Академический Документы
Профессиональный Документы
Культура Документы
Essaidi Ali
3 mars 2016
Espaces probabiliss :
Soit un ensemble.
1.1
Espaces probabiliss :
An T .
nN
nN
CPGE Laayoune
Lissane Eddine
Essaidi Ali
n1
[
Ak . Alors :
k=0
4. n N,
k=0
Bn =
nN
An .
nN
Sous additivit
dnombrable : Soit une suite (An )nN dvnements de T . Si la srie
! +
[
X
An
p
p(An ).
nN
n=0
nN
Continuit dcroissante : Si la suite (An ) est dcroissante alors la suite (p(An )) converge et on a lim p(An ) =
n+
!
\
p
An .
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 vne1
ments (An ) est croissante, n N, p(An ) = 1 p(An ) = 1 2n et A =
An .
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 )
n
est dcroissante, p(An ) = 65n 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
2 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Exemples :
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}, B = {3, 6} et A B = {6} donc p(A)p(B) = 63 26 = 16 = p(A B) do les vnements A et B
sont indpendants.
On lance successivement 2 ds quilibrs et soient les vnements A = "le nombre obtenu par le premier d est pair",
B = "le nombre obtenu par le deuxime d est impair" et C = "les nombres obtenus par les deux ds ont mme parit".
on a p(A B) = 14 = p(A)p(B), p(B C) = 14 = p(B)p(C) et p(C A) = 14 = p(C)p(A) donc les vnements A,
B et C sont deux deux indpendants mais la famille (A, B, C) nest pas indpendante car p(A B C) = p() =
0 6= 18 = p(A)p(B)p(C).
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.
pB est une probabilit sur T . On la note aussi p( |B).
p(A)
.
Si A B alors p(A|B) = p(B)
p(A B) = p(A|B)p(B). Si, en plus p(A) 6= 0 alors p(A B) = p(A|B)p(B) = p(B|A)p(A).
= p(A).
A et B sont indpendants si, et seulement si, p(A|B) = p(A). Dans ce cas, p(A|B) = p(A|B)
Dfinition 1.5 (Systme complet dvnements)
Soit (, T , p) un espace probabilis. On dit quune famille (Ai )iI dvnements de T forme un systme complet dvnements
de T si :
1. Ai Aj = pour tous i, j I tels que i 6= j.
[
2.
Ai = .
iI
Thorme 1.2 Soient (, T , p) un espace probabilis, A un vnement de T et (Bi )iI une famille au plus dnombrable qui
forme un systme complet dvnements
X I, p(Bi ) 6= 0.
Xde T telle que i
p(A|Bi )p(Bi ).
p(A Bi ) =
Probabilits totales : p(A) =
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 blanches 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 ) = 25 , p(B|U2 ) = 35 , p(U1 ) = 26 = 13 (U1 est aussi lvnement dobtenir 1 ou 2 lors du lancer du d) et
p(U2 ) = 46 = 32 (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 choisi lurne U1 sachant que la boule tire est blanche : On a p(U1 |B) = p(U
= p(B|U
=
p(B)
p(B)
2 1 15
1
=
.
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 .
Notations : Soient X une variable alatoire relle sur lespace probabilis (, T , p) et a, b R tels que a b.
www.mathlaayoune.webs.com
3 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
kN
(X a).
On a (X ] , a[) = (X a) T donc (X ] , a[) est un vnement de T , on le note aussi (X < a).
On a (X ]a, b]) = (X b) \ (X a) T donc (X ]a, b]) est un vnement de T , on le note aussi (a < X b).
On a (X [a, b]) = (X b) \ (X < a) T donc (X [a, b]) est un vnement de T , on le note aussi (a X b).
On a (X {a}) = (a X a) T donc (X {a}) est un vnement de T , on le note aussi (X = a).
On a (X [a, b[) = (X < b) \ (X < a) T donc (X [a, b[) est un vnement de T , on le note aussi (a X < b).
On a (X ]a, b[) = (X < b) \ (X a) T donc (X ]a, b[) est un vnement de T , on le note aussi (a < X < b).
Remarques : Soient X une variable alatoire relle sur lespace probabilis (, T , p).
Pour tout intervalle I de R, (X I) est un vnement de T .
Gnralement, si A est une partie de R obtenue par combinaison de passages au complmentaire, de runions et intersections au plus dnombrables dintervalles de R alors (X A) est un vnement de T .
Si T = P() alors toute fonction de vers R est une variable alatoire relle.
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 relle. 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
www.mathlaayoune.webs.com
4 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
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.
3
3.1
p((X I) A)
. On
p(A)
la note (pA )X .
3.2
Dfinition 3.4 Une variable alatoire relle X sur lespace probabilis (, 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 : Soit X une variable alatoire de loi discrte sur lespace probabilis (, T , p) et 0 T tel que p(0 ) = 1 et
D = X(0 ) au plus dnombrable.
!
[
X
I I(R), p(X I) = p(X I D) = p
(X = x) =
p(X = x).
xID
xID
On peut supprimer de D tous les lments x tels que p(X = x) = 0, les x restants sont appels les valeurs possibles de
X.
La loi de X est caractrise par la donne de lensemble D0 des valeurs possibles et de lapplication x D0 7 p(X =
x).
Exemples de lois discrtes usuelles : Soit X une variable alatoire de loi discrte sur lespace probabilis (, T , p).
Loi uniforme : On dit que X suit la loi uniforme de paramtre n N si X prend ses valeurs dans {1, . . . , n} et
k {1, . . . , n}, p(X = k) = n1 . On note X , U(n).
Exemple : Jeu de d : on lance un d quilibr et soit X la valeur obtenue alors X , U(6).
www.mathlaayoune.webs.com
5 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Loi de Bernoulli : On dit que X suit la loi de Bernoulli de paramtre p [0, 1] si X prend deux valeurs 1 (succs) et 0
(chec) avec p(X = 1) = p et p(X = 0) = 1 p. On note X , B(p).
Exemple : Jeu de pile ou face : on lance une pice et soit X gale 1 si on obtient pile et 0 si on obtient face, alors
X , B(p) o p est la probabilit dobtenir pile.
Loi binomiale : On dit que X suit la loi de binomiale de paramtres n N et p [0, 1] si X prend ses valeurs dans
{0, . . . , n} et k {0, . . . , n}, p(X = k) = Cnk pk (1 p)nk . On note X , B(n, p).
Exemple : Jeu de pile ou face fini : on lance une pice n fois et soit X le nombre de piles obtenus, alors X , B(n, p)
o p est la probabilit dobtenir pile.
Loi gomtrique : On dit que X suit la loi gomtrique de paramtre p ]0, 1[ si X prend ses valeurs dans N et
n N , p(X = n) = p(1 p)n1 . On note X , G(p).
Exemple : Jeu de pile ou face infini : on lance une pice une infinit de fois et soit X le rang du premier pile obtenu,
alors X , G(p) o p est la probabilit dobtenir pile.
Loi de Poisson : On dit que X suit la loi Poisson de paramtre > 0 si X prend ses valeurs dans N et n N, p(X =
n
n) = e n! . On note X , P().
Exemple : On change une ampoule chaque fois quelle tombe en panne et soit X le nombre de fois quon a d changer
lampoule pendant une dure de temps t. Si est le nombre moyen des ampoules changes alors X , P().
Exemples de calcul de la loi de la variable alatoire
relle Y = f (X) pour une variable alatoire relle X de loi discrte :
Soit p [0, 1] et X , G(p). Loi de Y = X
2 :
On a Y prend ses valeurs dans N donc
Y
est
une variable alatoire de loi discrte. Soit k N.
= 0 = p(X = 1) = p.
Si k = 0 alors p(Y = k) = p X
2
Si k 1 alors p(Y = k) = p X
2 = 0 = p((X = 2k) (X = 2k + 1)) = p(X = 2k) + p(X = 2k + 1) =
p(1 p)2k1 + p(1 p)2k = p(2 p)(1 p)2k1.
p
si k = 0
La loi de Y est alors donne par k N, p(Y = k) =
.
p(2 p)(1 p)2k1 si k 1
Soit > 0 et X , P(). Loi de Y = cos(X) :
On a Y prend ses valeurs dans {1, 1} donc Y est une variable alatoire de loi discrte.
On a p(Y = 1) = p(X 2N) =
+
X
p(X = 2n) =
n=0
On a p(Y = 1) = p(X 2N + 1) =
+
X
n=0
+
X
2n
= e ch().
(2n)!
p(X = 2n + 1) =
n=0
+
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, Y 2+1 ,
B(e ch()).
Remarques : Soit (X, Y ) un couple de variables alatoires relles de lois discrtes sur lespace probabilis (, T , p).
La loi du couple (X, Y ) est caractrise par la donne des ensembles D et D0 des valeurs possibles de X et Y respectivement et de la fonction (x, y) D D0 7 p(X = x, Y = y). Cette loi sappelle aussi la loi conjointe du couple
(X, Y ) et les lois de X et Y sappellent les lois marginales du couple (X, Y ).
X
Pour dterminer les lois de X et Y on utilise les formules : x D, p(X = x) =
p(X = x, Y = y) et
yD 0
y D , p(Y = y) =
p(X = x, Y = y).
xD
Exemple : On lance simultanment deux ds et soit 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
car on a un seul choix (i, i) (avoir la mme valeur i pour les deux ds).
Si i = j alors p(X = i, Y = j) = 36
2
1
Si i < j alors p(X = i, Y = j) = 36 = 18
car on a seulement deux choix (i, j) ou (j, i).
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
1
i1
2i 1
+
=
.
36
18
36
6
X
p(X = i, Y = j) =
i=1
j) +
6
X
p(X = i, Y = j) =
i=j+1
www.mathlaayoune.webs.com
6
X
p(X = i, Y = j) = p(X = j, Y =
i=j
1
6j
13 2j
+
=
.
36
18
36
6 / 20
mathlaayoune@gmail.com
CPGE Laayoune
3.3
Lissane Eddine
Essaidi Ali
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 et 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 relle 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 relle 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. I I(R), p(X I) = FX (b) FX (a) =
Remarque : Si X est une variable alatoire relle de loi densit sur lespace probabilis (, T , p) alors la connaissance de la
fonction de densit de X permet de dterminer la loi de X. On dit que la fonction de densit de X caractrise la loi de X.
En pratique, dterminer la loi de X revient donner sa fonction de densit.
Exemples de lois densit usuelles : Soit X une variable alatoire relle 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 :
fX (t) =
1
ba
si t [a, b]
sinon
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 gaussienne
standard.
Exemples de calcul de la loi de la variable alatoire relle Y = f (X) pour une variable alatoire relle X de loi continue :
www.mathlaayoune.webs.com
7 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
0
3 1
t R , FY0 (t) = 13 FX
]0,+[ (t) do Y , E 3 .
3 donc t R, fY (t) = 3 fX 3 = 3 e
2
Soit X , N (0, 1). Loi de Y = X :
Soit t R.
Si t 0 alors FY (t) = p(Y t) = p(X 2 t) = 0.
1
1
Si t > 0 alors fY (t) = FY0 (t) = FX ( t) FX ( t) = 2
f ( t) + 2
f ( t) = 1t fX ( t) car fX
t X
t X
t
1 e 2 .
2t
t
1 e 2 1]0,+[ (t)
2t
4
4.1
donc Y ,
1 1
2, 2
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 des vnements (Xj Ij )jJ de T est
indpendante.
Remarques :
Deux variables alatoires relles X et Y sur lespace probabilis (, T , p) sont indpendantes si I, J I(R), p(X
I, Y J) = p(X I)p(Y J).
Une famille (Xj )jJ de variables alatoires relles sur lespace probabilis (, T!, p) est indpendante si K J fini
\
Y
non vide et pour toute famille (Ik )kK dintervalles de R on a p
(Xk Ik ) =
p(Xk Ik ).
kK
kK
Les lments dune famille indpendante de variables alatoires sont deux deux indpendants. La rciproque est fausse.
Lindpendance dune famille de variables alatoires relles est relative la probabilit donne.
Exemple : Loi Min, loi Max : Soient (X1 , . . . , Xn ) une famille indpendantes de variables alatoires relles sur lespace
probabilis (, T , p).
Loi de M = max(X1 , . . . , Xn ) :
Soit t R donc FM (t) = p(M t) = p(X1 t, . . . , Xn t) = p(X1 t) p(Xn t) = FX1 (t) FXn (t).
En particulier, si X1 , . . . , Xn sont de lois continues alors il en est de mme pour M et on a fM (t) = fX1 (t)FX2 (t) FXn (t)+
FX1 (t)fX2 (t)FX3 (t) FXn (t) + + FX1 (t) FXn1 (t)fXn (t).
Loi de m = min(X1 , . . . , Xn ) :
Soit t R. On a 1Fm (t) = p(m > t) = p(X1 > t, . . . , Xn > t) = p(X1 > t) p(Xn > t) = (1FX1 (t)) (1
FXn (t)) donc Fm (t) = 1 (1 FX1 (t)) (1 FXn (t)).
En particulier, si X1 , . . . , Xn sont de lois continues alors il en est de mme pour m et on a fm (t) = fX1 (t)(1
FX2 (t)) (1FXn (t))+(1FX1 (t))fX2 (t)(1FX3 (t)) (1FXn (t))+ +(1FX1 (t)) (1FXn1 (t))fXn (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 calcul 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, 12 et Y , E(1). Loi de Z = X+1
:
n
X
Y
Soit t R. On a FZ (t) = p(Z t) = p
t = p(Y t(X + 1)) =
p(X (k + 1)t, Y = k) =
X +1
k=0
www.mathlaayoune.webs.com
8 / 20
mathlaayoune@gmail.com
CPGE Laayoune
n
X
Lissane Eddine
Essaidi Ali
k=0
n
X
k=0
continue sur R et C 1 sur R donc FZ est continue sur R et C 1 sur R do Z est de loi continue.
Z (k+1)t
Z (k+1)t
Si t < 0 alors k {0, . . . , n}, FX ((k + 1)t) =
fX (u)du =
0du = 0 donc FZ (t) = 0 do
(k+1)t
n
X
(k+1)t
(1 e
)p(Y = k) =
k=0
n
X
(k+1)t
fX (u)du =
p(Y = k)
k=0
n
X
eu du = 1 e(k+1)t donc
(k+1)t
p(Y = k) = 1
k=0
n
et X k kt
et
1 n
Cn e
= 1 n (1 + et )n do fZ (t) = FZ0 (t) =
2
2
n
X
e(k+1)t Cnk
k=0
t
e
2n
1
=
2n
k=0
4.2
Proposition 4.2 Si (X1 , X2 ) est un couple de variables alatoires relles sur (, T , p) 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 valeursX
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
u=0
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() et Y , P() indpendantes.
La variable alatoire S = X + Y est de loi discrte et densemble des valeurs possibles N. Soit n N, on a :
n
n
+
n
nk
k
X
X
X
X
k nk
(+)
(+) 1
e
=e
=e
Ckn k nk =
p(S = n) =
p(X = k)p(Y = nk) =
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 Si (X, Y ) un couple de variables alatoires relles sur (, T , p) indpendantes avec :
X de loi discrte et densemble de valeurs possibles D.
Y de loi continue et de densit fY .
Alors :
La variables alatoire S = X + Y est de loi X
densit.
La fonction de densit de S est fS : t R 7
p(X = u)fY (t u).
uD
www.mathlaayoune.webs.com
9 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
(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
t
si t 1
(1 p + pe )e
(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 Si (X, Y ) est 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 densit.
Z
Z
+
fX (u)fY (t u)du =
fX et
fY .
Exemples :
Loi Gamma comme somme de lois exponentielles : Soient > 0 et X, Y , E() indpendantes.
La variable
Z alatoire S = X + Y est de loi
Z densit et on a t R :
Z
+
fX (u)fY (tu)du = 2
eu 1[0,+[ (u)e(tu) 1[0,+[ (tu)du = 2 et
Z t
2 t
u)du = e
1[0,+[ (u)du = 2 tet 1[0,+[ (t). On dduit que S , (2, ).
1[0,+[ (t
fS (t) =
Stabilit de la loi gaussienne : Soient X , N (0, 1 ) et Y , N (0, 2 ) indpendantes donc la variable alatoire
S = X + Y est de loi continue et on a :
Z +
Z + 1 t2 (xt)2
+
2
12 t2
12 (xt)2
1
1
1
2
2
1
2
dt
x R, fS (x) =
dt =
e
e 21
e 22
21 2
21
22
Donc :
(x t)2
t2
+
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
=
=
2
1
1 2
On pose a = x 2 +
2 et b = 2
1
1 +22
fS (x)
12
2
+ x2 2 1 2
2
2
1 + 2
1 + 2
12
12 + 22
14
12
2
x
+
x
(12 + 22 )2
12 + 22
2
12 + 22
12
12 22
2
tx 2
+x
12 22
1 + 22
(12 + 22 )2
2
2
2
2
2
x
1 + 2
tx 2 1 2
+ 2
2
2
1 2
1 + 2
1 + 22
(x t)2
1
t2
x2
2
+
=
do :
(t
a)
+
12
22
b2
12 + 22
Z +
x2
12 (ta)2
1
2( 2 + 2 )
1
2 dt
e 2b
21 2
donc
1
p
2(12 + 22 )
1
2(12 + 22 )
x2
2( 2 + 2 )
1
2
1
2b
e 2b2 (ta) dt
x2
2( 2 + 2 )
1
2
Z +
2
1
1
e 2b2 (ta) dt = 1 (loi N (a, b2 )).
2b
On dduit que X + Y , N (0, 12 + 22 ).
Car
www.mathlaayoune.webs.com
10 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Esprance et moments :
5.1
Esprance :
Dfinition 5.1 Soit X une variable alatoire relle sur lespace probabilis (, T , p).
Si X est de loi discrte et densemble de valeurs possiblesX
D alors 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
kD
E(X).
Si X est de loi continue alors on dit que X admet une esprance si lapplication t 7 tf (t) est intgrable sur R. Dans
Z +
ce cas, 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 probabilis (, 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.
Esprances des variables alatoires relles de lois usuelles :
Cas des lois discrtes :
Loi uniforme : Si X , U(n) alors :
E(X) =
n
X
kp(X = k) =
k=1
n
X
n+1
k
=
n
2
k=1
n
X
kp(X = k)
k=0
np
n
X
k1 k1
Cn1
p
(1 p)nk
n
X
kCnk pk (1 p)nk
k=0
n1
X
= np
k=1
n
X
k1 k
nCn1
p (1 p)nk
k=1
k
Cn1
pk (1 p)n1k
= np(p + (1 p))n1 = np
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 absolument 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
k1
kp(1 p)
k=1
=p
+
X
k=1
k(1 p)k1 =
p
1
=
(1 (1 p))2
p
k
k1
donc la srie
Loi de Poisson : Soit X , P() avec > 0. On a k N , kp(X = k) = ke k! = e (k1)!
P
kp(X = k) est absolument convergente do la famille (kp(X = k)) est sommable.
On dduit que X admet une esprance et on a :
E(X) =
+
X
+
X
kp(X = k) =
k=0
k=0
ke
k=1
k=0
X k1
X k
k
= e
= e
= e e =
k!
(k 1)!
k!
www.mathlaayoune.webs.com
2 b
t
1
b2 a 2
a+b
dt =
t a=
=
ba
2(b a)
2(b a)
2
11 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Loi exponentielle : Soit X , E() avec > 0. Lapplication t 7 tet est intgrable sur [0, +[ donc X admet
une esprance et on a : alors :
+
tet dt =
E(X) =
0
2 21 t
1
t e dt = car
(2)
2 21 t
t e dt = 1(loi (2, ))
(2)
Loi gamma : Soit X , (, ) avec , > 0. Lapplication t 7 tet t1 est intgrable sur ]0, +[ donc X
admet une esprance et on a : :
Z
t 1
te t
dt =
()
E(X) =
0
Car
0
Z
0
+1 t (+1)1
e t
dt =
( + 1)
+1 t (+1)1
e t
dt = 1 (loi ( + 1, )).
( + 1)
(tm)2
2 2
(tm)2
1
te 22 dt
2
(t m)e
(tm)2
2 2
m
dt +
2
(tm)2
2 2
dt
Z +
+
(tm)2
(tm)2
+
e 22
e 22 dt = m
2
2
=
1
Car
2
(tm)2
2 2
Thorme 5.1 (Thorme de transfert) Soit X une variable alatoire relle sur lespace probabilis (, T , p) et g : X()
R telle que Y = g(X) soit une variable alatoire.
Si X est de loi discrte et densemble de valeurs possibles D
alors Y admet une esprance si, et seulement si, la famille
X
(g(k)p(X = k))kD est sommable. Dans ce cas, E(Y ) =
g(k)p(X = k).
kD
Si X est de loi continue alors Y admet une esprance si, et seulement si, lapplication t 7 g(t)fX (t) est intgrable sur
Z +
R. Dans ce cas, E(Y ) =
g(t)fX (t)dt.
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
Soit > 0, X , E() et Y = X 2 : Lapplication t 7 t2 et 1[0,+[ (t) est intgrable sur R donc Y admet une
esprance et on a :
Z
E(Y ) =
0
t2 et dt =
2
car
2
Z
0
3 31 t
t e dt = 1 (loi (3, ))
(3)
Remarque : Le thorme de transfert permet de calculer lesprance de Y = g(X) laide de la loi de X et sans avoir
dterminer celle de de Y .
Thorme 5.2 Thorme de transfert deux variables alatoires de lois discrtes Soit X, Y deux variables alatoires relles
de lois discrtes sur lespace probabilis (, T , p), densembles des valeurs possibles respectives D et D0 et g : (X, Y )() R
telle que Z = g(X, Y ) soit une variable alatoire.
Z admet une esprance si, et seulement si, la famille (g(x, y)p(X = x, Y = y))(x,y)DD0 est sommable.
X
Dans ce cas, E(Z) =
g(x, y)p(X = x, Y = y).
(x,y)DD 0
www.mathlaayoune.webs.com
12 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Exemple : On lance simultanment deux ds quilibrs et soit X le produit des deux nombres obtenus. On pose U le nombre
obtenu par le premier d et V celui du deuxime.
!2
6
6
6
X
1 X
49
1 X
62 72
On a E(X) = E(U V ) =
ijp(U = i, V = j) =
=
.
ij =
i
=
36
36
4
36
4
i,j=1
i,j=1
i=1
Proposition 5.1 Soit X, Y deux variables alatoires relles de lois discrtes ou 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 Soit X, Y deux variables alatoires relles 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 XY possde une esprance et on a E(XY ) = E(X)E(Y ).
Remarques : Soit X, Y deux variables alatoires relles sur lespace probabilis (, T , p) de lois discrtes ou continues et qui
possdent des esprances.
Si E(X) = 0 alors, on dit que la X est centre.
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 forcment indpendantes.
1
Y +1
, B
et Z = XY .
Exemple : Soit X et Y deux variables alatoires indpendantes telles que X , N (0, 1) et
2
2
On a X , N (0, 1) donc E(X)
= 0.
Y +1
1
Y +1
1
1
1
1
De mme, on a
, B
donc E
= donc, par linarit de lesprance, E(Y ) + = do E(Y ) = 0.
2
2
2
2
2
2
2
On a X, Y indpendantes donc Z = XY admet une esprance et on a E(X)E(Z) = 0 car E(X) = 0.
Dautre part, on a X, Y indpendantes donc, daprs le thorme dindpendance hrite, X 2 et Y sont 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 ) = 0. On dduit E(XZ) =
E(X)E(Z).
Supposons que X et Z sont indpendantes donc, daprs le thorme dindpendance hrite, X 2 et Z 2 sont indpendantes, or
Z 2 = X 2 car Y 2 = 1 puisque les valeurs possibles de Y sont 1 et 1 donc X 2 est indpendante delle mme.
On dduit que p(X 2 1) = p(X 2 1, X 2 1) = p(X 2 1)p(X 2 1) = p(X 2 1)2 donc p(X 2 1) = 0 ou
p(X 2 1) = 1.
Z 1
t2
1
t2
Si p(X 2 1) = 0 alors 0 = p(X 2 1) = p(1 X 1) =
e 2 dt donc t [1, 1], e 2 = 0.
2 1
Absurde.
Z 1
Z +
2
t2
1
1
2
t2
2
Si p(X 1) = 1 alors 1 = p(X 1) = p(1 X 1) =
e
dt. Or
e 2 dt = 1 donc
2 1
2
Z +
2
1
t2
t2
e
dt = 0 do t [1, +[, e 2 = 0. Absurde.
2 1
On dduit que X et Z ne sont pas indpendantes et pourtant E(XZ) = 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).
5.2
Dfinition 5.2 Soit X une variable alatoire relle de loi discrte ou continue sur lespace probabilis (, T , p) et k N .
On dit que X admet un moment dordre k si la variable alatoire X k admet une esprance. Dans ce cas, E(X k ) sappelle le
moment dordre k de X.
Remarque : Soit k N et X une variable alatoire relle de loi discrte ou continue sur lespace probabilis (, T , p) qui
admet un moment dordre k. Alors :
Daprs le thorme de transfert :
X
1. Si X est de loi discrte et densemble de valeurs possibles D alors E(X k ) =
nk p(X = n).
nD
tk fX (t)dt.
www.mathlaayoune.webs.com
13 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
n
n
X
n+1 2
n+1 2
(n + 1)(2n + 1)
n2 1
n + 1 2 X k2
2
=
=
k p(X = k)
V (X) =
2
n
2
6
2
12
k=1
k=1
=
=
n
X
k=0
n
X
k(k 1)p(X = k)
k=0
n(n
k2 k
1)Cn2
p (1
p)
nk
= np2
k=2
= np2
n
X
k2 k2
Cn2
p
(1 p)nk
k=2
n2
X
k
Cn2
pk (1 p)n2k
k=0
+
X
k(k1)p(X = k) =
k=1
+
X
k(k1)p(1p)k1 = p(1p)
k=1
2(1p)
p2
+
X
k(k1)(1p)k2 =
k=2
2p(1 p)
(1 (1 p))3
2(1 p) 1
1
1p
+ 2 =
p2
p p
p2
P
k
Loi de Poisson : Soit X , P() avec > 0. On a k N, k 2 p(X = k) = k 2 e k! donc la srie k 2 p(X = k)
est absolument convergente do la famille (k 2 p(X = k)) est sommable.
On dduit que X admet un moment dordre deux. On a :
V (X) = E(X 2 ) E(X)2 = E(X(X 1)) + E(X) E(X)2 =
E(X(X1)) =
+
X
k=0
www.mathlaayoune.webs.com
k(k1)p(X = k) =
+
X
k(k1)e
k=0
14 / 20
k=2
k=0
X k2
X k
k
= 2 e
= 2 e
= 2 e e = 2
k!
(k 2)!
k!
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Z
a
3 b
t2
b3 a3
1
a2 + ab + b2
t a=
dt =
=
ba
3(b a)
3(b a)
3
Donc :
V (X) = E(X 2 ) E(X)2 =
a2 + ab + b2
a2 + 2ab + b2
(b a)2
=
3
4
12
Loi exponentielle : Soit X , E() avec > 0. Lapplication t 7 t2 et est intgrable sur [0, +[ donc X
admet un moment dordre deux. On a :
Z + 3
Z + 3
Z +
31 t
31 t
2
2
t2 et dt = 2
t e dt = 2 car
t e dt = 1(loi (3, ))
E(X 2 ) =
0
(3)
(3)
0
0
Donc :
V (X) = E(X 2 ) E(X)2 =
1
1
2
2 = 2
2
Loi gamma : Soit X , (, ) avec , > 0. Lapplication t 7 t2 et t1 est intgrable sur ]0, +[ donc X
un moment dordre deux. On a :
Z
Z +
( + 1) + +2 t (+2)1
( + 1)
2 t 1
t e t
dt =
e t
dt =
E(X 2 ) =
2
()
(
+
2)
2
0
0
Z
Car
0
+2 t (+2)1
e t
dt = 1 (loi ( + 2, )). Donc :
( + 2)
V (X) = E(X 2 ) E(X)2 =
( + 1) 2
2 = 2
2
1
Car
2
(tm)2
2 2
(tm)2
2 2
= E((X E(X))2 )
Z +
(tm)2
1
(t m)2 e 22 dt car E(X) = m
=
2
Z +
+
(tm)2
(tm)2
=
(t m)e 22
+
e 22 dt = 2
2
2
Proposition 5.2 Si X, Y sont deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p)
qui possdent des moments dordre 2 alors :
Ingalit de Cauchy-Schwarz : XY possde une esprance et on a E(XY )2 E(X 2 )E(Y 2 ).
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 probabilis (, T , p).
Si X et Y possdent des moments dordre 2, alors on appelle covariance du couple (X, Y ) la quantit C(X, Y ) = E((X
E(X))(Y E(Y ))). On la note aussi cov(X, Y ).
Remarque : Symtrie et bilinarit de la covariance : Soit a, b, c, d R et X, Y deux variables alatoires relles de lois
discrtes ou continues sur lespace probabilis (, T , p) admettant des moments dordre deux. Alors :
C(X, Y ) = C(Y, X).
C(X, X) = V (X).
C(aX + b, cY + d) = acC(X, Y ).
C(aX + bY, cX + dY ) = acV (X) + (ad + bc)C(X, Y ) + bdV (Y ).
www.mathlaayoune.webs.com
15 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Proprit 5.3 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p)
admettant un moment dordre deux.
V (X + Y ) = V (X) + V (Y ) + 2C(X, Y ).
C(X, Y ) = E(XY ) E(X)E(Y ).
Ingalit de Cauchy-Schwarz : |C(X, Y )| (X)(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 ). La rciproque est fausse.
Remarques : Si X1 . . . , Xn est une famille de variables alatoires relles de lois discrtes ou continues sur lespace probabilis
(, T , p) qui possdent
moments dordre deux alors :
! des
n
n
n
n
X
X
X
X
X
V
Xk =
V (Xk ) +
C(Xk , Xl ) =
V (Xk ) + 2
C(Xk , Xl ).
k=1
k=1
k,l=1
k6=l
k=1
n
X
1k<ln
!
Xk
k=1
n
X
V (Xk ).
k=1
Dfinition 5.5 Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p).
Si X et Y possdent des moments dordre 2 et V (X), V (Y ) non nuls, alors on appelle corrlation linaire du couple (X, Y )
C(X, Y )
.
la quantit (X, Y ) =
(X)(Y )
Remarques : Soient X et Y deux variables alatoires relles de lois discrtes ou continues sur lespace probabilis (, T , p)
admettant un moment dordre 2.
Si X et Y sont indpendants alors (X, Y ) = 0. La rciproque est fausse.
1 (X, Y ) 1.
Si (X, Y ) = 1 alors on dit que X et Y sont linairement corrles.
(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).
Si (X, Y ) = 0 alors on dit que X et Y sont non corrles linairement.
Fonctions gnratrices :
Dfinition 6.1 Soit X une variable alatoire relle sur lespace probabilis (, 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 probabilis (, 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]. En particulier, GX est continue sur [1, 1].
GX est de classe C sur ] 1, 1[.
(n)
G (0)
n N, p(X = n) = X
. En particulier, GX caractrise la loi de X.
n!
Fonctions gnratrices des lois discrtes usuelles : Soit X une variable alatoire relle de loi discrte sur lespace probabilis
(, 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 = (1 p) + 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
(1 p + tp)n .
Loi gomtrique : Si X , G(p) avec p ]0, 1[ : On a n N , p(X = n) = p(1 p)n1 donc le rayon de
+
X
P
1
1
1
convergence de la srie entire p(X = n)tn est 1p
et on a t
,
, GX (t) =
p(1 p)n1 tn =
1p 1p
n=1
www.mathlaayoune.webs.com
16 / 20
mathlaayoune@gmail.com
CPGE Laayoune
pt
+
X
Lissane Eddine
(t(1 p))n1 = pt
n=1
+
X
(t(1 p))n =
n=0
Essaidi Ali
pt
.
1 t(1 p)
n
n
n
X
X
k k1
1 k
t do t R, G0X (t) =
t
et G00X (t) =
n
n
k=1
k=1
tk2 .
n
X
k
n(n + 1)
n+1
=
=
et V (X) = E(X 2 ) E(X)2 = G00X (1) + E(X)
n
2n
2
k=1
n
n
n
X
X
X
n
+
1
n+1 2
k2
k
n+1
n+1 2
n(n + 1)(2n + 1)
k(k
1)
+
E(X)2 =
n
2
2
n
n
2
2
6n
k=1
k=1
k=1
n+1 2
n+1 2
(n + 1)(2n + 1)
n2 1
=
=
.
2
6
2
12
Loi de Bernoulli : Soit X , B(p) donc t R, GX (t) = pt + 1 p do t R, G0X (t) = p et G00X (t) = 0.
On dduit que E(X) = G0X (1) = p et V (X) = E(X 2 ) E(X)2 = G00X (1) + E(X) E(X)2 = p p2 = p(1 p).
Loi binomiale : Si X , B(n, p) donc t R, GX (t) = (pt + 1 p)n do t R, G0X (t) = np(pt + 1 p)n1 et
G00X (t) = n(n 1)p2 (pt + 1 p)n2 .
On dduit que E(X) = G0X (1) = np et V (X) = E(X 2 ) E(X)2 = G00X (1) + E(X) E(X)2 = n(n 1)p2 + np
n2 p2 = np(1 p).
pt
Loi gomtrique : Soit X , G(p) avec p ]0, 1[ donc t ] 1, 1[, GX (t) = 1t(1p)
do t ] 1, 1[, G0X (t) =
p(1t(1p))+pt(1p)
(1t(1p))2
2p(1p)
p
00
(1t(1p))2 et GX (t) = (1t(1p))3 .
On dduit que E(X) = G0X (1) = p1 et V (X) = E(X 2 )E(X)2 = G00X (1)+E(X)E(X)2 =
Loi de Poisson : Soit X , P() donc t R, GX (t) = e(t1) do t R, G0X (t) =
2 (t1)
1p
1
1
2 1p
p2 + p p2 = p2 .
e(t1) et G00X (t) =
e
.
On dduit que E(X) = G0X (1) = et V (X) = E(X 2 ) E(X)2 = G00X (1) + E(X) E(X)2 = 2 + 2 = .
7
7.1
Proposition 7.1 (Ingalit de Markov) Si X est une variable alatoire relle sur lespace probabilis (, T , p) 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 sur lespace probabilis (, T , p)
admettant un moment dordre 2, alors, pour tout > 0, p(|X E(X)| ) V (X)
2 .
Remarques : Soit X une variable alatoire relle sur lespace probabilis (, T , p) admettant un moment dordre 2.
www.mathlaayoune.webs.com
17 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
Rgle des trois sigma : On a p (E(X) 3(X) < X < E(X) + 3(X)) = p (3(X) < X E(X) < 3(X)) =
V (X)
V (X)
1
8
p (|X E(X)| < 3(X)) = 1 p (|X E(X)| 3(X)) 1 9
2 (X) = 1 9V (X) = 1 9 = 9 0, 89.
Autrement dit, presque toutes les valeurs de X se situent dans lintervalle ]E(x) 3(X), E(x) 3(X)[.
Interprtation de la variance : la variance permet de contrler lcart entre X et sa valeur moyenne E(X).
Exemples :
Majoration de la probabilit dobtenir plus de 600 Pile
en jetant 1000 fois une pice de monnaie quilibre : Soit X
le nombre de piles obtenus donc X , B 1000, 21 . En particulier, E(X) = 1000 12 = 500 et E(X) = 1000
1
1
2 1 2 = 250.
On a p(X 600) = p(X 500 100) p(|X 500| 100) donc, daprs lingalit de Bienaym-Tchebychev,
(X)
250
p(X 600) V100
2 = 10000 = 0, 025.
Majoration de p(X 210) o X est une variable alatoire telle que E(X) = 200 et V (X) = 5 : On a p(X 210) =
(X)
p(X 200 10) p(|X 200| 10) donc, daprs lingalit de Bienaym-Tchebychev, p(X 210) V10
=
2
5
=
0,
05.
100
Proposition 7.3 (Ingalit de Jensen) Soit X une variable alatoire relle sur lespace probabilis (, T , p) admettant une
esprance et f : R R une application convexe sur R.
Si la variable alatoire f (X) admet une esprance, alors f (E(X)) E(f (X)).
7.2
Dfinition 7.1 On dit quune suite (Xn ) de variables alatoires relles sur lespace probabilis (, T , p) convergence en
probabilit sil existe une variable alatoire relle X sur lespace probabilis (, T , p) telle que :
> 0, lim p(|X Xn | ) = 0
n+
Exemples :
Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p) dfinie par n N , p(Xn = n) =
1
1
n et p(Xn = 0) = 1 n .
On a > 0, p(|Xn | ) = p(|Xn | =
6 0) = p(Xn = n) =
1
n
0 donc Xn 0.
n+
1
.
Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p) telle que n
N
,
X
,
U
0,
n
n
Z
1
P
n
1[0, 1 ] (t)dt = 1 n min ,
1 1 = 0 donc Xn 0.
n
n+
n
n1[0, 1 ] (t)dt = 1
n
Proposition 7.4 Soit X une variable alatoire relle sur lespace probabilis (, 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 probabilis (, T , p).
s
P
On a n1
0 sur R donc X
0.
n
n+
n s x
n
P
e sur R donc 1 + X
eX .
On a 1 + nx
n
n+
Dfinition 7.2 On dit quune suite (Xn ) de variables alatoires relles sur lespace probabilis (, T , p) converge en loi sil
existe une variable alatoire relle X sur lespace probabilis (, T , p) telle quen tout point t de continuit de FX on a :
lim FXn (t) = FX (t)
n+
Exemples :
Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p) telle que n N , Xn , N 0, n1 .
Z x
nt2
n
On a x R, n N , FXn (x) =
e 2 dt.
2
Z x n
u2
n
Considrons le changement de variables u = t n donc FXn (x) =
e 2 du.
2
www.mathlaayoune.webs.com
18 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
u2
n
Si x < 0 alors x n donc FXn (x)
e 2 du = 0.
2 Z
+
u2
n
Si t > 0 alors x n + donc FXn (x)
e 2 du = 1 (loi N (0, 1)).
2
0
1
si x < 0
si x 0
On dduit que Xn 0.
n+
Soit > 0 et (Xn ) une suite de variables alatoires relles indpendantes sur lespace probabilis (, 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+1 .
On dduit que t R :
n+1
Z t
t n+1
n+1
t
e dt
Si t 0 alors FYn (t) = 1(1FX1 (t))
= 1 1 1
= 1 1 1 + et 0
=
0
Si t < 0 alors FX1 (t) = 0 donc FYn (t) = 0 do lim FYn (t) = 0.
n+
0 si t < 0
do FX est continue sur R et on a
Soit la variable alatoire constante X = 0 donc x R, FX (t) =
1 si t 0
x R , lim FXn (x) = FX (x).
n+
On dduit que Xn 0.
n+
Proposition 7.5 Soit X et (Xn ) une suite de variables alatoires relles sur lespace probabilis (, 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+
Corollaire 7.6 Soit (Xn )n1 une suite de variables alatoires relle sur lespace probabilis (, T , p) telle que n 1, Xn ,
B(n, pn ).
Si npn > 0 alors la suite (Xn )n1 converge en loi vers une variable alatoire relle X qui sui la loi P().
n+
Interprtation de la loi de Poisson comme loi des vnements rares : Soit > 0 et X , P().
Daprs le corollaire prcdent, pour n assez grand, on peut considrer que X , B(n, n ) donc la loi de Poisson dcrit,
lorsquon rpte un trs grand nombre de fois (n) une exprience, le nombre de succs dun vnement ayant une faible chance
de se raliser ( n ).
Proposition 7.7 Soit (Xn ) une suite de variables alatoires relles sur lespace probabilis (, T , p).
Si (Xn ) converge en probabilit vers une variable alatoire X alors (Xn ) converge en loi vers X.
Remarque : La rciproque est fausse. En effet, soit X , B 21 et (Xn ) dfinie par n N, Xn =1 X.
On a n N, p(Xn = 0) = p(X = 1) = 12 = p(X = 0) = p(Xn = 1) donc n N, Xn , B 21 donc n N, FXn = FX
L
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| 21 ) = p(|1 2X| 21 ) = p(|1 2X| = 1) = 1 6 0 donc (Xn )
ne converge pas en probabilit vers X.
7.3
Thormes limites :
Thorme 7.1 (Loi faible des grands nombres) Si (Xn )n1 est!une suite de variables alatoires indpendantes, de mme loi
n
1X
et admettant des moments dordre 2, alors la suite
Xk
, de variables alatoires, converge en probabilit vers la
n
k=1
n1
19 / 20
mathlaayoune@gmail.com
CPGE Laayoune
Lissane Eddine
Essaidi Ali
1X
P
Xk p.
n+
n
k=1
On dduit que, pour n assez grand, on peut approch p par le nombre moyen de ralisation de lvnement A.
Thorme 7.2 (Thorme de la limite centre) Si (Xn )n1 est une suite de
!!variables alatoires indpendantes, de mme loi
n
X
1
n1
= (X1 ), converge en loi vers une variable alatoire qui suit la loi Gaussienne standard N (0, 1).
Remarques :
1
n
X
t2
n
n 1X
On a
Xk N (0, 1) donc la vitesse de convergence de la loi faible des grands nombres est en n .
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
1
X1 + + Xn n
X1 + + Xn n
0 = p (X1 + + Xn n) =
Dautre part, par stabilit de la loi de poisson, X1 + +Xn , P(n) donc p
n
n
n
k
k
X
X
n
1
n
en
do en
k!
k!
2
k=0
k=0
www.mathlaayoune.webs.com
20 / 20
mathlaayoune@gmail.com