Probabilités Ch6

Probabilités
Moments de variables aléatoires

Institut National de Statistique et d’Économie Appliquée
Vendredi 04 octobre 2023

"La probabilité n’est pas la seule quantité qu’il soit intéressant d’étudier dans
les questions dépendant du hasard ; il est très différent d’avoir une chance sur
dix de gagner 100 francs ou une chance sur dix de gagner un million ; c’est
cette considération qui conduit à la notion d’espérance mathématique".
Le jeu, la chance et le hasard, de Louis Bachelier (1914), chapitre 4.
2 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Probabilités
Moments de variables aléatoires
1 Définition et propriétés
2 Formule de transfert
3 Espérance de variables aléatoires indépendantes
4 Variance, covariance et corrélation

Variance d’une v.a.
Covariance
Corrélation

1 Définition et propriétés

Définition et propriétés
Intégrabilité des v.a.
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
Soit X : Ω −→ R une variable aléatoire à densité. Elle est dite intégrable

si Z
|x|fX (x)dx < +∞.
R

Espérance
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
▶ Si X est à densité par : Z

E[X] = xfX (x)dx.
R
Le caractère intégrable et l’espérance d’une variable aléatoire ne

dépendent que de sa loi
L
X = Y ⇒ E[X] = E[Y].

Espérance
L’espérance d’une variable aléatoire est, lorsqu’elle existe, la moyenne

des valeurs de cette variable, pondérées par leurs probabilités de
réalisation.
Problème de définition pour une variable ni continue ni discrète !
Solution :
▶ On peut donc considérer l’intégrale de X par rapport à sa mesure de
probabilité P : Z
X(ω)dP(ω),
Ω
Cette intégrale, quand elle existe, est appelée espérance mathématique de
X.
L’espérance est une intégrale (au sens de Lebesgue) par rapport à une
mesure.

Exemples
Exemple 1
On lance n pièces. Soit X le nombre de piles obtenus ;
▶ Déterminer E[X].

Exemples
Exemple 1 : (Correction)
▶ X est une v.a. positive à valeurs dans {0, . . . , n}, et
!
n −n
P(X = k) = 2 ;
k
▶ Son espérance est donc donnée par :

n
X
E[X] = kP(X = k)
k=0
n
!
X n −n
= k 2
k=1
k
n
!
X n − 1 −n n
= n 2 = n2n−1 2−n = .
k=1
k − 1 2

Exemples : Lois discrètes
Exemples : Lois discrètes

Si X ∼ B(p) :
E[X] = p;
Si X ∼ Bin(n, p) :
E[X] = np;
Si X ∼ P(λ) :
E[X] = λ;
Si X ∼ Geo(p) :
1
E[X] = .
p

Exemples : Lois continues
Exemple : Lois continues
Soit X v.a. uniforme sur [a, b], i.e. une variable continue de densité
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
Soit X v.a. de loi exponentielle de paramètre λ > 0
fX (x) = λe−λx 11R+ (x).
son espérance vérifie,

Z
1
E[X] = xfx (x)dx = .
R+ λ
Propriétés de l’espérance
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].
▶ Convergence dominée : Si Y est positive et intégrable,
Xn −→ X et |Xn | ≤ Y, ∀n ∈ N ⇒ E[Xn ] −→ E[X].

Exemples
Exemple
▶ 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}
E[Xi ] = E[11{Xi =1} ] = P(Xi = 1) = 1/2.

▶ L’espérance de X est obtenue grâce à la linéarité
n
X n
E[X] = E[Xi ] = .
i=1
2

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[XY]2 ≤ E[X 2 ]E[Y 2 ].
L’égalité est atteinte si et seulement si ∃c ∈ R telle que Y = cX p.s.

▶ Inégalité de Markov : Si X est positive
E[X]
P(X ≥ a) ≤ , ∀a > 0.
a
▶ Inégalité de Jensen : Soit φ : R −→ R une fonction convexe, telle que φ(X)

soit intégrable. On a alors :
φ (E[X]) ≤ E [φ(X)] .

Preuves :
▶ Inégalité de Cauchy–Schwarz : On considère la fonction
h i
φ : x → E (xX − Y)2 ,
φ est positive et s’écrit sous forme d’un polynôme du second degré dont le
discriminant vérifie

∆ = 4 E[XY]2 − E[X 2 ]E[Y 2 ] ≤ 0.
▶ Inégalité de Markov :
⋆ Si X est une v.a. positive discrète, alors ∀a > 0
X X X
E[X] = xP(X = x) = xP(X = x) + xP(X = x)
x∈SX x∈SX ;x≥a x∈SX ;x<a
X
≥a P(X = x) = aP(X ≥ a).
x∈SX ;x≥a
⋆ Si X est une v.a. positive à densité, alors ∀a > 0
Z +∞ Z a Z +∞
E[X] = xfX (x)dx = xfX (x)dx + xfX (x)dx
0 0 a
Z +∞
≥a fX (x)dx = aP(X ≥ a).
a
⋆ Le cas général : fX (x)dx → PX (dx).
▶ Inégalité de Jensen : Exercice 8, TD3.
2 Formule de transfert

Formule de transfert
Rappels
Rappelons que dans un espace mesuré (Ω, A, µ) :

▶ 11A (x) = 11{x∈A} pour tout A ∈ A et x ∈ Ω ;
▶ Pour tout A ∈ A Z
11A dµ = µ(A).
Ω
Pour tout ensemble borélien B

Z
E[11B (X)] = E[11{X∈B} ] = 11{X(ω)∈B} P(dω)
Ω
= P(X ∈ B) = PX (B)
Z
= 11B (x)PX (dx).
R
Les fonctions mesurables positives sont des limites croissantes de

fonction étagées positives.

Rappelons que la loi de X, notée PX , est une mesure de probabilité sur

(R, B(R)) définie par :
PX (B) := P(X ∈ B), ∀B ∈ B(R).
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
L’espérance de f (X) est l’intégrale de f par rapport à la mesure PX .

Cas discret
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

Cas continu
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

Exemples
Un exemple ni discret ni continu

Soit X une v.a. uniforme sur [a, b] ;
Posons Y = max(X, E[X]) ;
Alors :
▶ P(Y ≤ y) = 0, ∀y < E[X] ;
▶ P(Y ≤ y) = P(X ≤ y) pour y ≥ E[X] ;
▶ E[X] = a+b
2
.
La variable Y n’est pas continue
puisque

a+b
P Y= = 1/2. Figure – La fonction de répartition de Y
2 (X ∼ U[0,1] )
La variable Y n’est pas non plus
discrète puisque sa fonction de
répartition n’est pas en escalier.

Exemples
Un exemple ni discret ni continu

Soit X une v.a. uniforme sur [a, b] ;
Posons Y = max(X, E[X]) ;
Y peut s’écrire sous la forme
Y = E[X]11{X≤E[X]} + X11{X>E[X]} .
Par linéarité de l’espérance :
E[Y] = E[X]E[11{X≤E[X]} ] + E[X11{X>E[X]} ]

Z b
= E[X]P(X ≤ E[X]) + xfX (x)dx.
E[X]

3 Espérance de variables aléatoires indépendantes

Espérance de variables aléatoires indépendantes
Rappelons que deux v.a. réelles X et Y sont indépendantes si
P (X ∈ A, Y ∈ B) = P (X ∈ A) P (Y ∈ B) , ∀A, B ∈ B(R).
Si X et Y sont deux v.a. indépendantes, et f , g : R −→ R deux fonctions

mesurables, alors f (X) et g(Y) sont aussi des v.a. indépendantes.
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)].

4 Variance, covariance et corrélation
Covariance
Corrélation

On dit que X est une v.a. de carré intégrable si E[X 2 ] < +∞.

On définit la variance d’une variable aléatoire X, de carré intégrable, par
2
Var(X) = E[(X − E[X]) ].
La variance mesure la déviation de X par rapport à sa moyenne.

Exemple
Exemple
▶ Déterminer Var(X).

Exemple
Exemple (Solution)
▶ 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
▶ D’après la formule de transfert on a :

n n
!
X X n −n
E[X(X − 1)] = k(k − 1)P(X = k) = k(k − 1) 2
k=2 k=2
k
n
!
X n−2 n(n − 1)
= n(n − 1)2−n = .
k=2
k − 2 4
▶ On en déduit Var(X) = E[X(X − 1)] + E[X] − E[X]2 = n

4

Propriétés de la variance
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
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
P(X ≥ a) ≤ P (φ(X) ≥ φ(a)) .
▶ Pour tout a tel que φ(a) > 0, par l’inégalité de Markov
E[φ(X)]
P (φ(X) ≥ φ(a)) ≤ .
φ(a)

Inégalité de Tchébychev
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
Un outil pour mesurer la dépendance linéaire entre deux variables
aléatoires,
Covariance
On appelle covariance de deux variables aléatoires X et Y de carrés
intégrables la quantité
Cov (X, Y) := E [(X − E[X]) (Y − E[Y])] .
La covariance est nulle pour deux variables indépendantes, mais la

réciproque est fausse.
Contre Exemple
▶ X ∼ U[−1,1] , Y = X 2 ;
▶ E[X] = E[X 3 ] = 0 !

Covariance
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
Cov (αX + βY, Z) = αCov (X, Z) + βCov (Y, Z) ,
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.

Covariance
Variance d’une somme
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
Si X1 , . . . , Xn sont indépendantes, alors

n
! n
X X
Var Xi = Var(Xi ).
i=1 i=1

Covariance
Variance d’une somme
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
Un outil pour mesurer la dépendance linéaire entre deux variables

aléatoires,
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 )
La corrélation n’intègre que la composante linéaire de la dépendance
ρ(X1 , X2 ) = ±1 ⇔ ∃ a, b tels que X2 = aX1 + b, p.s.

Exercice
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).

Probabilités Ch6

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilités Ch6

Transféré par

Droits d'auteur :

Formats disponibles

Probabilités

Moments de variables aléatoires

Vendredi 04 octobre 2023

Le jeu, la chance et le hasard, de Louis Bachelier (1914), chapitre 4.

2 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

3 Espérance de variables aléatoires indépendantes

4 Variance, covariance et corrélation

3 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

4 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Soit X : Ω −→ R une variable aléatoire à densité. Elle est dite intégrable

5 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

▶ Si X est à densité par : Z

Le caractère intégrable et l’espérance d’une variable aléatoire ne

6 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

L’espérance d’une variable aléatoire est, lorsqu’elle existe, la moyenne

7 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

8 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

▶ Son espérance est donc donnée par :

9 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Exemples : Lois discrètes

10 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Soit X v.a. de loi exponentielle de paramètre λ > 0

fX (x) = λe−λx 11R+ (x).

son espérance vérifie,

▶ Convergence dominée : Si Y est positive et intégrable,

Xn −→ X et |Xn | ≤ Y, ∀n ∈ N ⇒ E[Xn ] −→ E[X].

12 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

E[Xi ] = E[11{Xi =1} ] = P(Xi = 1) = 1/2.

13 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

E[XY]2 ≤ E[X 2 ]E[Y 2 ].

L’égalité est atteinte si et seulement si ∃c ∈ R telle que Y = cX p.s.

▶ Inégalité de Jensen : Soit φ : R −→ R une fonction convexe, telle que φ(X)

14 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

16 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Rappelons que dans un espace mesuré (Ω, A, µ) :

Pour tout ensemble borélien B

Les fonctions mesurables positives sont des limites croissantes de

17 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Rappelons que la loi de X, notée PX , est une mesure de probabilité sur

PX (B) := P(X ∈ B), ∀B ∈ B(R).

L’espérance de f (X) est l’intégrale de f par rapport à la mesure PX .

18 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

19 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

20 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Un exemple ni discret ni continu

21 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Un exemple ni discret ni continu

Par linéarité de l’espérance :

E[Y] = E[X]E[11{X≤E[X]} ] + E[X11{X>E[X]} ]

22 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

23 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Rappelons que deux v.a. réelles X et Y sont indépendantes si

Si X et Y sont deux v.a. indépendantes, et f , g : R −→ R deux fonctions

24 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

25 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

Variance d’une v.a.

La variance mesure la déviation de X par rapport à sa moyenne.

26 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

27 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

▶ D’après la formule de transfert on a :

▶ On en déduit Var(X) = E[X(X − 1)] + E[X] − E[X]2 = n

28 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR

29 / 37 INSEA 2023-2024 Probabilités | S1 DS-DSE-DSOR