Chapitre 2-Probabilités - Toufik Chaayra

Probabilités
Chapitre 2 : Variable aléatoire
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]

Formulation élémentaire
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

Formulation élémentaire
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 par,
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!!!"
Passons à une formulation probabiliste

Oublions (Ω, F, P )
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

Absolue continuitée
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
On dit que P et Q sont équivalentes et on écrit P ∼ Q si pour tout

A ∈ F.
P [A] = 0 ⇐⇒ Q[A] = 0

Théorème de Radon-Nikodym
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
on dit que P a la densité f par rapport Q et on écrit dP = f dQ.
Remarque
(1) est equivalent à Z Z
gdP = gf dQ
Pour toute fonction g mesurable positive ou mesurable P -intégrable

v.a. discrète et v.a. absolument continue
Définition
On dit qu’une variable aléatoire est discrète si sa loi PX est une
combinaison linéaire finie ou dénombrable de masses de Dirac :
X
PX = pn δan .
n∈N
où (pn )n∈N est une

suite de réels positifs ou nuls, (an )n∈N est une suite
de vecteurs de B Rd et Ω désigne l’ensemble des an pour lesquels
pn > 0.
Définition
Si la loi de X est absolument continue par rapport à une mesure µ et
que
dPX = f dµ
on dit que X admet la densité f par rapport à µ. Si µ est la mesure de
Lebesgue, on dit simplement que X est absolument continue de densité
f.
Variables aléatoires discrètes
Exemple
1 Variable aléatoire de Bernoulli de paramètre
0 < p < 1 (X ∼ B(1, p)) :
PX = pδ1 + (1 − p)δ0 .
2 Variable aléatoire de loi binomiale de paramètre 0 < p < 1 et

n ∈ N (X ∼ B(n, p)) :
n
X
PX = Cnk pk (1 − p)n−k δk .
k=0
3 Variable aléatoire de Poisson de paramètre λ (X ∼ P(λ)) :

∞ k
−λ λ
X
PX = e δk .
k=0
k!

Variables aléatoires discrètes
Exemple
4 Variable aléatoire géométrique de paramètre 0 < p < 1 (X ∼ G(p))
: ∞ X
PX = p(1 − p)k−1 δk .
k=1
5 Variable aléatoire uniforme-discrète de paramètre n ou
équiprobabilité sur {1, 2, . . . , n} (X ∼ U(n))
n
1X
PX = δk .
n k=1
6 Variable aléatoire uniforme-discrète de paramètre a < b ou

équiprobabilité sur {a, a + 1, . . . .b} (X ∼ U({a, a + 1, . . . .b}))
b
1 X
PX = δk .
b − a + 1 k=a
Variables aléatoires absolument continues
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
f (x) = θe−θx 1]0,+∞[ (x).
Variable gaussienne N µ, σ 2 de densité

3
1 (x−µ)2
−
f (x) = √ e 2σ2 , x ∈ R.
2πσ

Variables aléatoires absolument continue
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
5 Variable de loi Bêta de paramètres a > 0 et b > 0 (X ∼ Bêta(a, b))

de densité
1 Γ(a)Γ(b)
f (x) = xa−1 (1 − x)b−1 1[0,1] (x) où β(a, b) =
β(a, b) Γ(a + b)

Fonctions de répartition d’une variable aléatoire réelle
Définition
On appelle fonction de répartition de X, ou de sa loi PX , et on note
FX , la fonction sur R définie par
FX (t) = PX (] − ∞, t]) = P (ω : X(ω) ≤ t) = P (X ≤ t), t ∈ R
Proposition
1 0 ≤ F ≤ 1,
2 F est croissante, continue à droite avec la limite à gauche suivante
F t− = PX (] − ∞, t[) = P (X < t).

De plus
PX ({t}) = P (X = t) = F (t) − F t− ,

donc F est continue en t ssi P (X = t) = 0.

3 lim F (t) = 0 et lim F (t) = 1.
t→−∞ t→+∞
Fonction de répartition d’une v.a.r. : Proposition
Preuve :
1 vient de ce que P est à valeurs dans [0; 1].
2 Croissance : Soit x ≤ y; alors ] − ∞, x] ⊂] − ∞, y] par suite
F (x) = PX (] − ∞, x]) ≤ PX (] − ∞, y]) = F (y),

Continuité : Soit une suite numérique (tn )n décroissante telle
que lim tn = t′ alors (]−∞, tn ])n est une suite décroissante
n→+∞
d’événements. ∞
]−∞, tn ] = −∞, 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− ,


Fonction de répartition d’une v.a.r. : Proposition
donc F est continue en x ssi P (X = t) = 0.

3 En remarquant que \
{X ≤ −n} = ∅.
n≥1
Donc
0 = P (∅) = lim P (X ≤ −n) = lim F (−n) = lim F (x).

n→+∞ n→+∞ x→−∞
Tandis que,
 
[
1 = P (Ω) = P  {X ≤ n} = lim P (X ≤ n) = lim F (x)
n→+∞ x→+∞
n≥1

Fonction de répartition d’une v.a.r.
Proposition
La fonction de répartition caractérise la loi, c’est-à-dire FX = FY si et
seulement si PX = PY .
Preuve : Si FX = FY alors PX (] − ∞, t]) = PY (] − ∞, t]) pour tout

t ∈ R. La famille C de ces intervalles ] − ∞, t], t ∈ R, est stable par
intersection finie et engendre B(R). Par le Théorème de Dynkin,
l’égalité PX (A) = PY (A) s’étend à A ∈ σ(C), ie. PX = PY . La
réciproque est triviale.
Proposition
Une fonction de répartition admet au plus un nombre dénombrable de
points de discontinuité.
Preuve : Un point de discontinuité t de F est caractérisé par

F (t) − F (t− ) > 0, puisque Fn est continue à droite. Poser
o alors, pour
tout n ≥ 1, Dn = t ∈ R; F (t) − F (t− ) ≥ n1
Preuve :
S
L’ensemble des points de discontinuité est D = n≥1 Dn . Puisque
0 ≤ F ≤ 1 et par croissance de F , nécessairement
card (Dn ) ≤ n ( i.e., Dn ne peut contenir plus de n + 1 points)
Sinon il existe au moins t1 , t2 , . . . , tn+1 ∈ Dn ce qui implique la

conradiction suivante

1 = PX (R) ≥ F (t1 ) − F t−
1 + F (t2 ) − F t−
2 + ...
n+1
+ F (tn+1 ) − F t−
n+1 ≥ >1
n
Donc l’ensemble des points de discontinuité D est au plus dénombrable.

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
2 X est absolument continue par rapport à la mesure de Lebesgue,

dPX = f dλ alors
Z t Z t2
F (t) = f (x)dx, et F (t2 ) − F (t1 ) = f (x)dx
−∞ t1

Densité de probabilité
Remarque
On observe que la densité f doit vérifier f (x) ≥ 0 et
Z
f (x)dx = 1
R
Plus généralement on a la définition suivante.
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
−∞ −∞

Fonctions de répartition et densité de probabilité
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.

Exemples de fonctions de répartition
1)- F = A[a,∞[ est la fonction de répartition de la masse de Dirac δa .
2)- Si X ∼ B(1, p), alors

t<0
0,


FX (t) = 1 − p, 0 ≤ x < 1

1≤t

1,
3)- Si X ∼ B(n, p), alors

n
X X
FX (t) = Cnk pk (1 − p) n−k
1[k,∞[ (t) = Cnk pk (1 − p)n−k
k=0 k≤min{n,[t]}
4)- Si X ∼ P(λ), alors

k
−λ λ
X
FX (t) = e
k≤[t]
k!
5)- Si X ∼ G(p), alors
X
FX (t) = p(1 − p)k−1 = 1 − (1 − p)[t] .
k≤[t]
Exemples de fonctions de répartition
6)- Si X ∼ U(n), alors
[t]
FX (t) =
n
7)- Si X ∼ U([a, b]) alors

0,

 t<a
x−a
FX (t) =
b−a , a ≤ t < b

1, b≤t
8)- Si X ∼ E(θ) alors de densité

−θt
FX (t) = 1 − e 1[0,+∞[ (t).
9)- Si X ∼ N (0, 1) alors

Z t
1 2
− x2
FX (t) = √ e dx
2π −∞

Type de variables aléatoires
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.

Type de variables aléatoires
Théorème
Soit F une fonction de répartition. Alors il existe trois fonctions de
répartition F1 discrète, F2 absolument continue et F3 singulière (i.e.
continue mais non absolument continue) et trois nombres réels α1 , α2
et α3 positifs et de somme 1 tel que F puisse s’écrire sous la forme
F = α1 F1 + α2 F2 + α3 F3
Remarque
Il y a quatre types de variables aléatoires :
Discrète,
Absolument continue,
Singulière,
Mixte.

Exemple
Soit la fonction de répartition F d’une loi variable alétoire X, donnée
par 
0,

 t<0
 t2 ,

0≤t<2

FX (t) = 6
3
 , 2≤t<3
4


1, t≥3

La partie continue est dérivable presque partout par rapport à la

mesure de Lebesgue, de densité
x
f (x) = 1 (x)
3 [0,2[
La mesure de probabilité PX se représente donc comme
1 1 1 2
P X = µ d + µc = δ2 + δ3 + µc = Pd + Pc , dµc = f dλ
12 4 3 3

Espérance mathématique
Définition
Soit X une v.a. discrète de loi de probabilité
P (X = xi ) = pi , i = 1, 2, . . .
∞
X
Si |xi | pi < ∞, on définit l’espérance mathématique de X par
i=1
∞
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.
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.

Définition
Z
Soit X une v.a.r. définie sur (Ω, F, P ) telle que |X(ω)|dP < ∞. On
Ω
définit alors l’espérance de X par
Z Z Z
E(X) = XdP = X(ω)dP = xdPX
Ω Ω R
On dit que X est intégrable quand E|X| < +∞ et on note

Z
L1 (Ω, F, P ) = X v.a.r. telle que |X|dP < +∞
De la même façon, on définit, pour p > 0,

Z
Lp (Ω, F, P ) = X v.a.r. telle que |X|p dP < +∞

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.

Variance
On définit une mesure de dispersion de X autour de son espérance

mathématique dite variance de X.
Définition
Soit X une variable aléatoire réelle dont le carré est intégrable. On
appelle variance de X, ou de sa loi PX , et on note V (X), la quantité

2 2
V (X) = E (X − E(X)) =E X − (E(X))2 .
p
La racine V (X) est appelée l’écart type, parfois noté σ(X). Une
variable aléatoire d’écart type 1 est dite réduite.

Variance
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.

Médiane
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

Mode
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
Soit X une variable aléatoire absolument continue, de densité f

continue sur R. On appelle mode de X tout réel x0 où f atteint son
maximum.
f (x0 ) = max f (x)
x

Changement de variables
Si X est une v.a. discrète :
Soit X une v.a. discrète telle que X(Ω) = {x1 , x2 , · · · } et g une
fonction de X(Ω) dans l’ensemble E =[ {y1 , y2 , · · · }. Alors Y = g(X)
est une v.a. telle que : ∀j; (Y = yj ) = (X = xi ) où la réunion est
i∈I X
prise sur I = {i/g (xi ) = yj } d’où P (Y = yj ) = P (X = xi )
i∈I
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 :
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

Soit X une v.a.r dans R et g une application mesurable de R vers R.
On veut déterminer la loi du vecteur aléatoire g(X).
Théorème
Soit X une variable aléatoire à valeurs dans R de densité fX et soit
g : R −→ R une bijection de classe C 1 (ainsi que son inverse) et
strictement monotone. Alors Y = g(X) est une variable aléatoire à
valeurs dans R qui admet pour densité la fonction
′
−1 −1
fY (y) = g (y) · fX g (y) , α < y < β
avec α = min{g(−∞), g(+∞)} et β = max{g(−∞), g(+∞)}
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.
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

fonctions de répartition des v.a. X et Y . ′

−1 −1

En dérivant, on obtient: fY (y) = fX g (y) · g (y)
Si g est strictement décroissante, alors g −1 est aussi strictement
décroissante,
P (Y ≤ y) =P (g(X) ≤ y)

−1
=P X > g (y)

−1
=1 − P X ≤ g (y)
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.
Exemple
Soit X une v.a. continue de densité
(
1 si 0 < x < 1
fX (x) =
0 autrement
Cherchons les densités de Y = eX et de Y = −2 ln X.
a)- Y = eX ⇔ X = ln Y avec Y > 0; ∀X et on a :

fY (y) = 1. y1 ; 0 < ln y < 1
c’est-à-dire que :

1 si 1 < y < e
y
fY (y) =
0 autrement

−Y
b)- Y = −2 ln X ⇔ X = e 2
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.
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

Cractérisation de la loi
Théorème (de transport)

Soit Y une variable aléatoire à valeurs dans R. Pour que sa loi PY ,
absolument continue, soit de densité fY il faut et il suffit que pour
toute fonction borélienne bornée ϕ : R → R telle que ϕ(Y ) soit
intégrable ou positive, on ait :
Z
E(ϕ(Y )) = ϕ(y)f (y)dy.
R

Cractérisation de la loi
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 .

L’application directe du théorème de transport (ou transfert)

donne:
Z +∞ Z 1

2
3 1
E X = x2 f (x)dx = x 2
1−x 2
dx =
−∞ 2 0 5

Inégalités
Faute de connaître une probabilité exacte, il suffit parfois de trouver

une borne supérieure ou inférieure à cette probabilité. Le théorème
suivant qui lie l’espérance mathématique et l’écart-type répond à ce
genre de questions.
Inégalité (Markov)
Si X est intégrable et t > 0, alors
E(|X|)
P (X ≥ t) ≤
t

Inégalités
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

Moments d’ordres supérieurs
Définition
On appelle moment d’ordre k d’une v.a. X, le nombre mk défini par:
X


 xki P (X = xi ) si X discrète

mk = E(X ) = Zi +∞
k
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




−∞

Moments d’ordres supérieurs
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).

Fonctions génératrices
Soit X une v.a. discrète telle que pk = P (X = k); k = 1, 2, . . . avec

∞
X
pk = 1
k=1
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.

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

Exemple
Soit la v.a. de Poisson définie par:
k
−λ λ
P (X = k) = e ; k = 0, 1, 2, · · ·
k!
∞ −λ
ke
= e−λ esλ = e−λ(1−s) ; |s| ≤ 1
X
On a: G(s) = (sλ)
k=0
k!
Donc
G′ (s) = λe−λ(1−s)
G′′ (s) = λ2 e−λ(1−s)
E(X) = G′ (1) = λ

2
E X − X = λ2

2
V (X) = E X − E(X)2 = λ

Fonction génératrice des moments
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.

d tX
En effet, M ′ (t) = E e
dt
Si X est discrète :
" #
′ d X
tx
X d
M (t) = e P (X = x) = etx P (X = x)
dt x x dt
X
tx tX
= xe P (X = x) = E Xe
x
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
−∞

En posant t = 0, on a M ′ (0) = E(X).

De même,
′′d ′ d tX
2 tX

M (t) = M (t) = E Xe =E X e
dt dt
et M ′′ (0) = E X 2

D’une façon générale, on a:

(k) k tX
M (t) = E X e , k≥1

et M (k) (0) =E Xk

D’après le théorème précédent, si M (t) existe pour

t ∈] − t0 , t0 [, t0 > 0 alors on peut développer M (t) en série de
Mc-Laurin:
′ t ′′ t2 (k) tk
M (t) = M (0) + M (0) · + M (0) · + · · · + M (0) · + · · ·
1! 2! k!

k
tk
Ainsi E X est le coefficient de
k!
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.


Chapitre 2-Probabilités - Toufik Chaayra

Transféré par

Informations du document

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

Chapitre 2-Probabilités - Toufik Chaayra

Transféré par

Droits d'auteur :

Formats disponibles

Probabilités

Chapitre 2 : Variable aléatoire

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 2 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 3 / 56

Passons à une formulation probabiliste

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 5 / 56

On dit que P et Q sont équivalentes et on écrit P ∼ Q si pour tout

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 6 / 56

on dit que P a la densité f par rapport Q et on écrit dP = f dQ.

Pour toute fonction g mesurable positive ou mesurable P -intégrable

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 7 / 56

où (pn )n∈N est une

2 Variable aléatoire de loi binomiale de paramètre 0 < p < 1 et

3 Variable aléatoire de Poisson de paramètre λ (X ∼ P(λ)) :

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 9 / 56

6 Variable aléatoire uniforme-discrète de paramètre a < b ou

f (x) = θe−θx 1]0,+∞[ (x).

Variable gaussienne N µ, σ 2 de densité

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 11 / 56

5 Variable de loi Bêta de paramètres a > 0 et b > 0 (X ∼ Bêta(a, b))

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 12 / 56

FX (t) = PX (] − ∞, t]) = P (ω : X(ω) ≤ t) = P (X ≤ t), t ∈ R

F t− = PX (] − ∞, t[) = P (X < t).

donc F est continue en t ssi P (X = t) = 0.

2 Croissance : Soit x ≤ y; alors ] − ∞, x] ⊂] − ∞, y] par suite

F (x) = PX (] − ∞, x]) ≤ PX (] − ∞, y]) = F (y),

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 14 / 56

donc F est continue en x ssi P (X = t) = 0.

0 = P (∅) = lim P (X ≤ −n) = lim F (−n) = lim F (x).

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 15 / 56

Preuve : Si FX = FY alors PX (] − ∞, t]) = PY (] − ∞, t]) pour tout

Preuve : Un point de discontinuité t de F est caractérisé par

card (Dn ) ≤ n ( i.e., Dn ne peut contenir plus de n + 1 points)

Sinon il existe au moins t1 , t2 , . . . , tn+1 ∈ Dn ce qui implique la

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 17 / 56

2 X est absolument continue par rapport à la mesure de Lebesgue,

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 18 / 56

Plus généralement on a la définition suivante.

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 19 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 20 / 56

3)- Si X ∼ B(n, p), alors

4)- Si X ∼ P(λ), alors

8)- Si X ∼ E(θ) alors de densité

9)- Si X ∼ N (0, 1) alors

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 22 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 23 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 24 / 56

La partie continue est dérivable presque partout par rapport à la

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 25 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 27 / 56

On dit que X est intégrable quand E|X| < +∞ et on note

De la même façon, on définit, pour p > 0,

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 28 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 29 / 56

On définit une mesure de dispersion de X autour de son espérance

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 30 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 31 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 32 / 56

Soit X une variable aléatoire absolument continue, de densité f

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 33 / 56

Toufik Chaayra Faculté pluridiscilinaire, Nador SMA S6 35 / 56

avec α = min{g(−∞), g(+∞)} et β = max{g(−∞), g(+∞)}

fonctions de répartition des v.a. X et Y . ′

Cherchons les densités de Y = eX et de Y = −2 ln X.