Beruflich Dokumente
Kultur Dokumente
Essaidi Ali
20 mars 2015
Espaces probabiliss :
Soit un ensemble.
1.1
Espaces probabiliss :
An T .
nN
nN
CPGE Laayoune
Lissane Eddine
Essaidi Ali
!
[
An
nN
+
X
p(An ).
n=0
nN
Continuit dcroissante : Si la suite (An ) est dcroissante alors la suite (p(An ) converge et on a
!
\
An .
p
lim p(An ) =
n+
nN
Exemples :
On lance une pice non truqu une infinit de fois et on considre A lvnement : "On obtient face au moins une fois".
Soit An , n N lvnement "On obtient face au moins une fois dans [
les n premiers lancers" donc la suite des vnements
An .
(An ) est croissante, n N, p(An ) = 1 p(An ) = 1 21n et A =
nN
!
[
On dduit que p(A) = p
An = lim p(An ) = 1 donc A est un vnement presque sr.
nN
On lance un d non truqu 6 faces une infinit de fois et on considre A lvnement : "On nobtient jamais de 6".
Soit An , n N lvnement "On nobtient
\ jamais de 6 dans les n premiers lancers" donc la suite des vnements (An )
5n
est dcroissante, p(An ) = 6n et A =
An .
nN
!
\
On dduit que p(A) = p
An = lim p(An ) = 0 donc A est un vnement ngligeable.
nN
1.2
Aj =
jJ
p(Aj ).
jJ
p(A) p(A)p(B) = p(A)(1 p(B)) = p(A)p(B). On dduit encore que A et B sont indpendants.
Si (Ai )iI est une famille indpendante dvnements de T alors ses lments sont deux deux indpendants. La rciproque est fausse.
Soit A1 , . . . , An des vnements de T . Si p(A1 An ) = p(A1 ) p(An ) alors la famille (A1 , . . . , An ) nest pas
forcment indpendante.
Exemple : On lance un d non truqu 6 faces et soient les vnements A = "Le nombre obtenu est divisible par 2" et B = "Le
nombre obtenu est divisible par 3".
On a A = {2, 4, 6}, A = {3, 6} et A B = {6} donc p(A)p(B) = 63 62 = 16 = p(A B) do les vnements A et B sont
indpendants.
Dfinition 1.4 Soient (, T , p) un espace probabilis et B un vnement de T tel que p(B) 6= 0.
On appelle probabilit sachant B, lapplication note pB et dfinie sur T par pB (A) = p(AB)
p(B) .
Pour tout vnement A de T , pB (A) se lit "la probabilit de A sachant B". pB (A) se note aussi p(A|B).
Remarques : Soient (, T , p) un espace probabilis et A, B deux vnements de T avec p(B) 6= 0.
www.mathlaayoune.webs.com
2/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Thorme 1.2 Soient (, T , p) un espace probabilis, A un vnement de T et (Bi )iI une famille finie ou dnombrable qui
forme un systme complet dvnements
i I, p(Bi ) 6= 0.
X de T telle queX
Probabilits totales : p(A) =
p(A Bi ) =
p(A|Bi )p(Bi ).
iI
iI
p(A|Bi )p(Bi )
p(A|Bi )p(Bi )
=X
.
p(A)
p(A|Bj )p(Bj )
jI
Exemple : On dispose de deux urnes u1 et u2 , u1 contient 2 boules balanches et 3 boules noires et u2 contient 3 boules blanches
et 2 boules noires.
On lance un d non truqu, si le numro obtenu est infrieur 2, on tire une boule de lurne u1 , sinon on tire une boule de lurne
u2 et on suppose que les boules sont indiscernables au toucher.
Probabilit de tirer une boules blanche : On considre les vnements B = "Tirer une boule blanche", U1 = "Choisir lurne
u1 " et U2 = "Choisir lurne u2 ".
On a p(B|U1 ) = 52 , p(B|U2 ) = 35 , p(U1 ) = 26 = 13 (U1 est aussi lvnement dobtenir 1 ou 2 lors du lancer du d) et
p(U2 ) = 64 = 23 (U2 est aussi lvnement dobtenir 3 ou 4 ou 5 ou 6 lors du lancer du d ou encore U1 ).
Daprs la formule des probabilits totales p(B) = p(B U1 ) + p(B U2 ) = p(B|U1 )p(U1 ) + p(B|U2 )p(U2 ) =
21
32
8
5 3 + 5 3 = 15 .
1 B)
1 )p(U1 )
Probabilit davoir choisit lurne U1 sachant que la boule tire est blanche : On a p(U1 |B) = p(U
= p(B|U
=
p(B)
p(B)
1
2 1 15
=
.
53 8
4
2.1
Dfinition 2.1 On appelle variable alatoire relle sur lespace probabilis (, T , p) toute application X : R telle que
a R, X 1 (] , a]) = { /X() a} T .
Remarques et notations : Soient X une variable alatoire relle sur lespace probabilis (, T , p) et a, b R tels que a b.
A R, lensemble X 1 (A) = { /X() A} se note aussi (X A).
On a (X ] , a]) = X 1 (] , a]) T donc (X ] , a]) est un vnement de T , on le note aussi (X a).
On a (X ]a, +[) = (X a) T donc
(X ]a, +[) est un vnement de T , on le note aussi (X > a).
\
1
On a (X [a, +[) =
X >a
T donc (X [a, +[) est un vnement de T , on le note aussi (X a).
k
kN
www.mathlaayoune.webs.com
3/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Proposition 2.1 Si X1 , . . . , Xn sont des variables alatoires relles sur lespace probabilis (, T , p) et f : Rn R une
application continue sur Rn alors lapplication 7 f (X1 (), . . . , Xn ()) est une variable alatoire relle sur (, T , p).
On la note f (X1 , . . . , Xn ).
Corollaire 2.2 Si X1 , . . . , Xn sont des variables alatoires relles sur lespace probabilis (, T , p) et 1 , . . . , n R alors
1 X1 + + n Xn , X1 Xn , max(X1 , . . . , Xn ) et min(X1 , . . . , Xn ) sont des variables alatoires relles sur (, T , p).
Exemple : Si X et Y sont deux variables alatoires relles sur lespace probabilis (, T , p) alors X Y est une variable
alatoire. En particulier, (X = Y ) = (X Y = 0), (X Y ) = (X Y 0) et (X < Y ) = (X Y < 0) sont des
vnements de T .
Proposition 2.3 Si X est une variable alatoire relle sur lespace probabilis (, T , p) et f : R R monotone alors f X
est une variable alatoire relle sur (, T , p). On la note f (X).
Remarque : Le rsultat reste vrai si f est monotone par morceaux.
Exemple : Si X est une variable alatoire relle sur lespace probabilis (, T , p) alors X 2 , sin(X) et E(X) sont des variables
alatoires relles sur (, T , p).
Proposition 2.4 Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p).
Si (Xn ) converge simplement sur vers une application X alors X est une variable alatoire sur (, T , p).
2.2
Dfinition 2.2 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
On appelle fonction de rpartition de X lapplication, note FX , de R vers R dfinie par t R, FX (t) = p(X t).
Proprit 2.1 Soit X une variable alatoire relle sur lespace probabilis (, T , p). Alors :
FX est croissante sur R. En particulier, FX admet en tout point une limite droite et une limite gauche.
FX est continue droite sur R. Autrement dit, t R, lim FX (u) = FX (t).
ut+
lim FX (t) = 0.
lim FX (t) = 1.
t+
Proprit 2.2 Soient X une variable alatoire relle sur lespace probabilis (, T , p) et a, b R tels que a b. Alors :
p(X > a) = 1 FX (a).
p(X < a) = lim FX (t).
ta
ta
Remarque : Soit X une variable alatoire relle sur lespace probabilis (, T , p).
La connaissance de la fonction de rpartition de X permet de calculer p(X I) pour tout intervalle I de R.
Corollaire 2.5 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
FX est continue en a R si, et seulement si, p(X = a) = 0.
FX est continue sur R si, et seulement si, x R, p(X = x) = 0.
Notation : Soit X1 , . . . , Xn une famille de variables alatoires sur lespace probabilis (, T , p) et I1 , . . . , In une famille
dintervalles de R.
Lvnement (X1 I1 ) (Xn In ) se note aussi (X1 I1 , . . . , Xn In ).
Dfinition 2.3 Soit (X1 , . . . , Xn ) une famille finie de variables alatoires relles sur lespace probabilis (, T , p).
On appelle fonction de rpartition de la famille (X1 , . . . , Xn ) lapplication, note FX1 ,...,Xn , de Rn dans R, dfinie par
(t1 , . . . , tn ) Rn , FX1 ,...,Xn (t1 , . . . , tn ) = p(X1 t1 , . . . , Xn tn ).
Remarque : Si (X1 , . . . , Xn ) est une famille de variables alatoires relles sur lespace probabilis (, T , p) alors la connaissance de la fonction de rpartition FX1 ,...,Xn de la famille (X1 , . . . , Xn ) permet de calculer p(X1 I1 , . . . , Xn In ) pour
tous intervalles I1 , . . . , In de R.
www.mathlaayoune.webs.com
4/16
mathlaayoune@gmail.com
CPGE Laayoune
3
3.1
Lissane Eddine
Essaidi Ali
3.2
Dfinition 3.4 Une variable alatoire relle X sur lespace propbabilis (, T , p) est dite de loi discrte sil existe 0 T tel
que p(0 ) = 1 et D = X(0 ) soit au plus dnombrable.
Remarques : Soient X une variable alatoire de loi discrte sur lespace propbabilis (, T , p) et 0 T tel que p(0 ) = 1 et
D = X(0 ) au plus dnombrable
!
[
X
A D, p(X A) = p
(X = x) =
p(X = x).
xA
xA
www.mathlaayoune.webs.com
5/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Pour dterminer les lois de X et Y on utilise la formule des probabilits totales : x D, p(X = x) =
p(X =
yD 0
x, Y = y) et y D0 , p(Y = y) =
p(X = x, Y = y).
xD
Exemple : On lance simultanment deux ds et soient les deux variables alatoires X le plus grand nombre obtenu et Y le plus
petit.
Loi conjointe du couple (X, Y ) : Soient i, j {1, . . . , 6}.
Si i < j alors p(X = i, Y = j) = 0 car X Y .
1
Si i = j alors p(X = i, Y = j) = 36
car on na quun seul choix (avoir la mme valeur i pour les deux ds).
1
2
car on na deux choix (i, j) ou (j, i).
Si i < j alors p(X = i, Y = j) = 36 = 18
6
i
X
X
Loi de X : Soit i {1, . . . , 6}. On a p(X = i) =
p(X = i, Y = j) =
p(X = i, Y = j) = p(X = i, Y =
j=1
i) +
i1
X
p(X = i, Y = j) =
j=1
j=1
i1
2i 1
1
+
=
.
36
18
36
6
X
p(X = i, Y = j) =
i=1
j) +
6
X
p(X = i, Y = j) =
i=j+1
6
X
p(X = i, Y = j) = p(X = j, Y =
i=j
6j
13 2j
1
+
=
.
36
18
36
+
X
p(X = 2n) =
n=0
n=0
+
X
+
X
p(X = 2n + 1) =
n=0
2n
= e ch().
(2n)!
+
X
n=0
2n+1
= e sh().
(2n + 1)!
La loi de Y est alors donne par p(Y = 1) = e ch() et p(Y = 1) = e sh(). En particulier,
3.3
Y +1
2
, B(e ch())
Dfinition 3.5 Une variable alatoire relle X sur lespace probabilis (, T , p) est dite de loi densit ou de loi continue si
sa fonction de rpartition FX est continue sur R et de classe C 1 sur R priv dun sous-ensemble F fini ou vide.
Dans ce cas, on appelle densit de X lapplication, note fX , dfinie sur R par :
0
FX (t) si t
/F
t R, fX (t) =
0
si t F
Remarque : Si X est une variable alatoire de loi continue sur lespace probabilis (, T , p) alors a, b R avec a b :
p(X = a) = 0.
p(X a) = p(X < a) = FX (a).
p(X a) = p(X > a) = 1 FX (a).
p(a X b) = p(a < X b) = p(a < X < b) = p(a X < b) = FX (b) FX (a).
Proprit 3.1 Si X est une variable alatoire de loi densit sur lespace probabilis (, T , p) alors :
1. fX est positive et continue sur R priv dun sous-ensemble fini ou vide.
Z
Z
2. Lintgrale
fX (t)dt converge et on a
fX (t)dt = 1.
R
Z
3. Pour tout intervalle I de R on a p(X I) = FX (b) FX (a) =
www.mathlaayoune.webs.com
6/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Exemples de lois densit usuelles : Soit X une variable alatoire de loi densit sur lespace probabilis (, T , p).
Loi uniforme : On dit que X suit la loi uniforme sur lintervalle [a, b] si sa fonction de densit est :
1
si t [a, b]
ba
fX (t) =
0
sinon
Dans ce cas, on note X , U(a, b).
Loi exponentielle : On dit que X suit la loi exponentielle de paramtre > 0 si sa fonction de densit est :
et si t 0
fX (t) =
0
sinon
Dans ce cas, on note X , E().
Loi gamma : On dit que X suit la loi gamma de paramtres > 0 et > 0 si sa fonction de densit est :
t 1
e t
si t > 0
()
fX (t) =
0
sinon
Dans ce cas, on note X , (, ).
Loi gaussienne : On dit que X suit la loi gaussienne ou la loi normale de paramtres m R et > 0 si sa fonction de
densit est :
(tm)2
1
fX (t) = e 22
2
Dans ce cas, on note X , N (m, 2 ).
Remarques :
La loi (1, ) est la loi E().
X m
Si X , N (m, 2 ) alors
, N (0, 1). N (0, 1) sappelle la loi normale centre rduite ou la loi gaussinne
standard.
Exemples de caclul de la loi de Y = g(X) pour une variable alatoire X de loi continue :
Soit > 0 et X , E(). Loi de Y = 3X : Soit t R.
Si t 0 alors FY (t) = p(Y t) = p(3X t) = p X 3t =
0.
Si t > 0 alors FY (t) = p(Y t) = p(3X t) = p X 3t = FX 3t donc Y est une variable alatoire de loi
t
densit et on a fY (t) = FY0 (t) = 13 fX 3t = 3 e 3 .
t
On dduit que la densit de Y est fY (t) = 3 e 3 1]0,+[ (t).
Soit X , N (0, 1). Loi de Y = X 2 :
Soit t R.
Si t 0 alors FY (t) = p(Y t) = p(X 2 t) = 0.
t
t
1
1 1
1 1
1
alatoire de loi densit et on a fY (t) = FY0 (t) = 2
f ( t) + 2
f ( t) = 2
e 2 + 2
e 2 =
t X
t X
t 2
t 2
t
1 e 2 .
2t
4
4.1
1 e 2 1[0,+[ (t)
2t
Dfinition 4.1 Une famille (Xj )jJ de variables alatoires relles sur lespace probabilis (, T , p) est dite indpendante ou
mutuellement indpendante si, pour toute famille (Ij )jJ dintervalles de R, la famille (Xj Ij )jJ des vmements de T est
indpendante.
Remarques :
Deux variables alatoires relles X et Y sur lespace probabilis (, T , p) sont indpendantes si pour tous intervalles I
et J de R on a p(X I, Y J) = p(X I)p(Y J).
www.mathlaayoune.webs.com
7/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Une famille (Xj )jJ de variables alatoires relles sur lespace probabilis
(, T , p) est indpendante si K J fini et
!
\
Y
pour toute famille (Ik )kK dintervalles de R on a p
(Xk Ik ) =
p(Xk Ik ).
kK
kK
Si (Xi )iI est une famille indpendante de variables alatoires alors ses lments sont deux deux indpendants. La
rciproque est fausse.
Lindpendance dune famille de variables alatoires est relative la probabilit donne.
Exemple : Soient X, Y de variable alatoires relles indpendantes sur lespace probabilis (, T , p).
Loi de M = sup(X, Y ) :
Soit t R. On a FM (t) = p(M t) = p(X t, Y t) = p(X t)p(Y t) = FX (t)FY (t).
En particulier, si X, Y sont de lois continues alors il en est de mme pour M et on a fM (t) = fX (t)FY (t) + FX (t)fY (t).
Loi de m = min(X, Y ) :
Soit t R. On a 1 Fm (t) = p(m > t) = p(X > t, Y > t) = p(X > t)p(Y > t) = (1 FX (t))(1 FY (t)) donc
Fm (t) = 1 (1 FX (t))(1 FY (t)).
En particulier, si X, Y sont de lois continues alors il en est de mme pour m et on a fm (t) = fX (t)(1 FY (t)) + (1
FX (t))fY (t).
Proposition 4.1 (Indpendance hrite) Soit (Xi )1in une famille indpendante de variables alatoires relles sur lespace
probabilis (, T , p).
Si n0 , n1 , . . . , nk N tels que 0 = n0 < n1 < < nk1 < nk = n et i {1, . . . , k}, fi : Rni ni1 R continue alors
la famille (f1 (X1 , . . . , Xn1 ), f2 (Xn1 +1 , . . . , Xn2 ), . . . , fk (Xnk1 +1 , . . . , Xnk )) est indpendante.
Exemples :
Si (X, Y, Z, T, U ) est une famille indpendante de variables alatoires alors la famille (X 2 , Y +Z, T U ) est indpendante.
Si X et Y sont deux variables alatoires indpendantes alors les variables X 2 et cos(Y ) sont indpendantes.
X1 + + Xn
et Xn+1 sont
Si (X1 , . . . , Xn+1 ) est une famille indpendante de variables alatoires alors les variables
n
indpendantes.
Exemples de caclul de la loi de Y = g(X1 , . . . , Xn ) pour une famille indpendantes
(X1 , . . . , Xn ) de variables alatoires :
Y
Soient X, Y deux variables alatoires indpendantes avec X , B n, 21 et Y , E(1). Loi de Z = X+1
:
n
X
Y
p(X t(k + 1), Y =
Soit t R. On a FZ (t) = p(Z t) = p(XY t) = p
t = p(Y t(X + 1)) =
X +1
k=0
n
n
n
n
X
X
X
1
et X k kt
k) =
p(X t(k + 1))p(Y = k) =
FX (t(k + 1))p(Y = k) =
e(k+1)t Cnk n = n
Cn e
=
2
2
k=0
k=0
k=0
k=0
et
(1 + et )n .
2n
Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et Y 2+1 , B 12 (Autrement dit, p(Y =
1) = p(Y = 1) = 21 ). Loi de Z = XY :
Soit t R. On a FZ (t) = p(Z t) = p(XY t) = p(X t, Y = 1) + p(X t, Y = 1) = p(X t)p(Y =
1)+p(X t)p(Y = 1) = 12 FX (t)+ 12 (1FX (t)) donc Z est de loi continue et on a fZ (t) = 21 fX (t)+ 21 fX (t) =
fX (t) car fX est paire.
On dduit que Z , N (0, 1).
4.2
Proposition 4.2 Soit (X1 , X2 ) un couple de variables alatoires relles indpendantes de lois discrtes et densembles de
valeurs possibles respectives D1 et D2 . Alors :
La variables alatoire S = X1 + X2 est de loi discrte.
Lensemble des valeurs X
possibles de S est D = {u + v/(u, v)X
D1 D2 }.
s D, p(S = s) =
p(X1 = u)p(X2 = s u) =
p(X1 = s v)p(X2 = v). Cette formule sappelle la
uD1
vD2
www.mathlaayoune.webs.com
u=0
u=0
8/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
n+m
X
s
k
On a (X + 1)n+m =
Cn+m
X s donc le coefficient de X k est Cn+m
. Dautre part, (X + 1)n+m = (X + 1)m (X +
!s=0 n
!
!
m
n+m
m
m
X
X
X X
X
n
s
s
s s
u su
s
u ku
k
1) =
Cm X
Cn X
=
Cm Cn
X donc le coefficient de X est
Cm
Cn
do
m
X
s=0
s=0
s=0
u=0
u=0
u ku
k
Cm
Cn = Cn+m
.
u=0
k
On dduit que p(S = k) = Cn+m
pk (1 p)n+mk donc S , B(m + n, p).
Stabilit de la loi de Poisson : Soient > 0, > 0, X , P(), Y , P() indpendantes et S = X + Y .
S est une variable alatoire de loi discrte et densemble des valeurs possibles N. Soit n N, on a :
n
n
+
n
X
X
X
nk
k nk
1 X n k nk
k
= e(+)
= e(+)
Ck
=
p(S = n) =
p(X = k)p(Y = nk) =
e e
k!
(n k)!
k!(n k)!
n!
k=0
k=0
k=0
k=0
( + )n
.
e(+)
n!
On dduit que S , P( + ).
Proposition 4.3 Soit (X, Y ) un couple de variables alatoires relles indpendantes telles que X soit de loi discrte, densemble de valeurs possibles D, et Y soit de loi continue et de densit fY . Alors :
La variables alatoire S = X + Y est de loi X
densit.
La densit de S est la fonction fS : t R 7
p(X = u)fY (t u).
uD
(1 p)et + pe(t1)
fS (t) = p(X = 0)fY (t) + p(X = 1)fY (t 1) = (1 p)fY (t) + pfY (t 1) =
(1 p)et
si t 1
(1 p + pe )et
(1 p)et
si t [0, 1[ .
On dduit que la fonction de densit de S est t R, fS (t) =
0
si t < 0
si t 1
si t [0, 1[
si t < 0
Proposition 4.4 Soit (X, Y ) un couple de variables alatoires relles indpendantes de lois continues et de densits respectives
fX et fY . Alors :
La variables alatoire S = X + Y est de loi Zdensit.
Z
+
fX (u)fY (t u)du =
fX et
fY .
Exemples :
Loi exponentielle : Soient > 0, X , E(), Y , E() indpendantes et S = X + Y .
Z +
S est une variable alatoire densit. Soit t R. On a : fS (t) =
fX (u)fY (t u)du.
Si t 0 :
Si u < 0 alors fX (u) = 0 donc fX (u)fY (t u) = 0.
Si u > 0 alors t u < 0 donc fY (t u) = 0 donc fX (u)fY (t u) = 0.
Donc u R , fX (u)fY (t u) = 0 do fS (t) = 0.
Z t
Z t
Si t > 0 alors fS (t) =
eu e(tu) du = 2 et
du = 2 tet .
0
f (x) =
www.mathlaayoune.webs.com
12 t2
12 (xt)2
1
1
1
e 21
e 22
du =
21 2
21
22
9/16
+ 1
2
t2
2
1
(xt)2
2
2
du
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
On a :
t2
(x t)2
+
12
22
1
(t2 22 + (x t)2 12 )
12 22
1
(t2 (12 + 22 ) 2xt12 + x2 12 )
12 22
12 + 22
12 22
t2 2xt
12 + 22
12 22
tx
12 + 22
12 22
=
2
1
1 2
On pose a = x 2 +
2 et b = 2
1
1 +22
f (x)
Essaidi Ali
12
2
+ x2 2 1 2
2
2
1 + 2
1 + 2
12
2
1 + 22
2
14
2
x
+ x2 2 1 2
2
2
2
(1 + 2 )
1 + 2
!
2
2 2
12
+ x2 2 1 2 2 2
12 + 22
(1 + 2 )
2
2
2
2
2
x
1 + 2
+ 2
tx 2 1 2
2
2
1 2
1 + 2
1 + 22
tx
(x t)2
1
x2
t2
do :
+
= 2 (t a)2 + 2
2
2
1
2
b
1 + 22
Z +
x2
12 (ta)2
1
2 + 2 )
2(1
2 du
e 2b
21 2
donc
1
p
2(12
22 )
1
p
2(12 + 22 )
x2
2 + 2 )
2(1
2
1
2b
e 2b2 (ta) du
x2
2 + 2 )
2(1
2
Z +
2
1
1
e 2b2 (ta) du = 1 (loi N (a, b2 )).
2b
On dduit que X + Y , N (0, 12 + 22 ).
Gnralement, si X , N (m1 , 1 ) et Y , N (m2 , 2 ) indpendantes alors X m1 , N (0, 1 ) et Y m2 , N (0, 2 )
donc X + Y (m1 + m2 ) , N (0, 12 + 22 ) do X + Y , N (m1 + m2 , 12 + 22 )
Car
5
5.1
Esprance, moments :
Esprance :
Dfinition 5.1 Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p).
Cas X de loi discrte et densemble de valeursX
possibles D : On dit que X admet une esprance si la famille (kp(X =
k))kD est sommable. Dans ce cas, le nombre
kp(X = k) sappelle lesprance de X et on le note E(X).
kD
Cas X de loi continue : On dit que X admet une esprance si lapplication t 7 tf (t) est intgrable sur R. Dans ce cas,
Z +
le nombre
tfX (t)dt sappelle lesprance de X et on le note E(X).
Remarques :
Si X est une variable alatoire de loi discrte sur lespace propbabilis (, T , p) qui admet une esprance alors la valeur
de E(X) ne dpend pas de lordre de sommation.
Esprance dune constante : Soit a R. Si X = a alors p(X = a) = 1 donc E(X) = ap(X = a) = a. En particulier,
E(1) = 1.
Esprance de variables alatoires relles de lois usuelles :
Cas discret :
Loi uniforme : Si X , U(n) alors :
E(X) =
n
X
kp(X = k) =
k=1
www.mathlaayoune.webs.com
n
X
n+1
k
=
n
2
k=1
10/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
n
X
kp(X = k)
k=0
= np
n
X
k1 k1
Cn1
p
(1
nk
p)
k=1
n
X
kCnk pk (1 p)nk
k=0
n1
X
np
n
X
k1 k
nCn1
p (1 p)nk
k=1
k
Cn1
pk (1
n1k
= np(p + (1 p))n1 = np
p)
k=0
k1
Loi
donc la srie
P de gomtrique : Soit X , G(p) avec p ]0, 1[. On a k N , kp(X = k) = kp(1 p)
kp(X = k) est convergente do la famille (kp(X = k)) est sommable.
On dduit que X admet une esprance et on a :
E(X) =
+
X
kp(X = k) =
k=1
+
X
kp(1 p)k1 = p
k=1
+
X
k(1 p)k1 =
k=1
1
p
=
2
(1 (1 p))
p
k
k1
E(X) =
+
X
+
X
kp(X = k) =
ke
k=0
k=0
k=1
k=0
X k1
X k
k
= e
= e
= e e =
k!
(k 1)!
k!
Cas continu :
Loi uniforme : Si X , U(a, b) alors :
Z
E(X) =
a
2 b
t
1
b2 a2
a+b
dt =
t a=
=
ba
2(b a)
2(b a)
2
Loi exponentielle : Soit X , E() avec > 0. Lapplication t 7 tet est intgrable sur [0, +[ donc X admet
une esprance et on a : alors :
Z +
Z +
1
1 t +
t
t +
e
=
E(X) =
te dt = te
+
et dt =
0
0
0
0
Loi gamma : Si X , (, ) avec , > 0. Lapplication t 7 tet t1 est intgrable sur ]0, +[ donc X admet
une esprance et on a : :
Z +
Z +
1
( + 1)
t 1
E(X) =
te t
dt =
+1 et t dt =
=
()
()
()
0
0
Lois gaussiennes : Si X , N (m, 2 ) avec m R et > 0. Lapplication t 7 te
X admet une esprance et on a :
Z +
(tm)2
1
te 22 dt
E(X) =
2
=
(t m)e
(tm)2
2 2
m
dt +
2
(tm)2
2 2
(tm)2
2 2
dt
+
Z +
(tm)2
(tm)2
m
22
e
+
e 22 dt = m
2
2
Thorme 5.1 (Thorme de transfert) Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p) et g : X() R telle que Y = g(X) soit une variable alatoire.
Cas X de loi discrte densemble de valeurs possibles D
X: Y admet une esprance si, et seulement si, la famille
(g(k)p(X = k))kD est sommable. Dans ce cas, E(Y ) =
g(k)p(X = k).
kD
www.mathlaayoune.webs.com
11/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Cas X de loi continue : Y admet une esprance si, et seulement si, lapplication t 7 g(t)fX (t) est intgrable sur R.
Z +
g(t)fX (t)dt.
Dans ce cas, E(Y ) =
Exemples :
Soit > 0, X , P() et Y =
E[Y ] =
+
X
k=0
1
X+1
: La famille
1
k
k+1 e
k!
+
+
e X k+1
e X k
e
1 e
1 k
e
=
=
=
(e 1) =
k+1
k!
(k + 1)!
k!
k=0
k=1
2 t
0
Remarque : Le thorme de transfert permet de calculer lesprance de Y laide de la loi de X et sans avoir dterminer
celle de de Y .
Thorme 5.2 Thorme de transfert deux variables discrtes Soit X, Y deux variables alatoires de lois discrtes sur
lespace propbabilis (, T , p), D et D0 les ensembles des valeurs possibles respectives et g : (X, Y )() R.
La variable alatoire Z = g(X, Y ) admet une esprence si, et seulement si, la famille (g(xi , yj )p(X = xi , Y = yj ))(i,j)DD0
est sommable.
X
Dans ce cas, E(Z) =
g(xi , yj )p(X = xi , Y = yj ).
i,j
Exemple : On lance simultanment deux ds quilibrs et soit X le produit des deux nombres obtenus. On pose U et V ,
respectivement, le nombre du premier d et celui du second d.
!2
6
6
6
X
62 72
49
1 X
1 X
On a E(X) =
ijp(U = i, V = j) =
ij =
i
=
=
.
36 i,j=1
36 i=1
4 36
4
i,j=1
Proposition 5.1 Soient X et Y deux variables alatoires de lois discrtes (resp. de lois continues) sur lespace probabilis
(, T , p).
Si Y admet une esprance et |X| Y alors X admet une esprance et on a E(X) E(Y ).
Proprit 5.1 Proprits de lesprance Soient X et Y deux variables alatoires de lois discrtes ou continues sur lespace
probabilis (, T , p).
Si X et Y possdent une esprance alors :
Linarit : , R, X + Y possde une esprance et on a E(X + Y ) = E(X) + E(Y ).
Positivit : Si X est positive alors E(X) 0.
Croissance : Si X Y alors E(X) E(Y )
Ingalit triangulaire : E(|X + Y |) E(|X|) + E(|Y |).
Produit : Si X et Y sont indpendants alors E(XY ) = E(X)E(Y ).
Remarque : Soit X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p) qui
possdent des esprances.
Si E(X) = 0 alors, on dit que la X est centre.
La variable alatoire Y = X E(X) sappelle la variable alatoire centre associe X et on a E(Y ) = 0.
Si X et Y ne sont pas indpendantes alors XY nadmet pas forcment une esprance.
Si E(XY ) = E(X)E(Y ) alors X et Y ne sont pas frcment indpendantes.
Exemple : Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et Y 2+1 , B 21 et Z = XY .
On a X et Y indpendantes donc Z = XY admet une esprance et on a E(X)E(Z) = 0 car E(X) = 0 puisque X , N (0, 1).
On a X et Y indpendantes donc X 2 et Y indpendantes do XZ = X 2 Y admet une esprance et on a E(XZ) = E(X 2 Y ) =
E(X 2 )E(Y ) = 0 car E(Y ) = p(Y = 1) p(Y = 1) = 0.
On dduit E(XZ) = E(X)E(Z).
Supposons que X et Z sont indpendantes donc X 2 et Z 2 sont indpendantes, or Z 2 = X 2 car les valeurs possibles de Y sont
1 et 1 do X 2 est indpendante delle mme donc p(X 2 1, X 2 1) = p(X 2 1)p(X 2 1) = p(X 2 1)2 do
p(X 2 1) = 0 ou p(X 2 1) = 1.
Z 1
t2
1
2
e 2 dt 6= 0 et 6= 1. X et Z sont alors dpendantes et E(XZ) =
Absurde car p(X 1) = p(1 X 1) =
2 1
E(X)E(Z).
Remarque : En gnrale, une variable alatoire relle X et indpendante delle mme si, et seulement si, X est constante
presque partout (Autrement dit, C R, p(X = C) = 1).
www.mathlaayoune.webs.com
12/16
mathlaayoune@gmail.com
CPGE Laayoune
5.2
Lissane Eddine
Essaidi Ali
Dfinition 5.2 Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p) et k N .
Si la variable alatoire X k admet une esprance alors on dit que X admet un moment dordre k. Dans ce cas, E(X k ) sappelle
le moment dordre k de X.
Remarque : Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p).
Si X admet un moment dordre k N alors r {1, . . . , k 1}, X admet un moment dordre r.
Si X admet un moment dordre k N alors R, X + admet un moment dordre k.
Dfinition 5.3 Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p).
Si X admet un moment dordre 2 alors on appelle :
2
Variance de X la quantit V (X) = E((X
p E(X)) ).
Ecart-type de X la quantit (X) = V (X).
Remarque : Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p) qui admet un
moment dordre 2.
R, V (X) = 2 V (X) et (X) = ||(X).
Si V (X) = 1 alors on dit que la variable X est rduite.
X E(X)
Y =
sappelle la variable alatoire centre rduite associe X et on a E(Y ) = 0 et V (Y ) = 1.
(X)
Proprit 5.2 Soit X une variable alatoire relle de loi discrte ou continue sur lespace propbabilis (, T , p) qui admet un
moment dordre 2. Alors :
V (X) 0.
V (X) = E(X 2 ) E(X)2 .
V (X) = 0 X = 0 presque partout (Autrement dit, p(X = 0) = 1).
R, V (X + ) = V (X).
Proposition 5.2 (Ingalit de Cauchy-Schwarz) Soient X et Y deux variables alatoires relles de lois discrtes ou continues
sur lespace propbabilis (, T , p).
Si X et Y possdent des moments dordre 2, alors la variable alatoire XY possde une esprance et on a E(XY )2
E(X 2 )E(Y 2 ).
Proposition 5.3 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis
(, T , p).
Si X et Y possdent un moment dordre 2, alors la variable alatoire X + Y possde un moment dordre 2 et on a V (X + Y ) =
V (X) + V (Y ) + 2E((X E(X))(Y E(Y ))).
Dfinition 5.4 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p).
Si X et Y possdent un moment dordre 2, alors on appelle covariance du couple (X, Y ) la quantit C(X, Y ) = E((X
E(X))(Y E(Y ))).
Proprit 5.3 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p)
admettant un moment dordre 2.
V (X + Y ) = V (X) + V (Y ) + 2C(X, Y ).
C(X, Y ) = E(XY ) E(X)E(Y ).
Si X et Y sont indpendants alors C(X, Y ) = 0. La rciproque est fausse.
Si X et Y sont indpendants alors V (X + Y ) = V (X) + V (Y ).
Dfinition 5.5 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p).
Si X et Y possdent un moment dordre 2 et V (X), V (Y ) non nuls, alors on appelle corrlation linaire du couple (X, Y ) la
C(X, Y )
quantit (X, Y ) =
.
(X)(Y )
Proprit 5.4 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace propbabilis (, T , p)
admettant un moment dordre 2.
Si X et Y sont indpendants alors (X, Y ) = 0. La rciproque est fausse.
Si (X, Y ) = 1 alors on dit que X et Y sont linairement corrles.
Si (X, Y ) = 0 alors on dit que X et Y sont non corrles linairement.
(X, Y ) = 1 > 0, R, Y = X + presque partout (Autrement dit p(Y = X + ) = 1).
(X, Y ) = 1 < 0, R, Y = X + presque partout (Autrement dit p(Y = X + ) = 1).
Exemple : Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et Y 2+1 , B 21 et Z = XY .
On a E(XZ) = E(X)E(Z) donc C(X, Y ) = E(XY )E(X)E(Y ) = 0 et (X, Y ) = 0. Cependant, on a X et Z dpendantes
(voir le dernier exemple de la section 5.1, page 12).
www.mathlaayoune.webs.com
13/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Fonctions gnratrices :
Dfinition 6.1 Soit X une variable alatoire relle sur lespace propbabilis (, T , p) valeurs dans N.
+
X
On appelle fonction gnratrice de X la fonction GX (t) = E(tX ) =
p(X = n)tn .
n=0
Remarques : Soit X une variable alatoire relle sur lespace propbabilis (, T , p) valeurs dans N.
Si lensemble des valeurs possibles de X est fini alors GX est dfinie sur R.
+
X
P
On a
p(X = n) = 1 donc le rayon de convergence de la srie entire p(X = n)tn est 1.
n=0
P
La srie entire p(X = n)tn converge normalement sur [1, 1].
GX est continue sur [1, 1] et C sur ] 1, 1[.
(n)
G (0)
. Autrement dit, GX caractrise la loi de X.
n N, p(X = n) = X
n!
Fonctions gnratrices des lois discrtes usuelles : Soit X une variable alatoire relle de loi discrte sur lespace propbabilis
(, T , p).
n+1
t
t
n
X
si t 6= 1
1 k
Loi uniforme : Si X , U(n) alors t R, GX (t) =
t = n(t 1)
.
n
k=1
1
si t = 1
Loi de Bernoulli : Si X , B(p) alors t R, GX (t) = p(X = 0) + p(X = 1)t = pt.
n
n
X
X
Loi binomiale : Si X , B(n, p) alors t R, GX (t) =
Cnk pk (1 p)nk tk =
Cnk (tp)k (1 p)nk =
k=0
k=0
+
X
(t(1 p))n1 = pt
n=1
+
X
(t(1 p))n =
n=0
pt
.
1 t(1 p)
n
Loi de Poisson : Si X , P() avec > 0 : On a n N , p(X = n)tn = e n! tn donc le rayon de convergence de
+
X
P
n
la srie entire p(X = n)tn est + do t R, GX (t) =
e tn = e et = e(t1) .
n!
n=0
Proposition 6.1 Soit X une variable alatoire relle sur lespace propbabilis (, T , p) valeurs dans N.
X admet une esprance si, et seulement si, GX est drivable en 1. Dans ce cas, E(X) = G0X (1).
X admet un moment dordre 2 si, et seulement si, GX admet une drive seconde en 1. Dans ce cas, E(X 2 ) E(X) =
G00X (1).
Exemples :
Loi de Poisson : Soit X , P(). On a GX (z) = e(t1) donc E(X) = G0X (1) = , E(X 2 ) E(X) = G00X (1) = 2
et V (X) = E(X 2 ) E(X)2 = 2 + 2 = .
Proposition 6.2
Soient X, Y sont deux variables alatoires relles indpendantes sur lespace propbabilis (, T , p)
valeurs dans N alors GX+Y = GX GY .
Gnralement, si (X1 , . . . , Xn ) est une famille indpendante de variables alatoires relles sur lespace propbabilis
(, T , p) valeurs dans N alors GX1 ++Xn = GX1 GXn .
Exemples :
Stabilit de la loi binomiale : Soient X , B(m, p) et Y , B(n, p). Si X, Y sont indpendantes alors GX+Y (t) =
GX (t)GY (t) = (p(t 1) + 1)m (p(t 1) + 1)n = (p(t 1) + 1)m+n donc X + Y , B(m + n, p).
Stabilit de la loi de Poisson : Soient X , P() et Y , P(). Si X, Y sont indpendantes alors GX+Y (t) =
GX (t)GY (t) = e(t1) e(t1) = e(+)(t1) donc X + Y , P( + ).
www.mathlaayoune.webs.com
14/16
mathlaayoune@gmail.com
CPGE Laayoune
7
7.1
Lissane Eddine
Essaidi Ali
Proposition 7.1 (Ingalit de Markov) Si X est une variable alatoire relle positive admettant une esprance, alors, pour
tout > 0, p(X ) E(X)
.
Proposition 7.2 (Ingalit de Bienaym-Tchebychev) Si X est une variable alatoire relle admettant un moment dordre 2,
alors, pour tout > 0, p(|X E(X)| ) V (X)
2 .
Interprtation : la variance permet de contrler lcart entre X et sa valeur moyenne E(X).
Proposition 7.3 (Ingalit de Jensen) Soit X une variable alatoire relle sur lespace propbabilis (, T , p) admettant une
esprance et f : R R une application convexe sur R.
Si la variable alatoire Y = f (X) admet une esprance, alors f (E(X)) E(f (X)).
7.2
Dfinition 7.1 Soit (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p).
On dit que (Xn ) convergence en probabilit vers une variable alatoire relle X si :
> 0, lim p(|X Xn | ) = 0
n+
On note Xn X.
n+
Exemple : Soit (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p) dfinie par n N, p(Xn =
n) = n1 et p(Xn = 0) = 1 n1 .
On a > 0, p(|Xn | ) = p(|Xn | =
6 0) = p(Xn = n) =
1
n
0 donc Xn 0.
n+
Proposition 7.4 Soit X une variable alatoire relle sur lespace propbabilis (, T , p).
Si (fn ) est une suite de fonctions de R vers R qui converge simplement sur R vers une fonction f alors la suite de variables
alatoires relles (fn (X)) converge en probabilit vers la variable alatoire relle f (X).
Exemple : Soit X une variable alatoire relle sur lespace propbabilis (, T , p).
s
P
0 sur R donc X
0.
On a n1
n
n+
n s x
n
P
On a 1 + nx
e sur R donc 1 + X
eX .
n
n+
Dfinition 7.2 Soit (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p).
On dit que (Xn ) convergence en loi vers une variable alatoire relle X si en tout point t de continuit de FX on a :
lim FXn (t) = FX (t)
n+
L
On note Xn X.
n+
Exemple : Soit > 0 et (Xn ) une suite de variables alatoires relles indpendantes sur lespace propbabilis (, T , p) de
mme loi E().
On pose n N, Yn = min(X0 , . . . , Xn ) donc n N, FYn = 1 (1 FX1 ) (1 FXn ) = 1 (1 FX1 )n .
On dduit que t R, si t 0, FYn (t) = 1 (1 (1 et ))n = 1 ent et si t < 0, FYn (t) = 0 donc lim FYn (t) =
n+
(
1 si t > 0
.
0 si t 0
(
1 si t 0
Soit la variable alatoire X telle que p(X = 0) = 1 donc FX (t) =
donc, en tout point de continuit t de FX on
0 si t < 0
L
n+
Proposition 7.5 Soit X et (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p) valeurs dans N.
(Xn ) converge en loi vers X si, et seulement si, k N, lim p(Xn = k) = P (X = k).
n+
www.mathlaayoune.webs.com
15/16
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Corollaire 7.6 Soit (Xn )n1 une suite de variables alatoires telle que n 1, Xn , B(n, pn ).
Si npn > 0 alors la suite (Xn )n1 converge en loi vers une variable alatoire X , P().
n+
Interprtation de la loi de Poisson comme loi des vnements rares : Soit > 0 et X , P().
Daprs le collaire prcdent, pour n assez grand, on peut considrer que X , B(n, n ) donc la loi de Poisson dcrit le nombre
de succs, lorsquon rpte un trs grand nombre de fois (n), une exprience ayant une faible chance de se raliser ( n ).
Proposition 7.7 Soit (Xn ) une suite de variables alatoires relles sur lespace propbabilis (, T , p).
Si (Xn ) converge en propbabilit vers une variable alatoire X alors (Xn ) converge en loi vers X.
Remarque : La rciproque est fausse. En effet, soit X , B( 2 ) et (Xn ) dfinie par n N, Xn = 1 X.
Dautre part, on a n N, p(Xn = 0) = p(X = 1) = p(X = 0) = p(Xn = 1) donc n N, Xn , B( 2 ) donc
L
n N, FXn = FX do Xn X.
n+
Cependant, On a n N, |Xn X| = |1 2X| et X prend deux valeurs 0 et 1 donc |Xn X| prend une seule valeur 1 do
p(|Xn X| = 1) = 1. On dduit que n N, p(|Xn X| 12 ) = p(|1 2X| 21 ) = p(|1 2X| = 1) = 1 6 0 donc (Xn )
ne converge pas en probablilit vers X.
7.3
Thormes limites :
Thorme 7.1 (Loi faible des grands nombres) Si (Xn )n1 est
! une suite de variables alatoires indpendantes et de mme
n
1X
loi, admettant un moment dordre 2, alors la suite
Xk
, de variables alatoires, converge en probabilit vers la
n
k=1
n1
Xk n )
, de variables alatoires, o = E(X1 ) et
loi, admettant un moment dordre 2, alors la suite
n
k=1
n1
= (X1 ), converge en loi vers la variable alatoire suivant la loi Gaussienne standard.
Remarques :
1
n
X
t2
e 2 dt.
Dans les condition du thorme de la loi centre a b on a p a
Xk b
n
a
k=1
!
n
n 1X
Xk N (0, 1) donc la vitesse de convergence de la loi des grands nombres est donc en n .
On a
n
k=1
Application : Soit (Xn ) une suite de variables alatoires indpendantes de mme loi P(1) donc n N, E(Xn ) = V (Xn ) = 1.
Z 0
t2
X1 + + Xn n
1
en
k!
k!
2
k=0
k=0
www.mathlaayoune.webs.com
16/16
mathlaayoune@gmail.com