Académique Documents
Professionnel Documents
Culture Documents
Variables aléatoires
Lucien D. GNING
lucien.gning@univ-thies.sn
Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 1/1
Introduction
1 Dans de nombreuses expériences aléatoires, on n’est pas intéressé
directement par le résultat de l’expérience, mais par une certaine
fonction de ce résultat.
2 Considérons par exemple l’expérience qui consiste à observer, pour
chacune des n pièces produites par une machine, si la pièce est
défectueuse ou non
3 Nous attribuerons la valeur 1 à une pièce défectueuse et la valeur 0 à
une pièce en bon état. L’univers associé à cette expérience est
⌦ = {0, 1}n .
4 Ce qui intéresse le fabricant est la proportion de pièces défectueuses
produites par la machine. Introduisons donc une fonction de ⌦ dans
R qui à tout ! = (!1 , · · · , !n ) de ⌦ associe le nombre
n
X !i
X (!) =
n
i=1
Définition
Soient (⌦, C, P) un espace probabilisé et E un ensemble quelconque. On
appelle variable aléatoire sur ⌦ une application
X :⌦ !E
Cette définition théorique est en fait très simple à comprendre. Une
variable aléatoire est une application, c’est-à-dire une sorte de fonction,
qui pour chaque événement de l’univers des possibles ⌦ associe une valeur
appartenant à un univers X (⌦) ⇢ E .
Plus généralement, l’application X associe à tout événement de C sur ⌦,
une valeur appartenant à E sur X (⌦). Cette valeur peut être
numérique(on parle alors de variable aléatoire quantitative) ou non
numérique (on parle alors de variable aléatoire qualitative).
Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 3/1
Généralités
Définition
On appelle réalisations, les valeurs prises par la variable aléatoire X .
L’univers X (⌦) correspond à l’univers des réalisations.
Exemple
On considère l’expérience aléatoire qui consiste à lancer un dé à 6 faces.
L’univers des résultats possibles est alors défini par ⌦ = {1, 2, 3, 4, 5, 6}.
Définissons une variable aléatoire, notée X , comme une application qui
prend la réalisation 10 lorsque le résultat du lancer est un nombre pair et
20 lorsque le résultat est un nombre impair. La variable aléatoire X est
dite quantitative. Si la variable aléatoire X prend les réalisations ”pair” ou
”impair”, cette variable est dite qualitative.
Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 4/1
Variables aléatoires réelles
Définition
Soit (⌦, C, P) un espace probabilisé. Nous appelons une variable aléatoire
réelle (v.a.r.) toute application de ⌦ dans R telle que : pour tout
intervalle I de R, l’ensemble :
1
X (I ) = {! 2 ⌦|X (!) 2 I } = {X 2 I }
est un événement de C.
Cela exprime que l’image inverse d’un intervalle quelconque est un
événement. II suffit en fait de vérifier que pour tout réel x :
1
X (] 1, x[) 2 C
Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 5/1
Variables aléatoires réelles
Notations
1 Les variables aléatoires sont notées avec des lettres majuscules et les
quantités déterministes avec des lettres minuscules
2 Nous notons X (⌦) l’ensemble des valeurs prises par la variable
aléatoire X définie sur l’espace probabilisé (⌦, C, P).
3 X 1 ({x}) = {! 2 ⌦| X (!) = x} se note {X = x}
4 X 1 (] 1, x]) = {! 2 ⌦| X (!) x} se note {X x}
5 X 1 ([x, +1[) = {! 2 ⌦| X (!) x} se note {X x}
6 X 1 (] 1, x[) = {! 2 ⌦| X (!) < x} se note {X < x}
7 X 1 (]x, +1[) = {! 2 ⌦| X (!) > x} se note {X > x}
8 X 1 (]x, y ]) = {! 2 ⌦| x < X (!) y } se note {x < X y }
9 ...
X (⌦) est nommé support de X
Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 6/1
Variables aléatoires réelles
Exemple
1 On s’intéresse à l’expérience aléatoire consistant à observer le résultat
d’1 lancer simultané de 4 pièces. ) ⌦ = {P, F }4 et C = P(⌦)
2 Considérons X la v.a.r. consistant à compter le nombre de P (Pile)
obtenus lors du lancer. L’ensemble C = {! 2 ⌦|X (!) 2} est un
bien un événement : C : ”le lancer a produit au plus deux P”
3 Des lancers tels que (P, P, F , F ), (F , F , F , F ), (F , F , P, F ) réalisent
cet événement. On notera C = {X 2}
4 On peut aussi considérer les événements :
{X = 2} : ”le lancer contient exactement 2P”
{1 < X 3} : ”le lancer contient soit 2 soit 3P”
Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 7/1
Variables aléatoires discrètes vs Variables aléatoires
continues
Définition
On appelle variable aléatoire discrète sur (⌦, C) une application
X : ⌦ ! R avec X (⌦) dénombrable (en général X (⌦) est fini ou
X (⌦) ⇢ N ou X (⌦) ⇢ Z et et dans tous les cas X (⌦) est en
correspondance bijective avec N) et telle que pour tout x réel :
X 1 ({x}) = {! 2 ⌦ |X (!) = x} 2 C. Ce qui exprime tout simplement
que X 1 ({x}) est un événement.
Exemple
1 On considère un lancer de dé à six faces numérotées.
Alors ⌦ = {1, 2, 3, 4, 5, 6}.
La variable aléatoire X définie par
X : ⌦ ! {1, 2, 3, 4, 5, 6}
! ! ! est une variable aléatoire discrète.
2 La durée de vie d’une lampe ou le salaire d’un individu tiré au sort
dans une population sont représentés par des variables continues.
Probabilité image
Définition
Soient (⌦, C, P) un espace probabilisé, et X une variable aléatoire sur ⌦
dans R, on appelle probabilité image de P par X , la probabilité PX définie
par :
PX (B) = P(X 1 (B))
pour tout B 2 P(R)
Exercice
Montrer que PX est une probabilité sur (R, P(R)).
Lucien D. GNING lucien.gning@univ-thies.sn Cours de Probabilités Statistiques February 16, 2023 9/1
Fonction de répartition
Définition
Soient (⌦, C, P) un espace probabilisé et X une variable aléatoire réelle sur
(⌦, C), on appelle fonction de répartition de X et on note F l’application :
F: R !R
x 7 ! F (x) = P(X x)
Preuve
S
Il reste à démontrer que : +1
3. S n) = ⌦.
n=0 (X S
+1 +1
n=0 (X n) est événement donc n=0 (X n) ⇢ ⌦.
Soit ! 2 ⌦. Notons m = dX (!)e.
Par définition, X (!) S dX (!)e = m.
Ainsi, ! 2 (X m) ⇢ +1 n=0 (X n).
4. La fonction F est croissante sur [x, +1[ et minorée par 0. Elle admet
donc une limite à droite en✓x et ◆ ✓ ◆
1 1
limt!x,t>x F (t) = lim F x + n = lim P X x + n Or,
n!+1 n!+1
comme (X x + n1 )n2N est une suite décroissante d’événements, le
théorème
✓ de la limite◆monotone
✓ permet d’affirmer
◆ que :
1 T+1 1
lim P X x + n = P n=1 (X x + n )
n!+1
T
Et enfin (par double inclusion ), on a : +1 1
n=1 (X x + n ) = (X x).
Fonction de répartition
Preuve
(Suite de la preuve)
5. La fonction F est croissante sur ] 1, x] et majorée par 1. Elle
admet donc une limite à gauche
✓ en◆ x et : ✓ ◆
limt!x,t<x F (t) = lim F x n = lim P X x n1 Or,
1
n!+1 n!+1
1
comme X x n n2N est
une suite décroissante d’événements, le
théorème
✓ de la limite
◆ monotone
✓ permet d’affirmer
◆ que :
S +1
lim P X x n1 = P n=1 (X x
1
n)
n!+1
S
Et enfin (par double inclusion ), on a : +1n=1 (X x
1
n ) = (X < x).
6. (a < X b) = (X b)\(X a)
Définition
Soient (⌦, C, P) un espace probabilisé et X une variable aléatoire réelle.
On appelle loi de X la donnée de toutes les probabilités P(X 2 A) où A est
une réunion au plus dénombrable d’intervalles de R.
Théorème
Soient (⌦, C, P) un espace probabilisé, et X , Y deux variables aléatoires
réelles.
On dit que deux variables aléatoires X et Y ont la même loi si et
seulement si elles ont la même fonction de répartition FX = FY .
On dira alors que la fonction de répartition caractérise la loi d’une variable
aléatoire réelle.
Exercice
Soit X une variable aléatoire discrète prenant les valeurs 2, 4, 6 et 8.
Déterminez la loi de probabilité de X sachant que :
P(X < 6) = 1/3, P(X > 6) = 1/2, P(X = 2) = P(X = 4).
Exercice
Un joueur dispose d’un dé cubique truqué de telle sorte que la probabilité
d’apparition d’un numéro est proportionnelle à ce dernier. Nous supposons
que les faces sont numérotées de 1 à 6. Soit X la variable aléatoire réelle
associée au lancer de ce dé.
1 Déterminez la loi de X .
1
2 Nous posons Y = X. Déterminez la loi de Y .
Remarque
L’indépendance mutuelle implique l’indépendance deux à deux. La
réciproque n’est pas vraie.
Remarque
Deux variables aléatoires discrètes X et Y sont dites indépendantes si pour
tout x 2 X (⌦) et y 2 Y (⌦), les événements {X = x} et {Y = y } sont
indépendants, i.e.
P([X = x] \ [Y = y ]) = P(X = x)P(Y = y )
Définition
On appelle moment (non centré) d’ordre k de la variable aléatoire X , le
réel mk (X ) défini par :
8P+1
< i=1 xi P(X = xi ) si X est discret
> k
mk (X ) =
>
:R +1 k
1 x f (x) dx si X est continue
µk (X ) =
>
:R +1
1 (x E(X ))k f (x) dx si X est continue
Exercice
Soit X une variable aléatoire discrète prenant les valeurs 2, 4, 6 et 8.
Calculer E(X ) et V(X ) sachant que :
P(X < 6) = 1/3, P(X > 6) = 1/2, P(X = 2) = P(X = 4).
Propriétés
Remarque
Pour calculer E(g (X )), il suffit de changer xi en g (xi )
Il est parfois utile de disposer d’inégalités sur les moments des variables
aléatoires afin de donner des majorations ou des minorations des moments
sans avoir à les calculer.
Théorème
(Inégalité de Cauchy-Schwarz)
Soient X et Y deux variables aléatoires réelles définies sur le même espace
probabilisé (⌦, C, P) et dont les moments d’ordre 2 existent (E(X 2 ) < 1
et E(Y 2 ) < 1) alors
q
|E(XY )| E(|XY |) E(X 2 )E(Y 2 )
Proposition
(Inégalités de Markov et Bienaymé-Chebyshev)
1 Soit une variable aléatoire X à valeurs réelles dont l’espérance existe
et soit a > 0.
E(|X |)
P(|X | a) . (Inégalité de Markov)
a
2 Soit une variable aléatoire X à valeurs réelles dont l’espérance et la
variance existent et soit a > 0
E [X E(X )]2 V(X )
P(|X E(X )| a) 2
= .
a a2
(Inégalité de Bienaymé-Chebyshev)
Cov(X , Y )
⇢(X , Y ) = p p
V(X ) V(Y )
Définition
Soient X et Y deux variables aléatoires discrètes avec X (⌦) = {xi , i 2 N}
et Y (⌦) = {yj , j 2 N}. La loi conjointe du couple (X , Y ) est donnée par
(X , Y )(⌦) = X (⌦) ⇥ Y (⌦) ainsi que par les probabilité :
pij = P (X = xi ) \ (Y = yj ) = P(X = xi , Y = yj ) pour i, j 2 N
Remarque
P
On a nécessairement i,j2N pij =1
Exercice
On prend une nouvelle fois l’exemple du dé. On note Y la variable qui
vaut 1 si le résultat est impair et 2 si le résultat est pair et Z la variable
qui vaut 0 si le résultat est 1, 1 si le résultat est 6 et 2 sinon. Déterminez
la conjointe de (Y , Z ).
Définition
On appelle première loi marginale (respectivement deuxième loi marginale)
la loi de la première composante X (respectivement deuxième composante
Y ). On les obtient de la façon suivante : pour i, j 2 N,
X X
pi = P(X = xi ) = P(X = xi , Y = yj ) = pij
j2N j2N
X X
qj = P(Y = yj ) = P(X = xi , Y = yj ) = pij
i2N i2N
Exercice
On reprend une nouvelle fois l’exemple du dé (voir exercice précédent).
Retrouvez les lois marginales à partir de la loi conjointe de (Y , Z ).
P(X = xi , Y = yj ) pij
P Y = yj |(X = xi ) = =
P(X = xi ) pi
Définition
Soit f une fonction définie sur R2 , à valeurs réelles. On dit que f est une
densité de probabilité sur R2 si :
1 f est continue ”par morceaux” sur R2 .
2 f 0 sur R2 .
RR
R2 f (x, y ) dxdy = 1
3
Définition
Soit f une densité sur R2 .
On dira que le couple de v.a.r. (X , Y ) a pour densité f si, pour tout
couple de réels (x, y ), on a :
Z x ✓Z y ◆
P(X x, Y y ) = f (u, v )dv du
1 1
Z y ✓Z x ◆
= f (u, v )du dv
1 1
Définition
On appelle fonction de répartition du couple (X , Y ) de densité f
l’application défini sur R2 par :
Z x Z y
F (x, y ) = P(X x, Y y ) = f (u, v )dudv 8(x, y ) 2 R2 .
1 1
Définition
Soit (X , Y ) un couple de v.a.r. de fonction de répartition F . Soit FX et
FY les fonctions de répartition respectives de X et de Y . Alors :
FY (y ) = lim F (x, y ) 8y 2 R
x!+1
Définition
Soit (X , Y ) un couple de v.a.r. de densité f . Alors X et Y ont les densités
suivantes :
Z +1 Z +1
fX (x) = f (x, y ) dy 8x 2 R fY (y ) = f (x, y ) dx 8y 2 R
1 1
Définition
(Théorème de transfert)
Soit (X , Y ) un couple de v.a.r. de densité f et une fonction de R2 à
valeurs réelles, alors :
Z Z
E( (X , Y )) = (u, v )f (u, v )dudv
R2
Définition
1 L’espérance du couple (X , Y ) est définie si X et Y sont intégrables et
on a alors
E[(X , Y )] = (E(X ), E(Y ))
2 Si X et Y sont deux variables aléatoires de carré intégrable, la
matrice de variance-covariance (ou matrice de covariance) du couple
(X , Y ) est la matrice :
✓ ◆
Var(X ) Cov(X , Y )
C=
Cov(Y , X ) Var(Y )