Académique Documents
Professionnel Documents
Culture Documents
Toufik Chaayra
Département : Mathématiques
Filière : SMA
Module : M33
Année universitaire : 2021/2022
07 Avril, 2022
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 1 / 56
Variable aléatoire
Définition
Soit (Ω, F) un espace mesurable. Une variable aléatoire réelle (v.a.r.)
X est une application mesurable de (Ω, F) dans (R, B(R)).
Définition
La tribu engendrée par une variable aléatoire X définie sur (Ω, F) est
l’ensemble n o
−1
σ(X) = X (A), A ∈ B(R)
Définition
Soit X une v.a.r. définie sur (Ω, F, P ). La loi de X est la probabilité
PX sur (R, B(R)) définie comme mesure-image de P par X : pour tout
A ∈ B(R),
PX (A) = P [X ∈ A] = P [ω ∈ Ω | X(ω) ∈ A]
Exemple
1
Soient Ω = {1, 2, . . . , 6}, F = P(Ω) et P ({i}) = . On définit :
6
X1 (ω) = ω :
1
PX1 (i) = P (X = i) = P ({ω ∈ Ω, X1 (ω) = i}) = P ({i}) =
6
X2 (ω) = 1{1,2,4} (ω) :
1 1
PX2 (1) = P (X2 = 1) = P ({1, 2, 4}) = , PX2 (0) = P (X2 = 0) = .
2 2
X
PX (A) = P [X ∈ A] = pi cas discrèt où on donne les probabilités pi ,
i∈A
Z
PX (A) = P [X ∈ A] = f (x)dx cas "continu!!!" où on donne
A
la densité f (x),
X
kpk , cas discrèt
E(X) = Z
xf (x)dx cas "continu!!!"
Remarque
On écrira par exemple "soit X une variable de Bernoulli de paramètre
p′′ , c’est-à-dire telle que
PX (1) = 1 − PX (0) = p
ou plus exactement
P {X = 1} = 1 − P {X = 0} = p
Définition
Soient P et Q deux probabilités sur (Ω, F)
On dit que P est absolument continue par rapport à Q et on écrit
P ≪ Q si pour tout A ∈ F,
Q[A] = 0 =⇒ P [A] = 0
Théorème
Une Probabilité P est absolument continue par rapport à une mesure Q
ssi il existe une fonction f mesurable positive telle que
Z
P (A) = f dQ (1)
A
Remarque
(1) est equivalent à Z Z
gdP = gf dQ
PX = pδ1 + (1 − p)δ0 .
Exemple
1 Variable aléatoire uniforme-continue sur [a, b] X ∼ U([a, b]) de
densité
1
f (x) = 1 (x).
b − a [a,b]
2 Variable exponentielle de paramètre θ > 0, X ∼ E(θ) de densité
1 (x−µ)2
−
f (x) = √ e 2σ2 , x ∈ R.
2πσ
Exemple
4 Variable de loi Gamma (X ∼ Gamma(α, β)) de paramètres α > 0
et β > 0 de densité
β α −βx α−1
Z +∞
f (x) = e x 1R∗+ (x) où Γ(α) = xα−1 e−x dx.
Γ(α) 0
Proposition
1 0 ≤ F ≤ 1,
2 F est croissante, continue à droite avec la limite à gauche suivante
De plus
PX ({t}) = P (X = t) = F (t) − F t− ,
n=1
lim F (tn ) = lim P (X ≤ tn ) = lim PX (]−∞, tn ])
n→∞ n→∞ n→∞
∞
# #!
i i \
= PX lim − ∞, tn = PX − ∞, tn
n→∞
n=1
′ ′
= PX (] − ∞, t =F t
▶ De plus
P (X = t) = P (X ≤ t) − P (X < t) = F (t) − F t− ,
Donc
Tandis que,
[
1 = P (Ω) = P {X ≤ n} = lim P (X ≤ n) = lim F (x)
n→+∞ x→+∞
n≥1
Preuve :
S
L’ensemble des points de discontinuité est D = n≥1 Dn . Puisque
0 ≤ F ≤ 1 et par croissance de F , nécessairement
Proposition
Soit X une variable de fonction de répartition F alors si
X
1 X est discrète telle que PX = pn δan , alors
n∈N
X
F (t) = pn ,
an ≤t
Définition
Une fonction f : Rd −→ R mesurable est appelée densité de probabilité
si
f est positive,
f est intégrable sur Rd d’intégrale 1 :
Z +∞ Z +∞
··· f (x1 , . . . , xn ) dx1 . . . dxn = 1
−∞ −∞
Proposition
Soit X une variable de fonction de répartition F et de densité f , si
1 f est continue sur [a, b], alors F est dérivable sur [a, b] et on a
F ′ = f sur [a, b].
2 F est λ-prèsque partout dérivable, alors f = F ′ , λ-p.p.
Définition
Une variable aléatoire est dite continue si elle ne possède pas d’atome :
P (X = x) = 0, ∀x ∈ R (i.e sa fonction de répartition est continue).
Proposition
Une variable aléatoire réelle absolument continue est continue mais la
réciproque est fausse.
Définition
Une variable aléatoire est dite singulière lorsqu’elle est continue mais
pas absolument continue. C’est-à-dire qu’une loi singulière ne possède
ni atome, ni densité.
F = α1 F1 + α2 F2 + α3 F3
Remarque
Il y a quatre types de variables aléatoires :
Discrète,
Absolument continue,
Singulière,
Mixte.
∞
X
E(X) = xi P (X = xi )
i=1
Remarque
Lorsque X(Ω) = {x1 , x2 , . . . , xn } est fini, cette somme est finie et
on a: n X
E(X) = xi P (X = xi )
i=1
Lorsque X(Ω) est infini, on a la somme d’une série qui peut ne pas
exister.
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 26 / 56
Espérance mathématique
Exemple
Soit X une v.a. discrète de loi de probabilité définie par:
!
3i 2
pi = P X = (−1)i+1 = ; i = 1, 2, 3, . . .
i 3i
∞ ∞ i ∞
X X 3 2 X 2
Puisque |xi | pi = · i = = ∞, l’espérance mathématique
i=1 i=1
i 3 i=1
i
de X n’existe pas.
Remarque
Comme pour une v.a. discrète, l’espérance mathématique d’une v.a.
continue n’existe pas toujours.
Exemple
Soit X une v.a. continue de densité f définie par:
1 1
f (x) = ;x ∈ R (Loi de Cauchy)
π 1 + x2
1 +∞ |x|
Z
Puisque l’intégrale dx n’existe pas, cette intégrale
π −∞ 1 + x2
diverge, alors l’espérance mathématique de X n’existe pas.
Propriétés
1 ∀a, b ∈ R, on a: V (aX + b) = a2 V (X)
2 V (X) = 0 ⇔ X = constante (p.s.)
3 V (X) < E(X − C)2 , ∀C ̸= E(X);
car E(X − C)2 = E(X − E(X))2 + (C − E(X))2 puisque
2(E(X) − C)E(X − E(X)) = 0
X − E(X)
Si E |X|2 < ∞, la v.a. Z =
4 est telle que E(Z) = 0 et
σ(X)
σ(Z) = 1.
Z est dite v.a. centrée et réduite associée à la v.a. X.
Définition
On appelle médiane de X un réel m tel que
1 1
P (X ≥ m) ≥ et P (X ≤ m) ≥
2 2
Remarque
Si X est continue alors la médiane est solution de
1
F (m) =
2
Si X est absolument continue de densité f alors la médiane est solution
de Z m
1
f (x)dx =
−∞ 2
Définition
Soit X une variable aléatoire discrète. On appelle mode de X toute
valeur x0 telle que:
P (X = x0 ) = max P (X = xk ) .
xk
Exemple
Soit X une v.a. discrète de loi de probabilité donnée par le tableau
suivant:
xi −2 −1 0 1 2
pi = P (X = xi ) 0,1 0,1 0,3 0,2 0,3
Cherchons la loi de Y = X 2 + 1
Y prend les valeurs 1, 2 et 5 avec les probabilités :
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 34 / 56
Changement de variables
P (Y = 1) = P (X = 0) = 0, 3
P (Y = 2) = P (X = −1) + P (X = 1) = 0, 1 + 0, 2 = 0, 3
P (Y = 5) = P (X = −2) + P (X = 2) = 0, 1 + 0, 3 = 0, 4
D’où la loi de Y :
yj 1 2 5
pj = P (Y = yj ) 0,3 0,3 0,4
Preuve :
Si g est strictement croissante et dérivable alors elle est continue et
strictement croissante (donc g est bijective), les limites α et β
existent (peuvent être infinies) et la fonction inverse g −1 existe,
elle est dérivable et strictement croissante.
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 36 / 56
Changement de variables
Preuve :
−1 (y)
Donc, P (Y ≤ y) = P (g(X) ≤ y) = P X ≤ g
D’où FY (y) = FX g −1 (y) avec FX et FY sont respectivement les
FY (y) = 1 − FX g −1 (y)
d’où
En dérivant, on obtient
′
−1 −1
fY (y) = −fX g (y) g (y)
D’où le résultat.
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 37 / 56
Changement de variables
Exemple
Soit X une v.a. continue de densité
(
1 si 0 < x < 1
fX (x) =
0 autrement
Donc
1 −y −y
fY (y) = 1. − e 2 ; 0<e 2 <1
2
1 e −y
2 si 0 < y < ∞
= 2
0 autrement
Remarque
Si g n’est pas bijective ou si g n’est pas strictement monotone, alors on
trouve la densité de Y = g(X) par dérivation de
P (Y ≤ y) = P (g(X) ≤ y)
Contre-exemple :
Soit X une v.a. continue de densité fX . Cherchons fY la densité de
Y = X 2.
Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 39 / 56
Changement de variables
Contre-exemple :
On a Y = g(X) avec g(x) = x2 .
Dans ce cas g ′ (x) = 2x qui est positive pour x > 0 et négative pour
x < 0, d’où g n’est pas strictement monotone.
Mais, pour y > 0, on a :
FY (y) =P (Y ≤ y)
2
=P X ≤ y
√ √
=P (− y ≤ X ≤ y)
√ √
=FX ( y) − FX (− y)
En dérivant, on obtient:
1
√ √
√
2 y fX ( y) + fX (− y) si y > 0
fY (y) =
0 si y ≤ 0
Exemple
Soit X une v.a. continue de densité de probabilité:
(
3
1 − x2
2 si 0 ≤ x ≤ 1
f (x) =
0 autrement
Calculons E X 2 .
Inégalité (Markov)
Si X est intégrable et t > 0, alors
E(|X|)
P (X ≥ t) ≤
t
Remarque
1 Si X ∈ Lp , p > 0, alors
E (|X|p )
P (X ≥ t) ≤
tp
2 Si X ∈ L2 , l’inégalité de Markov implique l’inégalité de
Bienaymé-Tchebychev
V (X)
P (|X − E(X)| ≥ t) ≤
t2
xk f (x)dx si X continue
−∞
Définition
On appelle moment centré d’ordre k d’une v.a. X, le nombre µk défini
par:
X
k
(x i − E(X)) P (X = xi ) si X discrète
µk = E(X−E(X))k = Zi +∞
(x − E(X))k f (x)dx si X continue
−∞
Remarques
1 Le moment d’ordre 1, noté m1 ou m est l’espérance mathématique
E(X) = m.
2 Le moment centré d’ordre 2, noté µ2 est la variance µ2 = V (X).
3 Comme pour l’espérance et la variance, les moments peuvent
parfois ne pas exister (la série ou l’intégrale divergent).
Définition
∞
X
k X
La fonction définie par: G(s) = pk s = E s qui converge pour
k=1
|s| ≤ 1, est dite fonction génératrice de probabilité de X.
Conséquences
Les moments de la v.a. X s’ils existent peuvent être déterminés par les
dérivées de G(s) au point s = 1.
En effet :
∞
G′ (s) = kpk sk−1 ⇒ G′ (1) = E(X) si E|X| < ∞
X
k=1
∞
G′′ (s) = k(k − 1)pk sk−2 ⇒ G′′ (1) = E(X(X − 1)) si E(X 2 ) < ∞
X
k=1
2 2
=E X −X =E X − E(X)
Donc :
2
2
= G′ (1) + G′′ (1) V (X) = G′′ (1) + G′ (1) − G′ (1)
E X et
Définition
La fonction génératrice des moments est définie pour toute v.a. X par:
X
etx P (X = x) si X est discrète
tX x
M (t) = E e = Z +∞
etx f (x)dx si X est continue
−∞
Si E etX existe dans un voisinage de l’origine.
Théorème
Si M (t) existe pour t ∈] − t0 , t0 [, t0 > 0 , alors ses dérivées de tout
ordre existent pour t = 0,
et de plus (k) k
M (0) = E X , k = 0, 1, 2, . . .
C’est-à-dire que :
Tout les moments d’ordre k peuvent être calculés à l’aide des dérivées
de M (t) au point t = 0.
Si X est continue :
Z +∞ Z +∞
d d tx
M ′ (t) = etx f (x)dx = e f (x)dx
dt −∞ −∞ dt
Z +∞
tx tX
= xe f (x)dx = E Xe
−∞
′′d ′ d tX
2 tX
M (t) = M (t) = E Xe =E X e
dt dt
et M ′′ (0) = E X 2
Remarque
La fonction génératrice des moments M (t) peut ne pas exister.
En effet, E(etX ) n’est pas toujours définie.
Exemple
Soit X une v.a. discrète définie par:
6 1
P (X = k) = ; k = 1, 2, . . .
π2 k2
Donc, on a:
∞ tk
6 X e
M (t) = 2 =∞
π k=1 k 2
Exemple
Soit X une v.a. continue de fonction de densité
1
f (x) = e−x/2 , x > 0
2
Donc
1
M (t) = pour t < 1/2,
1 − 2t
2
M ′ (t) =
(1 − 2t)2
et
8
M ′′ (t) = pour t < 1/2
(1 − 2t)3
On en déduit E(X) = 2, E X 2 = 8 et V (X) = 4.