02 VA Pres

Outline
Notion Élémentaires
Fonction de Répartition
Moments
Fonctions Caractéristiques/Génératrices
Fonctions d’une Variable Aléatoire
Exemples
Traitement Statistique du Signal
École Militaire Polytechnique
1 / 34 2. Variables Aléatoires
Outline
Moments Outline
Exemples
1 Notion Élémentaires
2 Fonction de Répartition
Définition
Propriétés
3 Moments
Espérance Mathématique
Variance
Autres Moments
4 Fonctions Caractéristiques/Génératrices
Fonctions Génératrices
Fonctions Caractéristiques
5 Fonctions d’une Variable Aléatoire
6 Exemples
Outline
Moments Outline
Exemples
2. Variables Aléatoires
Outline
Fonction de Répartition Variable Aléatoire
Moments Variable Aléatoire Discrète
Fonctions Caractéristiques/Génératrices Variable Aléatoire Continue
Exemples
Exemple: lancer de deux dés

Cette expérience se traduit par l’ensemble Ω = {(1, 1), · · · , (6, 6)}, muni de la loi de
probabilité P telle que P(ω) = 1/36, ∀ω ∈ Ω.
Intéressons-nous à la somme des points marqués par les deux dés. On définit ainsi une
application X de Ω dans l’ensemble Ψ = {2, 3, ..., 12}. Pour obtenir la probabilité
d’une valeur quelconque de X , il suffit de dénombrer les ω qui réalisent cette valeur:
P(X = x) = P(X −1 (x)).
Outline
Exemples
Définitions:
Une variable aléatoire réelle est une application mesurable X de (Ω, F (Ω), P) dans <.
X : Ω −→ <
ω 7−→ X (ω)
On appelle loi de probabilité de X , qu’on note PX , la mesure image de P par X .
1 ζ est l’épreuve qui consiste à lancer un dé. La variable aléatoire qui associe au
résultat le numéro de la face apparente peut prendre les valeurs de 1 à 6.
2 en jouant n fois consécutives à pile ou face, le nombre de fois qu’on obtient
l’événement face est une variable aléatoire qui peut prendre les valeurs 0, 1, · · · , n.
3 le nombre de voitures arrivées à un centre de péage pendant un intervalle de
temps donné est une variable aléatoire qui peut prendre les valeurs 0, 1, · · · , n.
4 l’intervalle de temps qui sépare deux entrées successives de clients dans un
magasin est une variable qui peut prendre n’importe quelle valeur positive.
Outline
Exemples
Si l’ensemble des valeurs possibles x1 , · · · , xn d’une variable aléatoire X est fini, elle
est dite discrète finie.
pi = P(X = xi ) est la probabilité que la variable aléatoire prenne la valeur xi .
La loi de probabilité de X est entièrement définie par:

1 l’ensemble de valeurs x1 , · · · , xn que peut prendre X
Pn
2 les valeurs de probabilités non négatives p1 , · · · , pn tq : i=1 pi = 1
Si l’ensemble des valeurs possibles d’une variable aléatoire est dénombrable

x1 , · · · , xn , · · · , elle est dite discrète infinie. P
Les pi = P(X = xi ) doivent satisfaire la condition i pi = 1.
Outline
Exemples
Une variable aléatoire est continue si elle peut prendre toutes les valeurs d’un
intervalle et s’il existe une fonction fX , appelée Densité de Probabilité:
Z b
P(a ≤ X ≤ b) = fX (x)dx.
a
Définitions:
Une loi de probabilité P admet une densité f si, pour tout intervalle I de <, on a:
Z
P(I ) = fX (x)dx.
I
F est alors dérivable et admet f pour dérivée. On a donc

Z b
P(a < X ≤ b) = fX (x)dx = FX (b) − FX (a).
a
Outline
Exemples
R∞
1 fX (x) ≥ 0, ∀x tq −∞ fX (x)dx = 1: une densité f est une fonction positive
d’intégrale égale à 1.
2 l’événement X = x a une probabilité nulle P(X = x) = 0:
∆x−→0
P(x < X < x + ∆x) = F (x + ∆x) − F (x) → 0 puisque F (x) est continue.
ce qui permet d’écrire

P(a < X ≤ b) = P(a ≤ X < b) = P(a ≤ X ≤ b) = P(a < X < b).
P(X ≤ b) − P(X ≤ a) = ab fX (x)dx.
R
3
Outline
Définition
Moments
Propriétés
Exemples
La fonction de répartition FX d’une variable aléatoire X est FX (x) = P(X ≤ x):

Rx
1 X continue: F (x) =
X −∞ fX (x)dx.
P
2 X discrète: F (x) = P(x1 , · · · , x /x1 , · · · , x ≤ x) =
X k k xi ≤x P(X = xi ).
Outline
Définition
Moments
Propriétés
Exemples
Quelques propriétés de la fonction de répartition d’une variable aléatoire:

1 FX positive non décroissante: x2 ≥ x1 ⇒ FX (x2 ) ≥ FX (x1 ).
2 0 ≤ FX (x) ≤ 1.
3 limx→−∞ FX (x) = 0 et limx→∞ FX (x) = 1.
4 FX continue à droite :
lim FX (x + ||) = FX (x) et lim FX (x − ||) = FX (x) − P(X = x).

||→0 ||→0
5 FX est une fonction en escalier; elle est constante sur un intervalle [xi , xi+1 ].
Outline
Définition
Moments
Propriétés
Exemples
Pour a < b, la probabilité d’une variable aléatoire dans un intervalle est donnée par:
1 P(a < X ≤ b) = FX (b) − FX (a).
2 P(a < X < b) = [FX (b) − P(X = b)] − FX (a).
3 P(a ≤ X < b) = [FX (b) − P(X = b)] − [FX (a) − P(X = a)].
4 P(a ≤ X ≤ b) = FX (b) − [FX (a) − P(X = a)].
5 P(a < X < ∞) = 1 − FX (a).
6 P(a ≤ X < ∞) = 1 − [FX (a) − P(X = a)].
7 P(−∞ < X < b) = [FX (a) − P(X = a)].
Pour une variable continue (à densité) P(X = x) = 0, ∀x, et on peut écrire:
P(x < X < x + dx) = f (x)dx.
Outline
Fonction de Répartition Espérance Mathématique
Moments Variance
Fonctions Caractéristiques/Génératrices Autres Moments
Exemples
On appelle espérance d’une variable aléatoire X , notée mX = E [X ], si l’intégrale-la

série converge la quantité:
X
mX = xi P(X = xi ) X discrète.
i=1
Z
mX = xfX (x)dx X continue.
<
Pour X discrète, E (X ) est la moyenne arithmétique des différentes valeurs de X

pondérées par leurs probabilités.
Outline
Moments Variance
Exemples
1 Linéarité: E [a] = a, E [aX ] = aE [X ], E [X + a] = E [X ] + a.

2 L’espérance d’une somme de variables est égale à la somme de leurs espérances:
E [X + Y ] = E [X ] + E [Y ].
R
3 Espérance d’une fonction d’une variable aléatoire: E [ϕ(X )] = < ϕ(x) dPX (x).
4 Inégalité de Jensen: Si ϕ est une fonction convexe, et si les espérances existent:
E [ϕ(X )] ≥ ϕ(E [X ]).
en particulier: E [|X |] ≥ |E [X ] |, E X 2 ≥ [E [X ]]2 et E e X ≥ e E [X ] .

5 L’espérance d’un produit de variables aléatoires indépendantes est égale au

produit de leurs espérances:
Z Z Z
E [X Y ] = xy fXY (x, y )dxdy = x fX (x)dx y fY (y )dy = E [X ] E [Y ] .
< < <
La réciproque est fausse: E [X ]E [Y ] = E [XY ] n’entraı̂ne pas en général

l’indépendance de X et Y .
Outline
Moments Variance
Exemples
On appelle espérance d’une variable aléatoire X , notée V (X ) = σX2 = E (X − mX )2 ,

la quantité suivante:
X
σX2 = (xi − mX )2 P(X = xi ) X discrète.
i=1
Z Z
σX2 = (x − mX )2 dPx = (x − mX )2 fX (x)dx X continue.
< <
La variance est le moment centré d’ordre 2 de la distribution et est une mesure de la

dispersion de la variable aléatoire X autour de son espérance mathématique mX .
Outline
Moments Variance
Exemples
1 Linéarité: V (aX ) = a2 V (X ), V (X − a) = V (X ).
2 V (X ) = 0 ⇔ X = a presque sûrement.
3 Variance d’une somme de variables aléatoires X et Y :
V (X + Y ) = E (X + Y − mX +Y )2 = VX + VY + 2 (E [XY ] − mX mY ) .

| {z }
C (X ,Y )
avec C (X , Y ) est la covariance de X et Y ; elle sera discutée ultérieurement.

Si X et Y sont indépendantes V (X + Y ) = VX + VY . La réciproque est inexacte.
4 Variance d’une produit de deux variables aléatoires indépendantes X et Y :
V (XY ) = E (XY − µXY )2 = VX VY + µ2Y VX + µ2X VY .

Outline
Moments Variance
Exemples
1 L’espérance et l’écart-type sont reliés par l’inégalité de Bienaymé-Tchebyshev
σ2 1
P (|X − E [X ]| ≥ ) ≤ donc P (|X − E [X ]| ≥ kσ) ≤ 2 pour k > 0
2 k
L’inégalité de Bienaymé-Tchebyshev permet de préciser les interprétations
suivantes:
Si σ = 0, alors X n’est plus aléatoire.
La deuxième inégalité donne une limite de la probabilité pour que X s’écarte de
sa valeur moyenne en fonction de la variance de X .
Outline
Moments Variance
Exemples
Les moments d’ordre k d’une variable aléatoire X sont donnés par mk = E X k :

X
mk = x k pi X discrète.
i=1
Z ∞
mk = x k fX (x)dx X continue.
−∞
Les moments centrés d’ordre k d’une variable X : µk = E (X − mk )k :

X
µk = (x − mk )k pi X discrète.
i=1
Z ∞
µk = (x − mk )k fX (x)dx X continue.
−∞
m1 est l’espérance mathématique, µ1 = 0 et µ2 est la variance.
Outline
Moments
Exemples
Il en existe deux formes servant à calculer les moments de VAs et de sommes de VAs
ind car la FG d’une somme de VAs ind est égale au produit de leurs FGs.
1. Pour des variables à valeurs entières positives, on utilisera la forme suivante:

X
GX (t) = E [t X ] = t i P(X = i).
i≥0
Par dérivations successives en zéro, on a

(k)
GX (0) = k!P(X = k).
ce qui prouve que la FG détermine la loi de probabilité de X .
Outline
Moments
Exemples
2. Pour des variables quelconques, la FG est MX (t) = E e tX

X
MX (t) = e txi pi X discrète.
i
Z
MX (t) = e tx fX (x)dx X continue.
<
qui est donc la transformée de Laplace de −X . Sous réserve d’existence, on a:
(k)
h i
(k) d k MX (t)
mX = E X k = MX (0) = |t=0 .
dt k
Outline
Moments
Exemples
La FC d’une variable réelle X est la transformée de Fourier de sa loi de probabilité:

h i Z
φX (ω) = E e ωX = e ωx dPX (x).
<
φX (ω) est continue et existe toujours car PX est une mesure bornée et |e iωX | = 1.
X
φX (ω) = e ωxi pi X discrète.
i
Z
φX (ω) = e ωx fX (x)dx X continue.
<
Les fonctions génératrices sont liées à la fonction caractéristique par :
GX (t) = ϕX (− ln(t)).

MX (t) = ϕX (− t).
Outline
Moments
Exemples
1 φX (0) = 1, |φX (ω)| ≤ 1 ∀ω ∈ <.

2 φaX +b (ω) = e bω φX (aω).
3 pour une variable aléatoire centrée et normalisée U = (X − mX )/σX :
ωm
− σ X ω
φU = e X φX ( ).
σX
4 la FC d’une somme de variables X et Y ind est égale au produit de leurs FCs:
φX +Y = φX (ω) φY (ω).
Pour une séquence de variables aléatoires indépendantes {Xi }ni=1 :

n
Y
φZ = P n X = φXi (ω).
i=1 i
i=1
Il ne s’agit donc pas d’une condition nécessaire et suffisante d’indépendance.
Outline
Moments
Exemples
Dérivées Rà l’origine et moments non centrés

φX (0) = < dPX (x) = 1, car PX est une mesure de masse totale égale à 1.
Si les dérivées existent jusqu’à l’ordre k, on a:

Z h i
(k) (k)
φX (0) = k x k e ωx dPX (x) ⇒ φX (0) = k E X k .
<
donc:
(k)
h i
(k) d k φX (ω)
mX = E X k = (−)k φX (0) = (−)k |ω=0 .
dω k
Si φX (ω) est indéfiniment dérivable, la formule de Mac-Laurin donne:
X ωk h i
φX (ω) = k E X k .
k
k!
Outline
Moments Fonctions d’une Variable Aléatoire
Exemples
X est une variable aléatoire continue et Z = ϕ(X ) telle que ϕ est une fonction
strictement monotone, supposée dérivable.
On recherche fZ et FZ densité et fonction de répartition de la variable aléatoire Z .
Si ϕ est croissante, on a FX (x) = FZ (ϕ(X )) car X < x ⇔ Z < z = ϕ(x). En dérivant

0
cette équation on aura fX (x) = fZ (ϕ(x))ϕ (x), ou encore:
fX ϕ−1 (z)

fX (x)
fZ (z) = 0 = 0 −1 .
ϕ (x) ϕ (ϕ (z))
Si ϕ est décroissante, on a FZ (z) = 1 − FX (ϕ−1 (z)) car X < x ⇔ Z > z = ϕ(x),

0 0
alors fZ (z) = −fX (x)/ϕ (x). Puisque ϕ est décroissante, ϕ < 0 et on a la formule
générale pour une application bijective ϕ quelconque:
fX ϕ−1 (z)

fX (x)
fZ (z) = 0 = 0 −1 .
|ϕ (x)| |ϕ (ϕ (z)) |
Outline
Moments Fonctions d’une Variable Aléatoire
Exemples
Exemple 1: X is a continuous random variable: fX (x) = 3x 2 for 0 < x < 1.

Use the change-of-variable technique to find the pdf of Z = ϕ(X ) = X 2 .
Solution:
z = ϕ(x) = x 2 is invertible. Its inverse is: x = ϕ−1 (z) = z 1/2 for 0 < z < 1.
0
The derivative of ϕ(.), we get: ϕ (x) = 2x.
Therefore, the probability density function of Z is:
fX ϕ−1 (z)

3(z 1/2 )2 3
fZ (z) = 0 −1 = = z 1/2 .
|ϕ (ϕ (z)) | 2z 1/2 2
Exemple 2: X is a continuous random variable: fX (x) = 3(1 − x)2 for 0 < x < 1.
Use the change-of-variable technique to find the pdf of Z = ϕ(X ) = (1 − X 3 ).
Solution:
z = ϕ(x) = (1 − x)3 is invertible. Its inverse is: x = ϕ−1 (z) = 1 − z 1/3 for 0 < z < 1.
0
The derivative of ϕ(.), we get: ϕ (x) = −3(1 − x)2 .
Therefore, the probability density function of Z is:
fX ϕ−1 (z)

3(1 − (1 − z 1/3 ))2
fY (z) = 0 −1 = = 1.
|ϕ (ϕ (z)) | | − 3(1 − (1 − z 1/3 ))2 |
Outline Loi de Bernoulli
Notion Élémentaires Loi Binomiale
Fonction de Répartition Loi de Poisson
Moments Loi Uniforme
Fonctions Caractéristiques/Génératrices Loi Exponentielle
Fonctions d’une Variable Aléatoire Loi Gamma
Exemples Loi Normal ou Laplace-Gauss
C’est la loi d’une variable aléatoire X ne pouvant prendre que les deux valeurs 1 ou 0
avec les probabilités P et 1 − P:
E [X ] = 1 × P + 0 × (1 − P) = P et E [X 2 ] = E [X ] = P.
V (X ) = P − P 2 = P(1 − P).
φX (ω) = e ω P + (1 − P).
On répète n fois dans des conditions identiques une expérience aléatoire, dont l’issue
se traduit par l’apparition ou la non-apparition d’un événement A de probabilité P le
résultat de chaque expérience étant indépendant des résultats précédents. Soit X le
nombre d’apparitions de l’événement A parmi ces n expériences:
X suit une loi binomiale de paramètres n et P notée B(n, P).
X est une somme de n variables aléatoires iid suivant la loi de Bernoulli, alors:
n
X
E [X ] = E [Xi ] = nP.
i=1
Xn
V (X ) = V (Xi ) = nP(1 − P).
i=1
φX (ω) = (e ω
P + (1 − P))n .
La loi de Poisson P(λ) est la loi d’une variable entière positive ou nulle qui satisfait à:
λx
P(X = x) = e −λ , x ∈ N.
x!
On peut vérifier toul d’abord qu’il s’agı̂t bien d’une loi de probabilité:
X X λx
P(X = x) = e −λ = e −λ e λ = 1.
x x
x!
1 λ représente à la fois l’espérance et la variance de X : E [X ] = V (X ) = λ.

2 la fonction caractéristique est donnée par:
X λx X (λe ω )x ω
φX (ω) = e −λ e ωx = e −λ = e λ(e −1) .
x
x! x
x!
La densité d’une variable aléatoire continue X de loi uniforme sur [0, a] est définie par:
1
a
sur [0, a]
f (x) =
0 ailleurs.
a a2
E [X ] =
, et V (X ) = .
2 12
La fonction caractéristique d’une variable aléatoire continue suivant une loi uniforme :
Z a
1 sin(aω)
φX (ω) = e ωx dx = .
2a −a aω
La densité d’une variable aléatoire continue X de loi exponentielle de paramètre λ est:
fX (x) = λe −λx
1 1
E [X ] = , V (X ) = 2 , SX = 2 et KX = 9
λ λ
Cette loi utilisée pour représenter la durée de vie de circuits électroniques en fiabilité.
La loi exponentielle est un cas particulier d’une famille de lois appelés lois gamma γ; si
X est de loi exponentielle de paramètre λ, λX est une variable suivant une loi γ.
Une variable positive X suit une loi gamma de paramètre r, notée γr si sa densité est:
1 r −1 x
fX (x) = x e .
Γ(r )
L’espérance et la variance d’une variable X suivant une loi γ sont données par:
Z +∞
1 Γ(r + 1)
E [X ] = x r e x dx = = r.
Γ(r ) 0 Γ(r )
Z +∞
1 Γ(r + 2) Γ(r + 1)
V (X ) = x r +1 e x dx − r 2 = − r 2 = (r + 1) − r2 = r.
Γ(r ) 0 Γ(r ) Γ(r )
Cette loi présente donc une certaine analogie avec la loi de Poisson mais en continu.
Théorème: X el Y sont deux variables aléatoires indépendantes suivant des lois γr et

γs , alors X + Y suit une loi γr +s .
Fonction Caractéristique
Si X suit une loi γ1 c’est-à-dire une loi exponentielle de paramètre λ = 1, on a:
Z +∞ Z +∞
1
φX (ω) = e ωx e −x dx = e −(ω−1)x e −x dx = .
0 0 1 − ω
Pour X de loi γn qui est la somme de n variables indépendantes de lois γ1 :

1
φX (ω) = .
(1 − ω)n
Pour une loi gamma de paramètre r quelconque on opère le chang. u = (1 − ω)x:
1
Z +∞ 1
Z +∞
φX (ω) = e ωx x r −1 e −x dx = e −(ω−1)x x r −1 dx
Γ(r ) 0 Γ(r ) 0
1 1
Z +∞ Γ(r ) 1
= e −u u r −1 dx = = .
Γ(r ) (1 − ω)r 0 Γ(r )(1 − ω)r (1 − ω)r
Une variable aléatoire X suit une loi normale X ∼ N(m, σ) si sa densité est:
2
1 −1 x−m
fX (x) = √ e 2 σ .
2πσ 2
Par suite de la symétrie de fX et comme l’intégrale de X converge, E [X ] = m.

X −m
Opérons le changement U = σ
, on vérifie que U ∼ N(0, 1) dont la densité est:
1 1 2
fU (u) = √ e − 2 u .
2π
Opérons le changement t = u 2 /2 ⇒ dt = udu on aura V (U) = 1, V (X ) = σ 2 .:
1
Z
1 2 2
Z +∞ 1 1
V (U) = √ u 2 e − 2 u du = √ e −t dt = √ Γ( ) = 1.
2π < π 0 π 2
Les moments d’ordre impair sont nuls (symétrie de fX ) et les moments d’ordre pair:
2
Z +∞ 1 2 2k
Z +∞ 2k 1 (2k)!
m2k = √ u 2k e − 2 u du = √ t k−1/2 e −t dt = √ Γ(k + ) = k .
2π 0 π 0 π 2 2 !
Théorème: Soit X ∼ N(mX , σX ) et Y ∼ N(mY , σY ) deux variables gaussiennes ind.,

leurs somme Z = X + Y ∼ N(mX + mY , σX + σY ) est aussi une variable gaussienne.
Fonction Caractéristique
La fonction caractéristique d’une variable U ∼ N(0, 1) est (formule de Mac-Laurin):
X ω 2k (2k)! X −(ω 2 /2)k 2
φU (ω) = (−1)k k = = e −ω /2 .
k
(2k)! 2 ! k
k!
Remarquons qu’un calcul formel donne le même résultat:

Z +∞ Z +∞
1 2 2 1 2 2
φU (ω) = √ e −u /2 e −ωu du = e −ω /2 √ e −1/2(u−ω) du = e −ω /2 .
−∞ 2π −∞ 2π
| {z }
=1 car N(ω,1)
Remarquons que X = σU + m, la fonction caractéristique de la variable X ∼ N(m, σ):
σ2 ω2
φX (ω) = e mω φU (σω) = e mω− 2 .
Alors, la somme de deux variables de Gauss ind est encore une variable de Gauss.
Thanks for your attention

02 VA Pres

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

02 VA Pres

Transféré par

Droits d'auteur :

Formats disponibles

Outline

Traitement Statistique du Signal

École Militaire Polytechnique

5 Fonctions d’une Variable Aléatoire

Exemple: lancer de deux dés

On appelle loi de probabilité de X , qu’on note PX , la mesure image de P par X .

La loi de probabilité de X est entièrement définie par:

Si l’ensemble des valeurs possibles d’une variable aléatoire est dénombrable

F est alors dérivable et admet f pour dérivée. On a donc

ce qui permet d’écrire

La fonction de répartition FX d’une variable aléatoire X est FX (x) = P(X ≤ x):

Quelques propriétés de la fonction de répartition d’une variable aléatoire:

lim FX (x + ||) = FX (x) et lim FX (x − ||) = FX (x) − P(X = x).

On appelle espérance d’une variable aléatoire X , notée mX = E [X ], si l’intégrale-la

Pour X discrète, E (X ) est la moyenne arithmétique des différentes valeurs de X

1 Linéarité: E [a] = a, E [aX ] = aE [X ], E [X + a] = E [X ] + a.

E [ϕ(X )] ≥ ϕ(E [X ]).

en particulier: E [|X |] ≥ |E [X ] |, E X 2 ≥ [E [X ]]2 et E e X ≥ e E [X ] .

5 L’espérance d’un produit de variables aléatoires indépendantes est égale au

La réciproque est fausse: E [X ]E [Y ] = E [XY ] n’entraı̂ne pas en général

On appelle espérance d’une variable aléatoire X , notée V (X ) = σX2 = E (X − mX )2 ,

La variance est le moment centré d’ordre 2 de la distribution et est une mesure de la

3 Variance d’une somme de variables aléatoires X et Y :

avec C (X , Y ) est la covariance de X et Y ; elle sera discutée ultérieurement.

4 Variance d’une produit de deux variables aléatoires indépendantes X et Y :

V (XY ) = E (XY − µXY )2 = VX VY + µ2Y VX + µ2X VY .

1 L’espérance et l’écart-type sont reliés par l’inégalité de Bienaymé-Tchebyshev

Les moments d’ordre k d’une variable aléatoire X sont donnés par mk = E X k :

Les moments centrés d’ordre k d’une variable X : µk = E (X − mk )k :

m1 est l’espérance mathématique, µ1 = 0 et µ2 est la variance.

1. Pour des variables à valeurs entières positives, on utilisera la forme suivante:

Par dérivations successives en zéro, on a

ce qui prouve que la FG détermine la loi de probabilité de X .

2. Pour des variables quelconques, la FG est MX (t) = E e tX

qui est donc la transformée de Laplace de −X . Sous réserve d’existence, on a:

La FC d’une variable réelle X est la transformée de Fourier de sa loi de probabilité:

Les fonctions génératrices sont liées à la fonction caractéristique par :

GX (t) = ϕX (− ln(t)).

1 φX (0) = 1, |φX (ω)| ≤ 1 ∀ω ∈ <.

Pour une séquence de variables aléatoires indépendantes {Xi }ni=1 :

Il ne s’agit donc pas d’une condition nécessaire et suffisante d’indépendance.

Dérivées Rà l’origine et moments non centrés

Si les dérivées existent jusqu’à l’ordre k, on a:

On recherche fZ et FZ densité et fonction de répartition de la variable aléatoire Z .

Si ϕ est croissante, on a FX (x) = FZ (ϕ(X )) car X < x ⇔ Z < z = ϕ(x). En dérivant

Si ϕ est décroissante, on a FZ (z) = 1 − FX (ϕ−1 (z)) car X < x ⇔ Z > z = ϕ(x),

Exemple 1: X is a continuous random variable: fX (x) = 3x 2 for 0 < x < 1.

1 λ représente à la fois l’espérance et la variance de X : E [X ] = V (X ) = λ.

La densité d’une variable aléatoire continue X de loi exponentielle de paramètre λ est:

Théorème: X el Y sont deux variables aléatoires indépendantes suivant des lois γr et

Pour X de loi γn qui est la somme de n variables indépendantes de lois γ1 :

Pour une loi gamma de paramètre r quelconque on opère le chang. u = (1 − ω)x:

Par suite de la symétrie de fX et comme l’intégrale de X converge, E [X ] = m.

Opérons le changement t = u 2 /2 ⇒ dt = udu on aura V (U) = 1, V (X ) = σ 2 .:

Théorème: Soit X ∼ N(mX , σX ) et Y ∼ N(mY , σY ) deux variables gaussiennes ind.,

Remarquons qu’un calcul formel donne le même résultat:

Remarquons que X = σU + m, la fonction caractéristique de la variable X ∼ N(m, σ):

Thanks for your attention

Vous aimerez peut-être aussi

lim FX (x + ||) = FX (x) et lim FX (x − ||) = FX (x) − P(X = x).