher Mohdeb (E. N. P. de Constantine) 44 / 73
Notion de variables aléatoires réelles

- Loi Gamma
Définition
- Soient a et b deux nombres réels strictement positifs. Une loi de
probabilité P définie sur (IR, BIR ) est appelée loi Gamma de paramètres a
et b, si elle admet une densité de probabilité de la forme
 a
 b x a−1 e −bx si x > 0
f (x) = Γ(a) (11)
0 sinon ,

où Γ(.)Rest la fonction Gamma d’Euler définie, pour a > 0, par


+∞
Γ(a) = 0 e −x x a−1 dx.
Cette loi de probabilité est identifiée par la notation Γ(a, b).

Zaher Mohdeb (E. N. P. de Constantine) 45 / 73


Notion de variables aléatoires réelles

Remarques :
i) Dans le cas particulier a = 1, on retrouve la loi exponentielle de
paramètre λ = b.
ii) La loi Γ(a, b) peut être utilisée pour modéliser un certain nombre de
phénomènes aléatoires. Par exemple :
- Dans la théorie des files d’attente, la loi gamma représente la loi de
probabilité d’occurrence de a événements (a étant un entier), dans un
processus poissonnien. Si le temps T , entre les défaillances successives
d’un système, suit une loi exponentielle, le temps cumulé d’apparitions de
b défaillances suit une loi Γ(a, b),
- En fiabilité, la loi Γ(a, b) peut être utilisée pour modéliser les temps de
défaillance d’un matériel.

Zaher Mohdeb (E. N. P. de Constantine) 46 / 73


Notion de variables aléatoires réelles

4- Moments d’une variable aléatoire


4.1- Espérance mathématique d’une variable aléatoire discrète
Soit X une variable aléatoire réelle définie sur un espace probabilisé
(Ω, A, P), telle que X (Ω) = {x1 , x2 , . . . , xn , . . .} et pn = P(X = xn ),
n = 1, 2, . . . les probabilités correspondantes. Si on fait un grand nombre
N d’observations, on aura, d’après la signification de la probabilité, environ
Np1 observations X = x1 , Np2 observations X = x2 , etc . . ..
En faisant la moyenne arithmétique des valeurs de X fournies par les N
observations, on obtiendra une valeur proche de
1h i X
(Np1 ) x1 + (Np2 ) x2 + . . . + (Npn ) xn + . . . = pk xk , (12)
N
k≥1
P
avec i ≥1 Npi = N.

Zaher Mohdeb (E. N. P. de Constantine) 47 / 73


Notion de variables aléatoires réelles
P
Nous sommes amenés ainsi à considérer la série k≥1 xk pk . Si on définit
E (X ) comme étant la moyenne arithmétique des valeurs x k pondérées par
les pk , il faut supposer que la série du second membre de (12) soit
absolument convergente.
Si X peut prendre une infinité de valeurs, E (X ) peut ne pas exister ; par
exemple pour la variable aléatoire X telle que
1

 si n = 1, 2, . . .
pn = P(X = n) = n(n + 1)
 0 sinon.
On vérifie que la suite (pn ) forme bien une probabilité, en effet

X X 1 X 1 1

pn = = −
n(n + 1) n n+1
n≥1 n≥1 n≥1
n    
X 1 1 1
= lim − = lim 1− = 1.
n→+∞ k k +1 n→+∞ n+1
k=1
Zaher Mohdeb (E. N. P. de Constantine) 48 / 73
Notion de variables aléatoires réelles

Mais l’espérance correspondant n’est pas finie, car


X X 1
kpk = = +∞ .
k +1
k≥1 k≥1

Ceci nous conduit à la définition suivante.


Définition
Soit X une variableP aléatoire réelle discrète, prenant les valeurs x i ,
i = 1, 2, . . ., si k≥1 |xk |P(X = xk ) < +∞, on dit que X a une espérance
finie. L’espérance de X est alors
X
E (X ) = xk P(X = xk ) .
k≥1

Sinon, on dit que X n’a pas d’espérance.


On appelle aussi espérance l’application, E : X −→ E (X ).
Zaher Mohdeb (E. N. P. de Constantine) 49 / 73
Notion de variables aléatoires réelles

Remarques : - L’espérance mathématique d’une variable


aléatoire Z est souvent utilisée pour représenter le centre
de la distribution de Z .
- L’espérance est exactement analogue au concept
physique de centre de gravité d’une distribution de masse.
Imaginons l’ensemble IR comme une corde avec une
masse P(Z = z1) en z1, P(Z = z2 ) en z2 , . . . La masse
unité est distribuée le long de IR. Le point équilibre est le
centre de gravité situé en E (Z ).

Zaher Mohdeb (E. N. P. de Constantine) 50 / 73


Notion de variables aléatoires réelles

Exemples
a) Espérance mathématique de la distribution binomiale
Si X ∼ B(n, p), alors E (X ) = np. En effet, on a
n
X n
X n
X
E (X ) = kP(X = k) = kCkn p k (1 − p) n−k
= kCkn p k (1 − p)n−k .
k=0 k=0 k=1

Or, kCkn = nCk−1


n−1 , donc

n
X n
X
E (X ) = nCk−1 k
n−1 p (1 − p) n−k
= np Ck−1
n−1 p
k−1
(1 − p)n−k
k=1 k=1
n−1
Cjn−1 p j (1 − p)n−1−j = np [p + (1 − p)]n−1 = np ,
X
= np
j=0

où l’on a posé j = k − 1.


Zaher Mohdeb (E. N. P. de Constantine) 51 / 73
Notion de variables aléatoires réelles

b) Espérance mathématique de la distribution hypergéométrique


Soit X une variable aléatoire de distribution hypergéométrique de
Mn
paramètres N, n, M
N , alors E (X ) = N .
En effet, supposons que n ≤ M et n ≤ N − M, on a
Ck Cn−k
P(X = k) = M nN−M , k = 0, 1, . . . , n et
CN
n n n
X X CkM Cn−k
N−M
X CkM Cn−k
N−M
E (X ) = kP(X = k) = k n = k n
CN CN
k=0 k=0 k=1

Or kCkM = MCk−1 n n−1


M−1 et nCN = NCN−1 , donc

n k−1 n−k n−1 j n−1−j


Mn X CM−1 CN−M Mn X CM−1 CN−M Mn
E (X ) = n−1 = n−1 = ,
N CN−1 N CN−1 N
k=1 j=0

où l’on a posé j = k − 1 .


Zaher Mohdeb (E. N. P. de Constantine) 52 / 73
Notion de variables aléatoires réelles

c) Espérance mathématique de la distribution de Poisson P(λ)


Soit X une variable aléatoire de loi de Poisson de paramètre λ, alors
E (X ) = λ.
En effet, on a
+∞ +∞
X X e −λ λk
E (X ) = kP(X = k) = k
k!
k=0 k=0
+∞
−λ
X λk−1
= λe
(k − 1)!
k=1
+∞
X λj
= λe −λ = λe −λ e λ = λ ,
j!
j=0

où l’on a posé j = k − 1.

Zaher Mohdeb (E. N. P. de Constantine) 53 / 73


Notion de variables aléatoires réelles

4.2- Cas où la loi de la variable aléatoire X admet une densité


de probabilité

Définition
Soit X une variable aléatoire dont la loi admet pour densité de
Z +∞
probabilité f , si |x|f (x) dx < +∞, l’espérance de X est
−∞
Z +∞
E (X ) = xf (x) dx .
−∞

Zaher Mohdeb (E. N. P. de Constantine) 54 / 73


Notion de variables aléatoires réelles

Exemples
a) Distribution exponentielle
Soit X une variable aléatoire de loi exponentielle de paramètre λ > 0, sa
densité de probabilité s’écrit

λe −λx si x > 0

f (x) =
0 sinon.

Il est facile de vérifier queR f est bien une densité de probabilité ( (i)
+∞
f (x) ≥ 0, ∀x ∈ IR et (ii) −∞ f (x) dx = 1).
Par ailleurs, on a
Z +∞ Z +∞
1
E (X ) = xf (x) dx = xλe −λx dx = (intégration par parties).
−∞ 0 λ

Zaher Mohdeb (E. N. P. de Constantine) 55 / 73


Notion de variables aléatoires réelles

b) Distribution uniforme sur [a, b]


Soit X une variable aléatoire de loi uniforme sur [a, b], sa densité de
probabilité a pour expression

 1
si x ∈ [a, b]
f (x) = b−a
 0 sinon.

On a
+∞
b !
b
1 1 x 2 a+b
Z Z
E (X ) = xf (x) dx = x dx = = .
−∞ 0 b−a b−a 2 a 2

Zaher Mohdeb (E. N. P. de Constantine) 56 / 73


Notion de variables aléatoires réelles

c) Distribution de Cauchy
Soit X une variable aléatoire de loi de Cauchy dont la loi a pour densité de
probabilité donnée par
1
f (x) = , ∀x ∈ IR.
π(1 + x 2 )

La variable aléatoire X n’a pas d’espérance car


Z +∞ Z +∞
|x| x
2)
dx = 2 dx
−∞ π(1 + x 0 π(1 + x 2)
+∞ !
2 1
Log(1 + x 2 )

= = +∞ .
π 2 0

Zaher Mohdeb (E. N. P. de Constantine) 57 / 73


Notion de variables aléatoires réelles

4.3- Espérance d’une fonction d’une variable aléatoire


Soient X une variable aléatoire réelle définie sur l’espace probabilisé
(Ω, A, P) et Z = g (X ) une variable aléatoire fonction de la variable
aléatoire X . Pour calculer E (Z ) on peut d’abord déterminer sa loi à
partir de celle de X et ensuite utiliser la définition de l’espérance
mathématique. Toutefois, il est possible de montrer que l’on peut
directement calculer E (Z ) sur la loi de X .
Définition
Soient (E , E) et (F , F ) deux espaces mesurables, on dira que la
fonction ϕ définie de (E , E) et (F , F ) est mesurable si pour tout
B ∈ F , ϕ−1 (B) appartient à E.

Zaher Mohdeb (E. N. P. de Constantine) 58 / 73


Notion de variables aléatoires réelles

Théorème
Soit X une variable aléatoire réelle discrète prenant les valeurs x 1 , x2 , . . . et
ϕ une application mesurable de (IR, B IR ) dans (IR, BIR ), alors la variable
aléatoire
P Z = ϕ(X ) a une espérance finie si et seulement si
i ≥1 |ϕ(x i )|P(X = xi ) < +∞ et alors
X
E (Z ) = E (ϕ(X )) = ϕ(xi )P(X = xi ) .
i ≥1

Démonstration : Soient X une variable aléatoire réelle discrète définie


sur (Ω, A, P) et ϕ une application mesurable de (IR, B IR ) dans (IR, BIR ).
On note z1 , z2 , . . . les valeurs possibles de la variable aléatoire Z = ϕ(X ),
c’est-à-dire Z (Ω) = {z1 , z2 , . . .} .

Zaher Mohdeb (E. N. P. de Constantine) 59 / 73


Notion de variables aléatoires réelles

Pour tout zj ∈ Z (Ω), il existe au moins xi ∈ IR tel que ϕ(xi ) = zj , mais il


peut y avoir plusieurs. Soient Aj = {xi ∈ IR / ϕ(xi ) = zj } donc
{ω ∈ Ω / Z (ω) = zj } = {ω ∈ Ω / X (ω) ∈ Aj }
et
  X
P(Z = zj ) = P(X ∈ Aj ) = P ∪ {X = x} = P(X = x) .
x∈Aj
x∈Aj

Pour qu’on puisse parler de l’espérance de Z , il faut que


P
j≥1 |zj |P(Z = zj ) soit finie. Or
X X X
|zj |P(Z = zj ) = |zj | P(X = xi )
j≥1 j≥1 {i ≥1 / xi ∈Aj }
X X
= |zj |P(X = xi )
j≥1 {i ≥1 / xi ∈Aj }

Zaher Mohdeb (E. N. P. de Constantine) 60 / 73


Notion de variables aléatoires réelles

et pour xi ∈ Aj , on a ϕ(xi ) = zj , donc


X X X
|zj |P(Z = zj ) = |ϕ(xi )|P(X = xi )
j≥1 j≥1 {i ≥1 / xi ∈Aj }
X
= |ϕ(xi )|P(X = xi ) .
i ≥1

En faisant un raisonnement analoque sans valeur absolue, on montre que


X X
E (Z ) = zj P(Z = zj ) = ϕ(xi )P(X = xi ) .
j≥1 i ≥1

Théorème
Si X est une variable aléatoire continue telle que sa loi admet pour densité
de probabilité f et ϕ une application continue de IR dans IR, alors si
Z ∞   Z ∞
|ϕ(x)|f (x) dx < ∞ , on a : E ϕ(X ) = ϕ(x)f (x) dx .
−∞ −∞
Zaher Mohdeb (E. N. P. de Constantine) 61 / 73
Notion de variables aléatoires réelles

Exemple : Considérons la variable aléatoire X de loi uniforme sur


l’intervalle [0, 1]. Sa fonction de répartition est

 0 si x < 0
FX (x) = x si 0 ≤ x ≤ 1
1 si x > 1

et sa densité 
1 si 0 ≤ x ≤ 1
fX (x) =
0 ailleurs.
Considérons la variable aléatoire Z = X 2 . Calculons d’abord E (Z ) en
établissant la loi de Z . Soit FZ la fonction de répartition de Z , on a
 √ √ √
2 P(− z ≤ X ≤ z) = FX ( z) si z > 0
FZ (z) = P(X ≤ z) =
0 sinon,

puisque FX (x) = 0, ∀x < 0.


Zaher Mohdeb (E. N. P. de Constantine) 62 / 73
Notion de variables aléatoires réelles

Donc

 √0 si z ≤0

FZ (z) = z si 0< z ≤1 ⇐⇒ 0<z ≤1

1 si z>1 ⇐⇒ z > 1.

Ainsi la densité de probabilité de la loi de Z = X 2 est donnée par


1

dFZ (z)  √ si 0 < z ≤ 1
fZ (z) = = 2 z
dz  0 ailleurs.
D’où,
∞ 1 1 √
1 z 1
Z Z Z
E (Z ) = zfZ (z) dz = z √ dz = dz = .
−∞ 0 2 z 0 2 3
Calculons maintenant directement
Z ∞ 1
1
Z
E (Z ) = E (X 2 ) = x 2 fX (x) dx = x 2 dx = .
−∞ 0 3
Zaher Mohdeb (E. N. P. de Constantine) 63 / 73
Notion de variables aléatoires réelles

4.3- Linéarité de l’opérateur E (.)


Pout toute combinaison linéaire αg (X ) + βh(X ) de fonctions g et h de X ,
on a :      
E αg (X ) + βh(X ) = αE g (X ) + βE h(X ) .

Ceci découle immédiatement des théorèmes 1, 2 et de la linéarité de la


sommation ou de l’intégration.
Voyons cela sur le cas particulier αX + β, pour le cas d’une variable
aléatoire réelle X discrète prenant les valeurs x 1 , x2 , . . . :
X
E (αX + β) = (αxi + β)P(X = xi )
i ≥1
X X
= α xi P(X = xi ) + β P(X = xi )
i ≥1 i ≥1
= αE (X ) + β .

Zaher Mohdeb (E. N. P. de Constantine) 64 / 73


Notion de variables aléatoires réelles

Remarques : - Notons que l’on peut voir β comme une variable


aléatoire certaine, c’est-à-dire prenant cette seule valeur avec
probabilité égale à 1 et en cohérence avec la définition de l’espérance
mathématique, écrire par convention E (β) = β.
- On notera
 également
 que dans le cas général E (g (X )) n’est pas
égal à g E (X ) , par exemple E (X 2 ) 6= [E (X )]2 .

Zaher Mohdeb (E. N. P. de Constantine) 65 / 73


Notion de variables aléatoires réelles

4.5- Moments et moments centrés

Définition
Soit X une variable aléatoire réelle et r un entier positif ou nul. On dira
que X a un moment d’ordre r si X r a une espérance finie. Dans ce cas, on
définit le moment d’ordre r par E (X r ).

Remarques : - Si X est une variable aléatoire discrète prenant les valeurs


x1 , x2 , . . ., d’après le Théorème 1,
X
E (X r ) = xir P(X = xi ) .
i ≥1

- Si X est une variable aléatoire continue dont la loi admet poutr densité
de probabilité f , d’après le Théorème 2,
Z ∞
r
E (X ) = x r f (x) dx .
−∞

Zaher Mohdeb (E. N. P. de Constantine) 66 / 73


Notion de variables aléatoires réelles

Définition
On appelle moment centré d’ordre r de la variable aléatoire X , où r est un
entier positif ou nul, la valeur (si elle existe)
 
µr = E (X − µ)r , où µ = E (X ) .

Remarques :
- i) Pour r = 1 on a E (X − µ) = E (X ) − µ = µ − µ = 0 ce qui caractérise
le centrage de X.
- ii) Si la variable aléatoire X a un moment d’ordre r , il a un moment
d’ordre k pour k ≤ r .

Zaher Mohdeb (E. N. P. de Constantine) 67 / 73


Notion de variables aléatoires réelles

En effet, on a
|X |r −1 ≤ |X |r + 1 ,
car
si |X | ≥ 1, |X |r −1 ≤ |X |r =⇒ |X |r −1 ≤ |X |r + 1 ,
si |X | ≤ 1, |X |r −1 ≤ 1 =⇒ |X |r −1 ≤ 1 + |X |r .

Ce qui entraine que si X est une variable aléatoire discrète prenant les
valeurs x1 , x1 , . . ., on a
X X X
|xi |r −1 P(X = x) ≤ |xi |r P(X = x) + P(X = x) ,
i ≥1 i ≥1 i ≥1

r P(X r −1 P(X
P P
comme i ≥1 |xi | = x) < ∞ =⇒ i ≥1 |xi | = x) < ∞.

Zaher Mohdeb (E. N. P. de Constantine) 68 / 73


Notion de variables aléatoires réelles

4.5- Variance
Soit X une variable aléatoire réelle, son moment centré d’ordre r s’écrit
h ir 
µr = E X − E (X ) .

Pour r = 2, on a ce qu’on appelle la variance de X , qui est une


caractéristique de mesure de dispersion de la distribution de X comme en
statistique descriptive et qui mérite ainsi une attention particulière.
Définition
Soit X une variable aléatoire ayant un moment d’ordre deux fini. On
définit la variance de X notée Var (X ) par
h i2 
Var (X ) = E X − E (X ) .

Zaher Mohdeb (E. N. P. de Constantine) 69 / 73


Notion de variables aléatoires réelles

En développant l’expression de la variance et en utilisant la linéarité de


l’espérance, on a également une autre écriture de la variance utilisée
souvent dans les calculs :
n h i2 o
Var (X ) = E X 2 − 2XE (X ) + E (X )
h i2
= E (X 2 ) − 2E (X )E (X ) + E (X ) ,
d’où h i2
Var (X ) = E (X 2 ) − E (X ) .

Définition
On définit l’écart-type de la variable aléatoire X noté σ X par
p
σX = Var (X ) .

Zaher Mohdeb (E. N. P. de Constantine) 70 / 73


Notion de variables aléatoires réelles

Remarque : La variance mesure l’étendue de la dispersion de la


distribution de la variable aléatoire X par rapport à µ = E (X ). C’est
l’analogue du moment d’inertie en mécanique. Plus X dévie de sa valeur
moyenne µ, plus (X − µ)2 augmente et donc plus la variance de X est
grande.
Propriétés :
- i) Var (a) = 0, où a est une constante réelle.
h i2 
En effet, on a Var (a) = E a − E (a) = E (0) = 0, car E (a) = a.
- ii) Var (aX + b) = a2 Var (X ), où a et b sont des constantes réelles.
En effet, on a
nh i2 o
Var (aX + b) = E (aX + b) − E (aX + b)
nh i2 o nh i2 o
= E aX − aE (X ) = a2 E X − E (X ) ,
= a2 Var (X ) .
Zaher Mohdeb (E. N. P. de Constantine) 71 / 73
Notion de variables aléatoires réelles

Exemples :
- i) Soit X une variable aléatoire de loi de Poisson de paramètre λ,
(X ∼ P(λ)). On a E (X ) = λ et
h i2
Var (X ) = E (X 2 ) − E (X ) = E (X 2 ) − λ2 .

Par ailleurs
X X e −λ λk
E (X 2 ) = k 2 P(X = k) = k2
k!
k≥0 k≥0
X e −λ λk X e −λ λk
= k(k − 1) + k ,
k! k!
k≥0 k≥0

où l’on a remplacé k 2 par k(k − 1) + k

Zaher Mohdeb (E. N. P. de Constantine) 72 / 73


Notion de variables aléatoires réelles

X e −λ λk X λj
E (X 2 ) = + λ = λ2 e −λ + λ = λ2 + λ ,
(k − 2)! j!
k≥2 k≥0
où on a posé j = k − 2, d’où Var (X ) = λ .

- ii) Soit X une variable aléatoire continue de loi exponentielle de


paramètre α > 0, sa densité de probabilité a pour expression
α e −αx si x > 0 ,

f (x) =
0 sinon.
On a Z ∞ Z ∞
2 2
E (X ) = x f (x) dx = x 2 α e −αx dx
−∞ 0
2
En intégrant deux fois par parties, on obtient E (X 2 ) = .
α
1 2 1 1
Par ailleurs, E (X ) = , donc Var (X ) = − = .
α α α α
Zaher Mohdeb (E. N. P. de Constantine) 73 / 73