Vous êtes sur la page 1sur 61

STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 1/41

STT 1900
Méthodes statistiques pour ingénieurs

Chapitre 2

Variables aléatoires à une dimension

Automne 
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 2/41

Plan

1 Introduction

2 La fonction de distribution/répartition

3 Variables aléatoires continues

4 Quelques caractéristiques des distributions

5 Espérance mathématique (section 3.4)


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 3/41
Introduction

Sommaire de la section

1 Introduction
Définitions et notation
Événements et probabilités

2 La fonction de distribution/répartition

3 Variables aléatoires continues

4 Quelques caractéristiques des distributions

5 Espérance mathématique (section 3.4)


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 4/41
Introduction
Définitions et notation

Valeurs réelles et résultats d’une expérience

Dans bien des applications, le résultat d’une expérience


aléatoire est un nombre réel, ou bien l’on assigne une valeur
réelle aux résultats possibles d’une expérience.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 4/41
Introduction
Définitions et notation

Valeurs réelles et résultats d’une expérience

Dans bien des applications, le résultat d’une expérience


aléatoire est un nombre réel, ou bien l’on assigne une valeur
réelle aux résultats possibles d’une expérience.

Exemple :
On tire une pièce de monnaie 2 fois et on associe une valeur
réelle x à chaque élément de l’espace échantillonnal
S = {FF, FP, PF, PP}.
Par exemple on pourrait dire que x vaut 0 si le résultat est FF, x
vaut 1 si le résultat est FP ou PF et x vaut 2 si le résultat est
PP.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 5/41
Introduction
Définitions et notation

Variable aléatoire

En fait pour toute expérience aléatoire E avec espace


échantillonnal S, rien ne nous empêche de définir une fonction,
disons X, qui prend en entrée un résultat de l’expérience
aléatoire (donc e ∈ S) et qui donne en sortie un nombre réel,
x = X(e).
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 5/41
Introduction
Définitions et notation

Variable aléatoire

En fait pour toute expérience aléatoire E avec espace


échantillonnal S, rien ne nous empêche de définir une fonction,
disons X, qui prend en entrée un résultat de l’expérience
aléatoire (donc e ∈ S) et qui donne en sortie un nombre réel,
x = X(e).

Définition
Soit E une expérience aléatoire ayant comme espace
échantillonnal S. Soit X, une fonction qui associe un nombre
réel X(e) à chaque élément e ∈ S. Alors on appelle X une
variable aléatoire.
L’ensemble des valeurs que peut prendre X est dénoté RX et
est appelé image de X.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 6/41
Introduction
Définitions et notation

Un exemple

Soit E , l’expérience où l’on lance un dé régulier et l’on observe


la face du dessus. Donc ici S = {1, 2, 3, 4, 5, 6}. On peut définir
une infinité de variables aléatoires.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 6/41
Introduction
Définitions et notation

Un exemple

Soit E , l’expérience où l’on lance un dé régulier et l’on observe


la face du dessus. Donc ici S = {1, 2, 3, 4, 5, 6}. On peut définir
une infinité de variables aléatoires.
X(e) = e, ∀e ∈ S, c’est-à-dire que X est la variable aléatoire
qui donne le résultat observé ;
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 6/41
Introduction
Définitions et notation

Un exemple

Soit E , l’expérience où l’on lance un dé régulier et l’on observe


la face du dessus. Donc ici S = {1, 2, 3, 4, 5, 6}. On peut définir
une infinité de variables aléatoires.
X(e) = e, ∀e ∈ S, c’est-à-dire que X est la variable aléatoire
qui donne le résultat observé ;
Y (e) = −1, e ∈ {1, 2, 3} et Y (e) = 1, e ∈ {4, 5, 6} ⇒ Par
exemple je gagne 1$ si je roule 4, 5 ou 6 et je perds 1$ si
je roule 1, 2 ou 3 et Y est la variable aléatoire qui
représente mon gain.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 6/41
Introduction
Définitions et notation

Un exemple

Soit E , l’expérience où l’on lance un dé régulier et l’on observe


la face du dessus. Donc ici S = {1, 2, 3, 4, 5, 6}. On peut définir
une infinité de variables aléatoires.
X(e) = e, ∀e ∈ S, c’est-à-dire que X est la variable aléatoire
qui donne le résultat observé ;
Y (e) = −1, e ∈ {1, 2, 3} et Y (e) = 1, e ∈ {4, 5, 6} ⇒ Par
exemple je gagne 1$ si je roule 4, 5 ou 6 et je perds 1$ si
je roule 1, 2 ou 3 et Y est la variable aléatoire qui
représente mon gain.
Ici RX = {1, 2, 3, 4, 5, 6} et RY = {−1, 1}.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 7/41
Introduction
Définitions et notation

Un exemple (suite)
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 8/41
Introduction
Définitions et notation

Un exemple (suite)

e X(e) Y (e)
1
2
3
4
5
6
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 9/41
Introduction
Événements et probabilités

Événements équivalents

Plus tôt nous avons défini un événement A comme étant un


sous-ensemble de S. On peut également définir un événement
de RX comme étant un sous-ensemble de RX .
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 9/41
Introduction
Événements et probabilités

Événements équivalents

Plus tôt nous avons défini un événement A comme étant un


sous-ensemble de S. On peut également définir un événement
de RX comme étant un sous-ensemble de RX .
Définition
Soient S l’espace échantillonnal d’une expérience E , X une v.a.
d’image RX définie sur S, A un événement de S et B un
événement de RX . Alors A et B sont équivalents si

A = {e ∈ S : X(e) ∈ B}.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 10/41
Introduction
Événements et probabilités

Interprétation et retour à l’exemple

Interprétation : Plusieurs événements peuvent être décrits à la


fois en termes de la valeur observée de X et en termes des
résultats de l’expérience.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 10/41
Introduction
Événements et probabilités

Interprétation et retour à l’exemple

Interprétation : Plusieurs événements peuvent être décrits à la


fois en termes de la valeur observée de X et en termes des
résultats de l’expérience.
Retour à l’exemple : Soit le sous-ensemble de S défini par
A = {1, 2, 3} et soit le sous-ensemble de RY défini par B = {−1}.
Alors A et B sont équivalents car ils correspondent exactement
aux mêmes résultats de l’expérience. Autrement dit,
l’événement “j’ai perdu 1$” peut être défini aussi bien en disant
“le dé montre 1, 2 ou 3” qu’en disant “Y prend la valeur -1”.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 11/41
Introduction
Événements et probabilités

Variables aléatoires et probabilités

Soit une v.a. X d’image RX . On peut calculer la probabilité d’un


événement B ∈ RX en trouvant l’événement équivalent A ∈ S et
en calculant la probabilité de ce dernier.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 11/41
Introduction
Événements et probabilités

Variables aléatoires et probabilités

Soit une v.a. X d’image RX . On peut calculer la probabilité d’un


événement B ∈ RX en trouvant l’événement équivalent A ∈ S et
en calculant la probabilité de ce dernier.
Définition
Soit A un événement de S et B un événement de RX , l’image
d’une v.a. X. Si A et B sont équivalents alors la probabilité de B
est
PX (B) = P(A) = P({e ∈ S : X(e) ∈ B}).
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 12/41
Introduction
Événements et probabilités

Retour à l’exemple

Retournons à l’exemple du dé à 6 faces. Supposons que le dé


est balancé. On a

e X(e) Y (e) P(e)


1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 13/41
Introduction
Événements et probabilités

Retour à l’exemple (suite)

Quelle est la probabilité que Y prenne la valeur -1, dénotée


P(Y = −1) ?
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 13/41
Introduction
Événements et probabilités

Retour à l’exemple (suite)

Quelle est la probabilité que Y prenne la valeur -1, dénotée


P(Y = −1) ?
Raisonnement 1 : Y prend la valeur -1 quand le dé
indique 1, 2 ou 3, donc probabilité de 3/6=1/2 ...
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 13/41
Introduction
Événements et probabilités

Retour à l’exemple (suite)

Quelle est la probabilité que Y prenne la valeur -1, dénotée


P(Y = −1) ?
Raisonnement 1 : Y prend la valeur -1 quand le dé
indique 1, 2 ou 3, donc probabilité de 3/6=1/2 ...
Raisonnement 2 : B = {−1} et
A = {e ∈ S : Y (e) ∈ {−1}} = {1, 2, 3}, et
P(A) = P({1, 2, 3}) = 3/6 = 1/2.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 14/41
La fonction de distribution/répartition

Sommaire de la section

1 Introduction

2 La fonction de distribution/répartition

3 Variables aléatoires continues

4 Quelques caractéristiques des distributions

5 Espérance mathématique (section 3.4)


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 15/41
La fonction de distribution/répartition

Description du comportement aléatoire d’une v.a.

Soit x, un nombre réel quelconque. On peut montrer que si


pour une v.a. X nous connaissons la valeur de la fonction
FX : R → [0, 1] définie par

FX (x) = P(X ≤ x) = PX ((−∞, x]) = P({e ∈ S : X(e) ≤ x})

pour toute valeur de x ∈ R, alors nous connaissons


complètement le comportement aléatoire de X (i.e., on peut
calculer la probabilité de n’importe quel événement de RX ).
La fonction FX ainsi définie est appelée fonction de distribution
(ou fonction de répartition ou fonction cumulative) de X.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 16/41
La fonction de distribution/répartition

Retour à l’exemple

Soit l’exemple du dé balancé. Considérons la v.a. Y qui valait -1


avec probabilité 1/2 et 1 avec probabilité 1/2. Quelle est la
fonction de répartition de Y ?
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 17/41
La fonction de distribution/répartition

Retour à l’exemple (suite)


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 18/41
La fonction de distribution/répartition

Un autre exemple

Soit S = {u ∈ R : u ≥ 0} l’ensemble des quantités possibles de pluie


(en mm) à une station météo dans un mois donné. Soit X(u) = u, i.e.,
la v.a. qui représente la quantité de pluie reçue. Un modèle possible
pour le comportement aléatoire de X est

0, x<0
FX (x) = P(X ≤ x) =
1 − e−λ x , x ≥ 0,

où λ est une constante positive.


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 19/41
La fonction de distribution/répartition

Propriétés d’une fonction de répartition

1. 0 ≤ FX (x) ≤ 1 pour tout x ∈ R


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 19/41
La fonction de distribution/répartition

Propriétés d’une fonction de répartition

1. 0 ≤ FX (x) ≤ 1 pour tout x ∈ R


2. lim FX (x) = 0 et lim FX (x) = 1
x→−∞ x→∞
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 19/41
La fonction de distribution/répartition

Propriétés d’une fonction de répartition

1. 0 ≤ FX (x) ≤ 1 pour tout x ∈ R


2. lim FX (x) = 0 et lim FX (x) = 1
x→−∞ x→∞

3. FX (·) est non décroissante, i.e., ∀x1 ≤ x2 , FX (x1 ) ≤ FX (x2 )


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 19/41
La fonction de distribution/répartition

Propriétés d’une fonction de répartition

1. 0 ≤ FX (x) ≤ 1 pour tout x ∈ R


2. lim FX (x) = 0 et lim FX (x) = 1
x→−∞ x→∞

3. FX (·) est non décroissante, i.e., ∀x1 ≤ x2 , FX (x1 ) ≤ FX (x2 )


4. FX (·) est continue à droite, i.e., lim FX (x + s) = FX (x) pour tout
s→0+
x∈R
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 19/41
La fonction de distribution/répartition

Propriétés d’une fonction de répartition

1. 0 ≤ FX (x) ≤ 1 pour tout x ∈ R


2. lim FX (x) = 0 et lim FX (x) = 1
x→−∞ x→∞

3. FX (·) est non décroissante, i.e., ∀x1 ≤ x2 , FX (x1 ) ≤ FX (x2 )


4. FX (·) est continue à droite, i.e., lim FX (x + s) = FX (x) pour tout
s→0+
x∈R

Pour vérifier si une fonction est une fonction de répartition, on


vérifie si elle remplit les 4 propriétés ci-dessus.
De la définition d’une fonction de répartition, on a que pour tout
a < b, P(a < X ≤ b) = FX (b) − FX (a).
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 20/41
La fonction de distribution/répartition

V.a. discrètes et continues

Définition
Si FX (·) est une fonction en escalier continue à droite, alors on
dit que X est une variable aléatoire discrète. Si FX (·) est une
fonction continue, alors on dit que X est une variable aléatoire
continue. Dans ces notes de cours, nous allons nous
concentrer sur les variables aléatoires continues.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 21/41
Variables aléatoires continues

Sommaire de la section

1 Introduction

2 La fonction de distribution/répartition

3 Variables aléatoires continues

4 Quelques caractéristiques des distributions

5 Espérance mathématique (section 3.4)


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 22/41
Variables aléatoires continues

Variables aléatoires continues

Pour une v.a. X continue, FX est continue pour tout x ∈ R. Soit


d
fX (x) = dx FX (x). Alors on a que
Z x
FX (x) = fX (u) du ⇒
−∞
Z b
P(a < X ≤ b) = FX (b) − FX (a) = fX (u) du.
a
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 22/41
Variables aléatoires continues

Variables aléatoires continues

Pour une v.a. X continue, FX est continue pour tout x ∈ R. Soit


d
fX (x) = dx FX (x). Alors on a que
Z x
FX (x) = fX (u) du ⇒
−∞
Z b
P(a < X ≤ b) = FX (b) − FX (a) = fX (u) du.
a

Fait intéressant, comme aa fX (u) du = 0, alors P(X = a) = 0 pour tout


R

a ∈ R dans le cas d’une v.a. continue. Ceci implique que pour une v.a.
continue X, on a
Z b
P(a < X < b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a ≤ X ≤ b) = fX (u) du.
a
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 23/41
Variables aléatoires continues

Propriétés d’une fonction de densité

La fonction fX (·) est appelée fonction de densité de probabilité


(ou fonction de densité) de X.
1. fX (x) ≥ 0 pour tout x ∈ R
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 23/41
Variables aléatoires continues

Propriétés d’une fonction de densité

La fonction fX (·) est appelée fonction de densité de probabilité


(ou fonction de densité) de X.
1. fX (x) ≥ 0 pour tout x ∈ R
R∞
2. −∞ f X (x) dx = 1
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 23/41
Variables aléatoires continues

Propriétés d’une fonction de densité

La fonction fX (·) est appelée fonction de densité de probabilité


(ou fonction de densité) de X.
1. fX (x) ≥ 0 pour tout x ∈ R
R∞
2. −∞ f X (x) dx = 1
3. fX (·) est continue par morceaux
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 23/41
Variables aléatoires continues

Propriétés d’une fonction de densité

La fonction fX (·) est appelée fonction de densité de probabilité


(ou fonction de densité) de X.
1. fX (x) ≥ 0 pour tout x ∈ R
R∞
2. −∞ f X (x) dx = 1
3. fX (·) est continue par morceaux
R
4. si x ∈
/ RX , alors fX (x) = 0 (et donc x∈RX f X (x) dx = 1)
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 24/41
Variables aléatoires continues

Aire sous la densité

fX n’est pas une probabilité (elle peut prendre des valeurs


supérieures à 1), mais son intégrale sur une région donne la
probabilité que X prenne une valeur dans cette région. Comme
fX (x)∆x ≈ FX (x + ∆x) − FX (x) quand ∆x est petit, la densité est
proportionnelle à la probabilité que X prenne une valeur dans le petit
intervalle (x, x + ∆x).
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 25/41
Variables aléatoires continues

Exemple

Soit une v.a. X continue pouvant prendre toute valeur dans l’intervalle
[0, 2]. On vous dit que toutes les valeurs dans [0, 1) sont
équiprobables et que toutes les valeurs dans [1, 2] sont
équiprobables. On vous dit aussi que chaque valeur dans [1, 2] est
deux fois plus probable que chaque valeur dans [0, 1). Trouvez la
densité de X, sa fonction de répartition ainsi que P(1/2 < X < 3/2).
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 26/41
Variables aléatoires continues

Exemple (suite)
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 27/41
Variables aléatoires continues

Retour à l’exemple de la pluie

On avait que la quantité de pluie reçue à la station est une v.a.


X avec FX (x) = 1 − exp(−λ x) pour x ≥ 0, 0 ailleurs. Quelle est la
densité de X ? Quelle est la probabilité que la quantité de pluie
reçue excède z ? Quelle est la probabilité de recevoir entre 10
et 15 mm sachant que l’on recevra au moins 5 mm ?
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 28/41
Variables aléatoires continues

Exemple de la pluie (suite)


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 29/41
Quelques caractéristiques des distributions

Sommaire de la section

1 Introduction

2 La fonction de distribution/répartition

3 Variables aléatoires continues

4 Quelques caractéristiques des distributions

5 Espérance mathématique (section 3.4)


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 30/41
Quelques caractéristiques des distributions

Aspects importants d’une distribution

Comme on l’a vu, la fonction de répartition et la fonction de


probabilité/densité spécifient complètement le comportement
aléatoire (la distribution) d’une v.a. X.
Parfois dans bien des cas, on n’a pas besoin de connaître la
distribution de X en entier, mais seulement quelques unes de
ses caractéristiques qui résument les aspects principaux de
son comportement.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 31/41
Quelques caractéristiques des distributions

Mesure de la tendance centrale : la moyenne

La moyenne d’une v.a. (ou de la distribution d’une v.a.) fournit


une indication sur la tendance centrale (i.e., le milieu) d’une
distribution.
Définition
La moyenne d’une v.a. X est donnée par
Z ∞
µ= x fX (x) dx.
−∞
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 32/41
Quelques caractéristiques des distributions

Exemple

Dans l’exemple de la pluie, on avait fX (x) = λ exp(−λ x) pour x > 0 et


fX (x) = 0 ailleurs. Quelle quantité de pluie tombe-t-il en moyenne ?
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 33/41
Quelques caractéristiques des distributions

Variabilité d’une variable aléatoire

Deux variables aléatoires peuvent avoir la même moyenne, mais


l’une peut avoir tendance à être beaucoup plus variable que l’autre,
i.e., à avoir tendance à prendre des valeurs plus éloignées de sa
moyenne qu’une autre.
Expérience : Essayez l’expérience suivante : roulez 30 dés réguliers.
Définissez X1 comme étant la valeur indiquée par le premier dé et
définissez X2 comme étant la somme des valeurs indiquées par les
30 dés divisée par 30. On peut montrer que X1 et X2 ont la même
moyenne, i.e., 3.5. Cependant, X2 aura tendance à prendre des
valeurs très proches de 3.5, alors que X1 peut prendre n’importe
quelle valeur entre 1 et 6 avec la même probabilité.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 34/41
Quelques caractéristiques des distributions

Demandons à l’ordinateur d’effectuer l’expérience


Voici un exemple de sortie d’ordinateur qui a simulé 12 fois
l’expérience :

X1 X2
[1,] 2 3.633333
[2,] 6 3.666667
[3,] 4 3.933333
[4,] 4 3.633333
[5,] 5 3.833333
[6,] 6 3.600000
[7,] 6 3.400000
[8,] 3 3.166667
[9,] 2 3.766667
[10,] 5 3.066667
[11,] 3 3.566667
[12,] 1 3.300000
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 35/41
Quelques caractéristiques des distributions

Fonctions de probabilité de X1 et X2

La figure ci-dessous montre la fonction de probabilité de X1 en bleu et


celle de X2 en rouge. Même si les deux v.a. ont la même moyenne, on
voit bien que la distribution de X2 est beaucoup plus concentrée
autour de 3.5 que celle de X2 .

(Note : Pour pX2 (x), les barres rouges ne sont pas à l’échelle et
n’apparîssent pas pour toutes les valeurs de RX2 .)
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 36/41
Quelques caractéristiques des distributions

Mesure de dispersion d’une distribution

Il existe quelques mesures de la dispersion, ou de la variabilité,


de la distribution d’une v.a. Les plus populaires sont la variance
et l’écart-type.
Définition
La variance d’une v.a. X (ou de la distribution de X) est
donnée par Z ∞
σ2 = (x − µ)2 fX (x) dx.
−∞

L’écart-type de X est σ = σ 2.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 37/41
Quelques caractéristiques des distributions

Retour à l’exemple

Pluie reçue :
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 38/41
Espérance mathématique (section 3.4)

Sommaire de la section

1 Introduction

2 La fonction de distribution/répartition

3 Variables aléatoires continues

4 Quelques caractéristiques des distributions

5 Espérance mathématique (section 3.4)


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 39/41
Espérance mathématique (section 3.4)

Valeur espérée

Définition
Soit X une v.a. et posons Y = H(X) une fonction de X. Alors
l’espérance mathématique de H(X) (ou de Y ) est définie par
Z ∞
E[Y ] = E[H(X)] = H(x) fX (x) dx.
−∞

Quelques cas particuliers :


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 39/41
Espérance mathématique (section 3.4)

Valeur espérée

Définition
Soit X une v.a. et posons Y = H(X) une fonction de X. Alors
l’espérance mathématique de H(X) (ou de Y ) est définie par
Z ∞
E[Y ] = E[H(X)] = H(x) fX (x) dx.
−∞

Quelques cas particuliers :


H(X) = X ⇒ E[X] = µ, donc la valeur espérée de X, ou
l’espérance de X, ou la moyenne de X sont toutes des
expressions équivalentes pour µ.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 39/41
Espérance mathématique (section 3.4)

Valeur espérée

Définition
Soit X une v.a. et posons Y = H(X) une fonction de X. Alors
l’espérance mathématique de H(X) (ou de Y ) est définie par
Z ∞
E[Y ] = E[H(X)] = H(x) fX (x) dx.
−∞

Quelques cas particuliers :


H(X) = X ⇒ E[X] = µ, donc la valeur espérée de X, ou
l’espérance de X, ou la moyenne de X sont toutes des
expressions équivalentes pour µ.
H(X) = (X − µ)2 ⇒ E[(X − µ)2 ] = V [X] = σ 2 = variance de X.
STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 40/41
Espérance mathématique (section 3.4)

Résultats utiles

E[aX + b] = aE[X] + b Preuve :

V [X] = E[X 2 ] − (E[X])2 Preuve :

V [aX + b] = a2V [X] Preuve :


STT-1900 / Méthodes statistiques pour ingénieurs / Automne 2017 / 41/41
Espérance mathématique (section 3.4)

Retour à l’exemple

Pluie reçue : Les revenus (en centaines de milliers de dollars)


générés par un barrage sont égaux à 10 + 3X. Quelles sont les
valeur espérée et écart-type de ces revenus ?

Vous aimerez peut-être aussi