Beruflich Dokumente
Kultur Dokumente
boilley.ovh/methodologie/variable-aleatoire.html
Lois de référence
On répertorie des lois de probabilités de référence, dépendant éventuellement d'un ou
plusieurs paramètres (a, b) ∈ Z2 tel que a < b, n ∈ N∗, λ ∈ R∗+.
Loi de
probabilité Notation Support P(X = k) Espérance Variance
De même, on a des lois de probabilité de référence pour les variables aléatoires à densité
avec les paramètres (a, b) ∈ R2 tel que a < b, λ ∈ R∗+, μ ∈ R, σ ∈ R∗+.
Loi de Fonction de
probabilité Notation Support densité Espérance Variance
1/3
Variable discrète
Si X est une variable aléatoire discrète, on calcule P(X = k) pour tout k ∈ X(Ω).
Lorsque X prend moins d'une dizaine de valeurs, on peut essayer de les calculer toutes
successivement, sinon il vaut mieux trouver une expression générale qui pourra
éventuellement être démontrée par récurrence.
Si X n'a que des valeurs entières, il est parfois plus facile de déterminer une relation de
récurrence sur P(X ≤ k) pour tout k ∈ N.
Variable à densité
Pour déterminer la loi de probabilité d'une variable aléatoire X à densité, il est souvent
pertinent d'essayer de calculer sa fonction de répartition FX : x ↦ P(X ≤ x) à l'aide du calcul
de probabilité notamment lorsque X s'écrit en fonction d'une autre variable aléatoire à
densité.
Maximum et minimum
Si (Y 1, … , Y n) est une famille de variables aléatoires réelles (discrètes ou à densité), alors X
= max(Y 1, … , Y n) est une variable aléatoire réelle avec pour tout x ∈ R, P(X ≤ x) = P(∀j, Y j ≤
x) donc si les variables Y j sont indépendantes, on trouve alors P(X ≤ x) = ∏j=1 n P(Y j ≤ x).
Espérance
Si X est une variable aléatoire discrète, alors son espérance s'écrit E(X) = ∑k∈X(Ω) k P(X = k)
si cette somme est absolument convergente (ce qui est toujours le cas avec un
nombre fini de valeurs).
Le théorème de transfert stipule alors que pour toute fonction réelle φ on a E(φ(X)) =
∑k∈X(Ω) φ(k) P(X = k) toujours à condition que cette somme converge absolument.
Si X est une variable aléatoire avec une densité f sur un intervalle I, alors son espérance
s'écrit E(X) = ∫I t f(t) dt si cette intégrale converge absolument (ce qui est toujours le cas
si f est définie et continue sur un segment [a, b]).
2/3
Là encore par théorème de transfert, pour toute fonction φ définie et continue sur I,
alors son espérance s'écrit E(φ(X)) = ∫I φ(t) f(t) dt à condition que l'intégrale converge
absolument.
Si (X1, … , Xn) est une famille de variables aléatoires admettant une espérance alors E(∑i=1 n
Xi) = ∑i=1 n E(Xi) .
Variance et moments
Pour tout n ∈ N∗, le moment d'ordre n d'une variable aléatoire réelle X est la valeur de
l'espérance E(Xn), si elle existe.
La variance de X peut s'exprimer selon la définition V(X) = E((X − E(X))2) ou avec la formule
de Huygens V(X) = E(X2) − (E(X))2. Elle existe si et seulement si la variable admet un
moment d'ordre 2.
Si la variable aléatoire X admet une variance, alors pour tout (a, b) ∈ R2, on a V(aX + b) =
a2 V(X).
Si (X1, … , Xn) est une famille de variables aléatoires indépendantes et admettant une
variance alors V(∑i=1 n Xi) = ∑i=1 n V(Xi) .
3/3