Professional Documents
Culture Documents
Chapitre 2
Chapitre 2
Skander HACHICHA
skander.hachicha@enit.utm.tn
Définition
Soit (E, B) un espace probabilisable.
On dit que l’application X : Ω −→ E est une variable aléatoire de
(Ω, A) dans (E, B) si
Remarque
Si l’ensemble Ω est fini ou dénombrable et A = P(Ω), alors toute
application X définie sur Ω est une variable aléatoire.
Démonstration
1 Ω = X −1 (E) et donc Ω ∈ σ(X).
2 Si A ∈ σ(X), alors il existe B ∈ B tel que A = X −1 (B) et par
suite
Ac = X −1 (Bc ) ∈ σ(X).
3 Soit (An )n∈ une suite d’éléménts de σ(X), il existe alors une suite
(Bn )n∈ une suite d’éléménts de B tel que An = X −1 (Bn ) pour
tout n ∈, comme ∪+∞ −1 +∞ +∞
n=1 An = X (∪n=1 Bn ) et ∪n=1 Bn ∈ B, alors
+∞
on a ∪n=1 An ∈ σ(X).
Skander HACHICHA Varaibles aléatoires I 4/1 4/1
Variables aléatoires
Plus généralement soient (Ω, A, P) un espace probabilisé, (E, B) un
espace probabilisable et X : Ω −→ E une application.
Alors la famille X −1 (B) = {X −1 (B) / B ∈ B} est une tribu sur Ω
Remarque
La tribu σ(X) est la plus petite tribu d’éléments de A rendant X une
variable aléatoire, elle représente l’information portée par X sur le
résultat de l’expérience aléatoire.
Proposition
Soient (Ω, A, P) un espace probabilisé et (E, σ(C)) un espace
probabilisable où C est une famille de parties de E. L’application
X : Ω −→ E est une variable aléatoire de (Ω, A) dans (E, σ(C)), si
seulement si X −1 (C) ⊂ A.
Conséquence
Soit (Ω, A, P) un espace probabilisé. Si l’ensemble Ω est quelconque
et A est strictement incluse dans P(Ω), alors pour que l’application
X : Ω −→ E où E = R (resp E = Rd ) puisse définir une variable
aléatoire, il faut que pour tout x ∈ R, X −1 (] − ∞, x]) ∈ A, (resp pour
tout x1 , · · · , xd ∈ R, X −1 ( di=1 ] − ∞, xi ]) ∈ A).
Q
Proposition
Soit (Ω, A, P) un espace probabilisé. Soient X et Y deux variables
aléatoires réelles sur (Ω, A, P). Alors :
1 αX + Y est une variable aléatoire réelle pour tout α ∈ R.
2 XY est une variable aléatoire réelle.
1
3 Si de plus ∀ω ∈ Ω, X(ω) 6= 0, X est une variable aléatoire réelle.
Soit (Xn )n∈ une suite de variables aléatoires réelles. Alors :
1 supn Xn , infn Xn , lim sup Xn = limn→+∞ supm≥n Xm et
lim inf Xn = limn→+∞ infm≥n Xm sont des variables aléatoires
réelles.
2 Si la suite (Xn )n∈ converge en tout point de Ω, alors
l’application limn Xn est une variable aléatoire réelle.
Proposition
Soient (Ω, A, P) un espace probabilisé et X : Ω −→ E une variable
aléatoire. Alors, l’application PX : B −→ [0, 1] définie par
Démonstration
Toutes les propriétés à vérifier découlent des propriétés élémentaires
suivantes X −1 (∅) = ∅, X −1 (E) = Ω, X −1 (Bc ) = (X −1 (B))c ,
X −1 (∪i∈I Ai ) = ∪i∈I X −1 (Ai ) et enfin X −1 (∩i∈I Ai ) = ∩i∈I X −1 (Ai ).
Remarque
Ainsi grâce à la variable X, on peut transporter la structure du
modèle probabiliste (Ω, A, P) sur l’espace d’arrivée (E, B, PX ).
Notation
Soit X une variable aléatoire réelle définie sur l’espace probabilisé
(Ω, A, P) et soit PX la loi de probabilité de X sur (E, BR ). Pour tout
borélien B de BR , on note
Exemple
On a vu au chapitre précédent comment modéliser le lancer de deux
dés à l’aide de l’espace Ω = {1, 2, · · · , 6}2 muni de la probabilité
uniforme A = P(Ω). Lors d’une réalisation ω = (ω1 , ω2 ) ∈ Ω, ω1 est
le résultat du premier dé et ω2 celui du second. La somme des deux
dés S(ω) = ω1 + ω2 définit donc une variable aléatoire. On a par
2 1
exemple P(S = 11) = P({(5, 6), (6, 5)}) = 36 = 18 .
Définition
Soit X une variable aléatoire réelle quelconque positive presque p.s
(i.e P(X ≥ 0) = 1). On appelle espérance de X et on note E(X) la
limite croissante
( éventuellement infinie ∈ R), de
+∞
X k k k+1
E(X) = lim n
P( n ≤ X < )
n→+∞
k=0
2 2 2n
Définition
Soit X une variable aléatoire réelle quelconque. On dit qu’elle est
intégrable si E(|X|) < +∞. Dans ce cas, on définit son
espérance(finie) par
Définition
Soit X une variable aléatoire réelle. La fonction de répartition de X
est la fonction mesurable F, parfois notée FX , définie sur R par :
F(x) = P(X ∈] − ∞, x]) = P(X ≤ x), x ∈ R.
Remarque
Soit X une variable aléatoire réelle de fonction de répartition FX .
Alors :
1 ∀x ∈ R, 0 ≤ FX (x) ≤ 1.
2 limx→+∞ FX (x) = 1 et limx→−∞ FX (x) = 0.
3 FX est croissante sur R et continue à droite en tout point de R.
4 FX caractérise la loi de X :
∀x, y ∈ R tq x ≤ y ona :
Définition
On appelle variable aléatoire réelle discrète toute variable aléatoire
X : Ω → R telle que X(Ω) = ∆ est au plus dénombrable ( fini ou
dénombrable).
Exemple
Soit A ∈ A. La fonction indicatrice de A, 1A : Ω → R est une
variable aléatoire réelle discrète.
Proposition
Soit X une variable réelle aléatoire discrète on a alors
X
P(X = x) = 1
x∈X(Ω)
1 Si x ∈
/ X(Ω), alors P(X = x) = 0.
2 En pratique, trouver la loi de X, c’est calculer les P(X = x) pour
tout x ∈ X(Ω).
3 La fonction de répartition d’une variable aléatoire réelle discrète
est donnée par : ∀x ∈ R, FX (x) = {t∈X(Ω) | t≤x} P(X = t)
P
Changement de variable :
Proposition
Soient X une variable aléatoire discrète et ϕ : R → R une fonction
mesurable. Alors la loi de Y, la variable aléatoire Y = ϕ(X) est
donnée par
PY (B) = PX (ϕ−1 (B)), ∀B ∈ BR .
Ainsi, ∀y ∈ Y(Ω), P(Y = y) = {x∈X(Ω) | y=ϕ(x)} P(X = x)
P
Remarque
Soit X une variable aléatoire discrète positive. On a :
k k+1 k k+1
2n P(X = x) ≤ xP(X = x) ≤ 2n P(X = x), x ∈ [ 2n , 2n [.
k k+1
En sommant sur x ∈ X(Ω) ∩ [ 2n , 2n [ il vient :
k k k+1 X
n
P( n ≤ X < )≤ xP(X = x)
2 2 2n
x∈X(Ω)∩[ 2kn , k+1
2n
[
k+1 k k+1
≤ n
P( n ≤ X < ).
2 2 2n
En sommant sur k, et en prenant la limite quand n tend vers l’infin, on
obtient alors que X
E(X) = xP(X = x)
x∈X(Ω)
Remarque
En utilisant la formule du changement de variable, on a, pour une
variable aléatoire réelle discrète quelconque :
X X
E(|X|) = y1{|x|=y} P(X = x) = |x|P(X = x).
x∈X(Ω) x∈X(Ω)
Exemple
Si A est un événement, la variable aléatoire discrète 1A est positive et
E(1A ) = P(A). En particulier si Ω = A ⇒ E(1) = 1
Exemple
Soit X : la variable aléatoire : le résultat d’un lancer d’un dé à 6
faces ⇒ E(X) = 6k=1 6k = 27
P
Proposition
Soient X une variable aléatoire réelle discrète et g : R → R une
fonction telles que
X
|g(x)|P(X = x) < +∞
x∈X(Ω)
Conséquence :
Si x∈X(Ω) |x|n P(X = x) < +∞, alors X n est intégrable et on a :
P
X
E(X n ) = xn P(X = x)
x∈X(Ω)
Définition
Soit X une variable aléatoire discrète à valeurs dans N. On appelle
fonction génératrice de X la fonction GX : [0, 1] → R,
s 7→ E(sX ) = +∞ n
P
n=0 s P(X = n)
Proposition
Soit X une variable aléatoire discrète à valeurs dans N, alors :
1 GX est une fonction entière sur [0, 1], de rayon de convergence
≥ 1.
2 GX est continue sur [0, 1] et de classe C ∞ sur [0, 1[.
(n)
GX (0)
3 GX détermine la loi de X et ∀n ∈ N, P(X = n) = n!
Proposition
Soit X une variable aléatoire discrète à valeurs dans N. Alors GX
admet une dérivée à gauche en s = 1 ssi E(X) existe et est finie, et
l’on a : E(X) = G0X (1).
Remarque
La fonction GX admet une dérivée seconde à gauche en s = 1 ssi
E(X(X − 1)) existe et est finie, et l’on a :
Loi de Bernoulli.
Soit p ∈]0, 1[. On dit qu’une v.a X suit la loi de Bernoulli de
paramètre p
notée B(p),
si X(Ω) = {0, 1}
et
(
P(X = 1) = p ;
P(X = 0) = 1 − p,
X admet des moments de tous ordres et
E(X) = p,
V(X) = p(1 − p)
et GX (s) = 1 − p + sp, ∀s ∈ R
Loi géométrique :
Soit p ∈]0, 1[.
On dit qu’une v.a X suit la loi géométrique de paramètre p notée G(p)
si
X(Ω) = N∗
et P(X = n) = p(1 − p)n−1 , ∀n ∈ N∗
E(X) = p1 ,
V(X) = 1−pp2
,
ps
et GX (s) = 1−(1−p)s , ∀s ∈] − 1, 1[
Loi de Poisson.
Soit λ ∈ R∗+ .
On dit qu’une v.a X suit la loi de Poisson de paramètre λ noté P(λ)
si X est à valeurs dans N et
−λ n
P(X = n) = e n!λ , ∀n ∈ N
X admet des moments à tout ordre 2 et l’on a :
E(X) = V(X) = λ
et GX (s) = exp(λ(s − 1)), ∀s ∈ R