Académique Documents
Professionnel Documents
Culture Documents
probabilit és
13 juillet 2021
3
TABLE DES MATIÈRES TABLE DES MATIÈRES
Dans le chapitre précédent, on a su écrire un espace probabilisé (Ω, A, P) qui est le modèle pro-
babiliste d’un phénomène (ou expérience) aléatoire E. On savait ainsi calculer la probabilité d’un
événement (une partie probabilisable de Ω ou encore un élément de la tribu A des paries de Ω).
Dans ce chapitre on se propose de définir une fonction qui prend une valeur aléatoire si et seule-
ment si un événement A se produit. Une telle fonction notée X et appelée variable aléatoire permet de
définir un nouvel espace probabilisé (X, B, PX ) attaché à la même expérience aléatoire E. La suite du
chapitre est consacrée à l’étude de telles variables aléatoires et leurs caractéristiques.
5
TABLE DES MATIÈRES TABLE DES MATIÈRES
Définition 3.1.1 Soit (Ω, A , P) un espace probabilisé. On appelle variable aléatoire réelle (v.a.r.)
sur (Ω, A ), toute application X de Ω dans R telle que, pour tout intervalle I de R, X −1 (I) ∈ A .
Notations
notations
X −1 (I) = {ω ∈ Ω | X(ω) ∈ I} = {X ∈ I}
e.g. X −1 (]a, b[) = {a < X < b}
−1
X (] − ∞, x]) = {X 6 x}
X −1 ({x}) = {X = x}
X(Ω) est l’ensemble des valeurs possibles de la variable aléatoireX définie sur (Ω, A ).
Exemple 3.1
On lance 2 dés parfaits. Soit X=somme des chiffres obtenus. On vérifie que Ω a 36 éléments et que
l’application X : Ω −→ R, ωi j 7−→ i + j est telle que X(Ω) = {2, 3, . . . , 11, 12}.
Définition 3.1.2 On appelle vecteur aléatoire définie sur (Ω, A ), toute application X de Ω dans
Rn , (n > 2), qui à tout ω ∈ Ω associe X(ω) = (X1 (ω), . . . , Xn (ω)) telle que pour chaque i, 1 ≤
i ≤ n, l’application Xi : Ω −→ R est une variable aléatoire réelle définie sur (Ω, A ). On note
X = (X1 , X2 , . . . , Xn ).
Si n = 2 le vecteur aléatoire (X1 , X2 ) est dit "couple" de variables aléatoires et dans le cas général
(X1 , X2 , . . . , Xn ) est dit "n-uple" de variables aléatoires.
7
CHAPITRE 3. VARIABLES ALÉATOIRES SUR UN ESPACE PROBABILISÉ 3.2. VARIABLES ALÉATOIRES RÉELLES DISCRÈTES
Définition 3.1.3 Soit (Ω, A , P) un espace probabilisé et X une variable aléatoire sur (Ω, A ).
- On appelle loi de probabilité de la variable aléatoire X, la probabilité PX image de P par X définie
par PX (I) = P[X ∈ I] pour tout intervalle I de R.
- On appelle fonction de répartition de la variable aléatoire X (ou de la loi de X), l’application
F : R −→ R, x 7−→ F(x) = P[X 6 x].
Propriétés 3.1
P1) ∀x ∈ R, F(x) ∈ [0, 1].
P2) F est croissante sur R.
P3) lim F(x) = 0 et lim F(x) = 1.
x→−∞ x→+∞
P4) ∀a, b ∈ R, P[a < X < b] = F(b) − F(a).
Définition 3.2.1 Soit X une variable aléatoire discrète sur (Ω, A , P) telle que X(Ω) = {x1 , x2 , · · · , xn }.
On appelle loi de probabilité de X (ou loi de X) l’ensemble des couples (xi , pi ), 1 6 i 6 n où xi ∈ X(Ω)
et pi = P[X = xi ].
En pratique, pour déterminer la loi de probabilité d’une variable aléatoire discrète X, on détermine
d’abord les valeurs xi susceptibles d’être prises par X formant l’ensemble X(Ω) et on calcul les pi =
P[X = xi ].
Si n est petit, on peut présenter les résultats dans un tableau (xi , pi ), i = 1, 2, . . . , n.
F(x)
X(Ω) = {x1 , x2 , x3 , x4 }
x1 x2 x3 x4
x
Propriétés 3.2
On a
0, si x < x1
k
P
1) F(x) =
pi , si xk 6 x 6 xk+1 , 1 6 k 6 n − 1
i=1
1, si x > xn
Exemple 3.2
Soit X la variable aléatoire discrète dont la loi est définie par
xi -1 1 2
pi 14 12 14
On pose Y = X 2 . Loi de Y ?
Remarque 3.1
. pi j est la probabilité que simultanément X prenne la valeur xi et Y prenne la valeur y j .
. Si p et q sont petits la loi du couple (X, Y) est donnée par un tableau à double entrée :
❍❍
❍❍ Y y1 y2 ··· yj ··· yq
X ❍❍
x1 p11 p12 ··· p1 j ··· p1q
x2 p21 p22 ··· p2 j ··· p2q
.. ..
. .
xi p11 p12 ··· p1 j ··· p1q
.. ..
. .
xp p p1 p p2 ··· pp j ··· p pq
Exemple 3.3
Un sac contient 4 boules numérotées de 1 à 4. On tire deux boules avec remise et on note par X1 et X2
les numéros des boules tirées. Soit X = X1 et Y = sup(X1 , X2 )
a) loi de (X1 , X2 ) ? loi de (X, Y) ?
❍❍
❍❍ Y y1 ··· yj ··· yq pi.
X ❍❍ marge de X
x1 p1.
.. ..
. .
xi pi.
.. ..
. .
xp p p.
p. j p.1 ··· p.q 1
marge de Y
Exemples 1
On prend l’exemple 3.3. On a
Loi marginale de X Loi marginale de Y
Xi 1 2 3 4 Yj 1 2 3 4
4 4 4 4 1 3 5 7
pi. p. j
16 16 16 16 16 16 16 16
P[X = xi , Y = y j ] pi j
pij = P[X = xi | Y = y j ] = = .
P[Y = y j ] p. j
On appelle loi conditionnelle de X sachant Y notée L (X | Y) l’ensemble des couples ((xi , y j ), pij )) i=1,2,...,p, j=
xi 1 2 3 4
1 1 3
P[X = xi | Y = 3] 0
5 5 5
Exemple 3.4
On prend l’exemple 3.3. L (Y | X) est donnée par :
❍❍
❍❍ Y 1 2 3 4
X ❍❍
1 1 1
1 1 3 5 7
2 1 1
2 0 3 5 7
3 1
3 0 0 5 7
4
4 0 0 0 7
Définition 3.4.1 Si (X, Y) est un couple de variable aléatoire discrète de loi ((xi , y j ), pi j )16i6p,16 j6q ,
alors p P
q p p P
q q
P P P P
E(X) = xi pi j = xi pi. , E(Y) = y j pi j = y j p. j
i=1 j=1 i=1 i=1 j=1 j=1
Propriétés 3.3 p
P
(P1) Si h est une fonction de R dans R définie sur X(Ω) alors E(h(X)) = pi h(xi ).
i=1
(P2) ∀a, b ∈ R, E(aX + b) = aE(X) + b.
(P3) E est linéaire : Si X et Y sont deux variables aléatoires sur (Ω, A , P) et si a ∈ R,
E(X + Y) = E(X) + E(Y), E(aX) = aE(X).
Démonstration de (P3)
p P
P q p P
P q p P
P q p
P q
P
On a E(X + Y) = (xi + y j )pi j = xi pi j + y j pi j = xi pi. + y j p. j
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
1 1 1 7
Exemple de calcule de la propriété (P1) (cf exemple3.2) : E(X 2 ) = (−1)2 × +(1)2 × +(2)2 × =
4 2 4 4
Définition 3.4.2 On dit que X est une variable aléatoire centrée si E(X) = 0.
Si X est une variable aléatoire non centrée, la variable aléatoire Y = X − E(X) est centrée.
Proposition 3.1
Soit X et Y deux variables aléatoires discrètes telles que X(Ω) = {x1 , . . . , x p } et Y(Ω) = {y1 , . . . , yq }.
Pp Pq
Alors E(XY) = pi j xi y j .
i=1 j=1
Si X et Y sont indépendantes, on a E(XY) = E(X) × E(Y) (Réciproque fausse).
Exemple 3.6
Soit (X, Y) un couple de variables aléatoires réelles de loi
7
❍❍ On a E(XY) =
❍❍ Y 0 1 2 pi. 10
p
X ❍❍ P 7
1 1 3
E(X) = xi p i. =
0 20 4
0 10 i=1 10
17 1 1 7 q 5
1 60 4 6 10
P
E(Y) = y j p. j =
p. j 1 1 1 j=1 6
3 2 6
E(XY) = E(X)E(Y) mais X et Y ne sont pas y
car P[X = 0, Y = 2] = 0 , P[X = 0] × P[Y = 2].
K
X K
X
2
Var(X) = (xi − E(X)) P[X = xi ] = pi (xi − X)2 = E[X − X]2 .
i=1 i=1
√
On appelle écart-type de X, le nombre réel positif ou nul σX = Var(X).
Propriété 3.1
2
Var(X) = E(X 2 ) − (E(X))2 = X 2 − X .
Remarques 3.1
1) Si X = cte p.s. Var(X) = 0. Réciproquement, Var(X) = 0 ⇒ X = cte p.s.
2) Si a ∈ R, Var(aX) = a2 Var(X) et σaX = |a| σX .
3) Si b ∈ R, Var(X + b) = Var(X) (la variance est invariante par translation par une cte).
Résumé : ∀a, b ∈ R, Var(aX + b) = a2 Var(X).
X − E(X)
Définition 3.4.4 Si σX = 1, on dit que X est réduite, en particulier Y = est dite variable
σX
aléatoire centrée réduite.
- On appelle cœfficient de corrélation de X et Y, le nombre réel noté rXY ou ρXY et défini par
Cov(X, Y) Cov(X, Y)
ρXY = = √ √ .
σ X σY Var(X) Var(Y)
Propriétés 3.4
P1) On a Cov(X, Y) = E(XY) − E(X)E(Y) et si X y Y alors Cov(X, Y) = 0 (réciproque fausse).
P2) On a Var(X) = Cov(X, X).
P3) On a toujours −1 6 ρXY 6 +1 et |ρXY | = 1 si et seulement si ∃ a, b ∈ R/Y = aX + b.
P4) ∀a, b ∈ R, Var(aX + bY) = a2 Var(X) + b2 Var(Y) + 2abCov(X, Y).
P5) var( ni=1 Xi ) = ni=1 var(Xi ) + 2 1≤i< j≤n cov(Xi , X j )
P P P
Démonstration
Pour P1) on suppose X, Y centrées. ∀λ ∈ R, Var(λX + Y) = λ2 σ2X + 2λσXY + σ2Y > 0 donc ∆′ =
σ2XY − σ2X σ2Y 6 0. D’autre part ∆ = 0 (soit ρ2XY = 1) si et seulement si ∃λ/Var(λX + Y) = 0. Par
conséquent λX + Y = cte d’où Y = λX + cte.
Réciproquement si Y = λX + cte, on a ρ2XY = 1.
Les autres propriétés peuvent être démontrées facilement e.g. pour a = 1 et b = −1 dans P4) on a
2 2
E X + Y − E(X + Y) = E (X − E(X)) + (Y − E(Y)) = E(X − E(X))2 + E(Y − E(Y))2 + 2E((X −
E(X))(Y − E(Y))).
Propriété 3.2
Si X1 { B(n, p), X2 { B(m, p) et X1 y X2 , alors X = X1 + X2 { B(n + m, p).
1P n 1P n
On a alors E(X) = xi et Var(X) = x2i − (E(X))2 .
n i=1 n i=1
Proposition 3.2
Si X1 { P(λ), X2 { P(µ) et X1 y X2 , alors X1 + X2 { P(λ + µ).
Démonstration
X1 + X2 prend ses valeurs dans N et ∀n ∈ N :
X X
P[X1 + X2 = n] = P[X1 + X2 = n, X2 = k] = P[X1 = n − k, X2 = n]
k∈N k∈N
n
yce
X X λn−k µk −µ
= P[X1 = n − k]P[X2 = n] = e−λ e
k∈N k=0
(n − k)! k!
n −(λ+µ) Xn
X µk λn−k e
= e−(λ+µ) = Cnk µk λn−k
k=0
k!(n − k)! n! k=0
(λ + µ)n −(λ+µ)
= e .
n!
Propriétés 3.6
Comme pour les variables aléatoires réelles discrètes ou continues on a ∀a, b ∈ R,
1
, si a 6 x 6 b
1 b − a
f (x) = 1[a,b] (x) =
b−a
0,
sinon
a+b (b − a)2
On a alors, E(X) = et Var(X) = . En particulier X { U [0, 1] si sa densité est
2 12
1 1
f (x) = 1[0,1] (x), E(X) = et Var(X) = .
2 12
X−a
On note aussi que X { U [a, b] si et seulement si { U [0, 1].
b−a
On a alors E(X) = µ et Var(X) = σ2 . Lorsque µ = 0 et σ = 1, on dit que X suit la loi normale centrée
réduite (ou loi de Gauss) notée X { N (0, 1) ayant pour densité
1 1 2
ϕ(x) = √ e− 2 x , ∀x ∈ R.
2π
f (x)
Φ(x)
1
√
σ 2π
1
1
2
µ−σ µ µ+σ x µ x
Rx
Graphe de f (x). Elle est symétrique Graphe de Φ(x) = −∞
ϕ(t) dt.
par rapport à la droite d’équation x = µ.
Propriétés 3.7
X−µ
1) X { N (µ, σ) si et seulement si U = { N (0, 1).
σ
hX − µ x − µi x−µ
Donc ∀x ∈ R, F(x) = P[X ≤ x] = P 6 = Φ( ).
σ σ σ
2) ∀x ∈ R, Φ(−x) = 1 − Φ(x).
ϕ(x)
√1
2π
−x 0 x x
Graphe de ϕ(x).
3.7 Exercices
Exo1 : Une urne contient 3 jetons blancs (1 carré et 2 ronds) et 4 jetons noirs (3 carrés et 1 rond). On
tire au hasard et simultanément 3 jetons de l’urne.
a) On appelle X la v.a.r égale au nombre de jetons blancs obtenus lors d’un tirage. Loi de X et E(X) ?
b) Lors d’un tirage on note A l’événement "avoir 3 jetons de même forme" et B l’événement "avoir 3
jetons de même couleur".
Calculer P(A), P(B) et P(AB). A et B sont-ils indépendants ?
Exo2 : Soit X une v.a.r prenant les valeurs -4, -2, 0, 2 et 4 avec les mêmes probabilités. Trouver la loi
de | X | et de X 2 ainsi que leurs valeurs caractéristiques (espérance mathématique et écart-type).
Exo3 : On considère deux dés cubiques identiques non pipés dont les faces sont marquées 0, 0, π3 , π3 ,
4π 4π
3
, 3.
On lance simultanément les deux dés et on lit les résultats α et β de leurs faces supérieures. Soit X la
v.a. qui à chaque lancer des deux dés, associe la valeur sin(α + β).
Loi de X, E(X) et Var(X) ?
Exo6 : Dans un rayon de magasin il y a deux produits a et b (par exemple une table et une chaise). La
probabilité pour qu’un client achète le produit a est 0,3. La probabilité pour qu’il achète le produit b
quand il a acheté le produit a est 0,8 et la probabilité qu’il achète le produit b quand il n’a pas acheté
le produita est 0,1. Le produit a est vendu 10.000F et le produit b est vendu 4.000F. La dépense du
client C dans le rayon est une v.a. X.
a) Calculer E(X) et Var(X).
b) Définir deux v.a. X1 et X2 telle que X = X1 + X2 . Comparer E(X) et E(X1 ) + E(X2 ) et comparer
Var(X) et Var(X1 ) + Var(X2 ).