Académique Documents
Professionnel Documents
Culture Documents
1 Définition et propriétés
2 Formule de transfert
Intégrabilité
Soit X : Ω −→ D ⊂ R une variable aléatoire discrète à valeurs réelles. Elle
est dite intégrable si
X
|x|P(X = x) < +∞.
x∈D
Espérance
Soit X une v.a. intégrable, on définit son espérance,
▶ Si X est discrète de support D par :
X
E[X] = xP(X = x);
x∈D
Exemple 1
On lance n pièces. Soit X le nombre de piles obtenus ;
▶ Déterminer E[X].
Exemple 1 : (Correction)
On lance n pièces. Soit X le nombre de piles obtenus ;
▶ X est une v.a. positive à valeurs dans {0, . . . , n}, et
!
n −n
P(X = k) = 2 ;
k
1
fX (x) = 11[a,b] (x).
b−a
On peut donc calculer son espérance :
Z Z b
1 a+b
E[X] = xfx (x)dx = xdx = .
R b−a a 2
Propriétés
Soient X, Y et (Xn )n des v.a. définies sur un même espace de probabilité
(Ω, A, P), positives ou intégrables. On a alors les propriétés suivantes :
▶ Linéarité :
E[αX + βY] = αE[X] + βE[Y], ∀α, β ∈ R.
▶ Monotonie :
X ≤ Y p.s. ⇒ E[X] ≤ E[Y].
▶ Convergence monotone :
Xn ↗ X ⇒ E[Xn ] ↗ E[X].
Exemple
On lance n pièces. Soit X le nombre de piles obtenus ;
▶ On pose Xi = 1 si le i-ème résultat est pile et Xi = 0 si c’est face.
Donc,
X n
X= Xi .
i=1
▶ On a, pour tout i ∈ {1, . . . , n}
Propriétés
Soient X, Y des v.a. définies sur un même espace de probabilité
(Ω, A, P), intégrables.
▶ Inégalité de Cauchy–Schwarz : Pour X et Y de carré intégrable,
E[X]
P(X ≥ a) ≤ , ∀a > 0.
a
φ (E[X]) ≤ E [φ(X)] .
Proposition
Soit X une variable aléatoire. Soit f : R −→ R une fonction mesurable. On
suppose que f (X) est positive ou PX -intégrable. Alors
Z
E[f (X)] = f (X)PX (dx).
R
Proposition
Soit X : Ω −→ D une v.a. discrète. Soit f : D −→ R une fonction
mesurable. Alors la v.a. f (X) est intégrable si et seulement si
X
|f (x)|P(X = x) < +∞,
x∈D
et dans ce cas
X
E[f (X)] = f (x)P(X = x).
x∈D
Proposition
Soit X : R −→ R une v.a. à densité. Soit h : R −→ R une fonction
mesurable. Alors la v.a. h(X) est intégrable si et seulement si
Z
|h(x)|fX (x)dx < +∞,
R
et dans ce cas Z
E[h(X)] = h(x)fX (x)dx.
R
Y = E[X]11{X≤E[X]} + X11{X>E[X]} .
P (X ∈ A, Y ∈ B) = P (X ∈ A) P (Y ∈ B) , ∀A, B ∈ B(R).
Proposition
Soient X, Y : Ω −→ R deux v.a. indépendantes, et soient f , g : R −→ R
deux fonctions mesurables. Alors si f (X), g(Y) et f (X)g(Y) sont
intégrables,
E[f (X)g(Y)] = E[f (X)]E[g(Y)].
On dit que X est une v.a. de carré intégrable si E[X 2 ] < +∞.
Exemple
On lance n pièces. Soit X le nombre de piles obtenus ;
▶ Déterminer Var(X).
Exemple (Solution)
On lance n pièces. Soit X le nombre de piles obtenus ;
▶ Son espérance est donc donnée par :
n n
! n
!
X X n −n X n − 1 −n n
E[X] = kP(X = k) = k 2 = n 2 = n2n−1 2−n = .
k=0 k=1
k k=1
k − 1 2
Propriétés
Soit X une v.a. de carré intégrable. La variance vérifie les propriétés
suivantes :
▶ Var(X) ≥ 0 ;
▶ Var(X) = 0 ⇔ X = E[X], p.s. ;
▶ Pour tout α ∈ R
Var(αX) = α2 Var(X);
▶ Pour tout α ∈ R
Var(α + X) = Var(X).
Inégalité de Markov
Soit X une v.a. positive et φ une fonction positive, croissante sur X(Ω).
Alors, pour tout a tel que φ(a) > 0 :
E[φ(X)]
P(X ≥ a) ≤ .
φ(a)
Preuve :
▶ φ est une fonction positive et croissante, donc
E[φ(X)]
P (φ(X) ≥ φ(a)) ≤ .
φ(a)
Inégalité de Tchébychev
Soit X une v.a. de carré intégrable. Alors pour tout a > 0,
Var(X)
P (|X − E[X]| ≥ a) ≤ .
a2
Preuve :
▶ Application de l’inégalité de Markov pour Y = |X − E[X]| et φ : x → x2 .
Plus la variance est grande plus X a de chances d’être loin de sa
moyenne ;
L’inégalité de Tchebychev permet d’estimer l’écart entre X et sa moyenne
p 1
P |X − E[X]| ≤ a Var(X) ≥ 1 − 2 .
a
Covariance
On appelle covariance de deux variables aléatoires X et Y de carrés
intégrables la quantité
Contre Exemple
▶ X ∼ U[−1,1] , Y = X 2 ;
▶ E[X] = E[X 3 ] = 0 !
Propriétés
Soit X et Y deux v.a. de carré intégrable.
▶ Cov(X, X) = Var(X) ;
▶ Symétrie : Cov (X, Y) = Cov (Y, X) ;
▶ Pour toute v.a. Z de carré intégrable
pour tout α, β ∈ R ;
▶ Si X et Y sont indépendantes, alors Cov (X, Y) = 0 ;
▶ Si X est une v.a. constante, alors X et Y sont indépendantes et donc
Cov (X, Y) = 0.
Corollaire
Soient X1 , . . . , Xn des variables aléatoires de carré intégrable. Alors
n
! n
X X X
Var Xi = Var(Xi ) + 2 Cov (Xi , Xj ) .
i=1 i=1 1≤i<j≤n
Exemple
On peut retrouver la variance de la loi binomiale. Soient X1 , . . . , Xn des
variables indépendantes
Pn suivant toutes la loi de Bernoulli de paramètre p.
Alors X = i=1 Xi suit la loi binomiale de paramètres n et p
n
X
Var (X) = Var(Xi ) = np(1 − p).
i=1
Corrélation
Le coefficient de corrélation pour deux variables aléatoires X1 et X2 de
carrés intégrables, et de variance non-nulle est défini par :
Cov(X1 , X2 )
ρ(X1 , X2 ) = p ∈ [−1, 1].
Var(X1 )Var(X2 )
Exercice
Soient a, b et p trois réels, avec p ∈ [0, 1] et a a ̸= 0. Soit X une variable
aléatoire de loi
PX = pδ1 + (1 − p)δ0 ,
et soit Y = aX + b.
1 Déterminer E[X], PX2 , E[X 2 ], et Var(X).
2 Déterminer PY , E[Y], et Var(Y).
3 X et Y sont-elles des v.a. indépendantes ?
4 Déterminer PXY , E[XY], Cov(X, Y), et ρ(X, Y).