Variables aléatoires discrètes et Variables aléatoires à densité

Résumé de cours
Filière : ECT

variables aléatoire discrètes

1- loi d’une variable aléatoires discrètes
Déterminer la loi d’une variable aléatoire X c’est : déterminer X () et calculer P ( X  a ) pour a  X () .
2- Espérance et variance
Si X et X 2 admettent des espérances alors :
E( X )  
a X (  )
aP ( X  a )

E( X 2 )   a 2 P( X  a) .
a X (  )
2
V ( X )  E( X 2 )   E( X )

Propriétés : soient X et Y deux V.a qui admettent des espérances et des variances . a , b   .
E ( X  Y )  E ( X )  E (Y )
E ( aX  b)  aE ( X )  b
V (aX  b)  a 2V ( X )
3- Lois usuelles (variables aléatoires discrètes )
Variables aléatoires discrètes finies.
La loi de la variable aléatoire Espérance et variance
Loi de Bernoulli : X ↝ ℬ( )
X ( )  0,1 . E( X )  p et V ( X )  p (1  p )
P ( X  1)  p
Loi binomiale : X ↝ ℬ( , ).
X  nb de succès (définir le succès) au cours de n
répétitions. E ( X )  np et V ( X )  np (1  p )
X ()   0 , n .
P ( X  k )  Cnk p k (1  p ) n  k ; k  X ()
Loi uniforme sur 1, n : X ↝ (⟦1 , ⟧)
X ( )  1, n n 1 n2  1
E( X )  et V (X ) 
1 2 12
P( X  k )  , k  X ( )
n

Variables aléatoires discrètes infinies.

Loi de la variable aléatoire Espérance et variance

Loi géométrique : X ↝ ( )
X  rang du premier succès (définir le succès) 1 1 p
E( X )  et V (X ) 
X ( )   * p p2
P ( X  k )  p (1  p )k 1 ; k  X ()
Loi de poisson : X ↝ ( )
X ( )   E( X )   et V (X )  
k
P( X  k )  e 
k!

Page 1
Approximation de la loi binomiale par la loi de poisson :

Soit X une variables aléatoire telle que X ↝ ℬ( , ) .

≥
Lorsque : ≤ . alors on peut approcher X par une variable aléatoire Y ↝ ( ) avec = et dans ce cas
≤
P ( X  k )  P (Y  k ) .
P ( X  k )  P (Y  k ) .
P ( X  k )  P (Y  k ) .
Variables aléatoires à densité

1- Densité d’une variable aléatoire

Déf : une fonction f définie sur ℝ est dite densité de probabilité ssi :
 ≥ 0 sur ℝ
∞
 ∫∞ ( ) =1
 f est continue par morceaux , le nombre de points de discontinuité est fini
Les limites à droite et à gauche en tout point existent et sont finies .
2- Fonction de répartition
Soit X une variables aléatoire de densité f La fonction de répartition de X est :
x
FX ( x)   f (t )dt  P ( X  x)


Propriétés :
 P ( X  a )  FX (a ) .
 P (a  X  b)  FX (b)  FX (a ) .
 P ( X  b)  1  FX (b)
 F est continue sur  , croissante ; lim FX ( x )  0 et lim FX ( x )  1 .
x  x 
'
 Si f est continue en x alors FX est dérivable en x et F ( x )  f ( x ) .
X
3- Espérance et variance

Si X admet un espérance E ( X ) alors elle est définie par : E ( X )   xf ( x)dx .


Propriétés :
Soient X et Y deux V.A telles que E ( X ) et E (Y ) existent .et soient a , b   .
E ( X  Y )  E ( X )  E (Y ) , E ( aX  b)  aE ( X )  b .

 Si X 2 admet une espérance alors E ( X 2 )  x
2
f ( x )dx .


 Si g :    est une fonction continue par morceaux et g ( X ) admet une espérance alors

E  g( X )   g ( x) f ( x)dx , (th de transfert ).

Déf :
Si E ( X ) et E ( X 2 ) existent alors on dit que X admet une variance V ( X )  E  ( X  E ( X ))2   E ( X 2 )   E ( X ) 2 .
Propriétés :

Soit X une V.a qui admet une variance . soient a , b   : V (aX  b)  a 2V ( X )

4- Indépendance des variables aléatoires :
Page 2
Déf :
Soient X 1 , X 2 ,.... X n n variables aléatoires à densité et a1 , a2 ,..., an des réels .
On dit que X 1 , X 2 ,.... X n sont indépendantes ssi :

I  1, n ; P   ( X i  ai )    P ( X i  ai )
 iI  iI
Remarque :
Si les variables aléatoires X 1 , X 2 ,.... X n sont indépendantes et suivent la même loi qu’une V.a X ( i.e :
i  1, n ; FX i  FX ) alors :
n  n
a   ; P ( X i  a )    FX ( a )  .
 i 1 
Soient X1 , X2 ,..., Xn n variables aléatoires indépendantes et suivent la même loi qu’une V.a X .
 On note Y  max(X1 , X2 ,..., Xn ) on a : .
(Y  x )  (X1  x )  (X 2  x )  ....  (X n  x )
n
FX (x )  P(Y  x )  P(X1  x )P(X2  x )....P(Xn  x )  FX (x )
 Soit Z  min(X1 , X2 ,..., Xn ) on a :
(Z  x )  (X1  x )  (X 2  x )  ....  (X n  x )
n
P(Z  x )  P(X1  x )P(X2  x )....P(Xn  x )  1  FX (x )
n
FZ (x )  1  1  FX (x )

5- Lois usuelles (variables à densité ) : (  a , b )

Loi de la variable aléatoire Fonction de répartition( F ) Espérance et variance

Loi uniforme sur  a , b : X

F (x )  0
↝ (  a , b )  si x  a
 (b  a)2
Une densité de X est f :

 F(x ) 
x a si a  x  b E(X )  a  b et V (X ) 

 b a 2 12

 1 
 F(x )  1 si x  b

 f (x )  b  a si x  a , b  

  

 f (x )  0 sinon


Loi exponentielle : X ↝ ℰ( )
Une densité de X est f : F (x )  1  e x si x  0 1 1
 E( X )  et V ( X ) 
 f (x )  e x 
si x  0 F (x )  0 si x  0  2
 

 f (x )  0 si x  0

Loi normale centrée réduite : X La fonctions de répartitions est notée et
↝ (0,1) ses valeurs sont données dans un tableau. E ( X )  0 et V (X ) 1
Une densité de X est  : x   ;  (  x )  1   ( x )
2
1  x2
 ( x)  e ……………………………… ……………………………
2  
P(X  a)   a  m 
…………………………    E(X )  m et V (X )   2
Loi normale qcq : X ↝ ( , )    
P(a  X  b)   b  m    a  m 
X m      
X ↝ ( , )⇔ ↝ (0,1)


6- Approximation de la loi binomiale par la loi normale:

Soit X une variables aléatoire telle que X ↝ ℬ( , ) .

Page 3
 ≥
Lorsque : ≥ alors on peut approcher X par une variable aléatoire Y ↝ ( , ) avec :
( − )≥
= ; = ( − )
et dans ce cas on a :
Y m am  am .
P ( X  a )  P (Y  a )  P (  )  
    
   
P(a  Y  b)  P(a  m  Y  m  b  m )   b  m    a  m  .
   
   
  
 
P(X  b)  P(Y  b)  P(Y  m  b  m )  1   b  m  .
    
7- Inégalité de Markov et inégalité de Bienaymé-Tchebychev :
 Inégalité de Markov :
Soit X une variable aléatoire positive d’espérance E ( X ) on a :
  0 ; P( X   )  E ( X ) .

 Inégalité de Bienaymé-Tchebychev :

Soit X une variable aléatoire d’espérance E ( X ) et de variance V ( X ) on a :

  0 ; P( X  E ( X )   )  V ( X2 )

Estimation
Soient ( X 1 , X 2 ,..., X n ) un n-échantillon et  un paramètre à estimer . on considère une v.a Tn exprimée en fonction
des variables aléatoires X 1 , X 2 ,..., X n et qui estime le paramètre  .
Biais de l’estimateur Tn :
On suppose que Tn admet une espérance , on définit le biais de Tn par :
b (Tn )  E(Tn )  
Lorsque b (Tn )  0 c’est à dire que E (Tn )   on dit que Tn est un estimateur sans biais de  .

Risque quadratique de n :
T
Le risque quadratique de Tn est définie par :
r (Tn )  E (Tn  )2   V (Tn )  b (Tn ) .
2

 
Intervalle de confiance :
Soient U n et Vn est un intervalle de confiance de  au niveau 1   (ou au risque  ) si :
P(U n    Vn )  1  

8- COMPLEMENT :
 Soit Tn un estimateur de  . Par l’inégalité de Markov on a :
r (Tn )
  0 , P | Tn   |  
2

Page 4