Loi de probabilité continue
•Le moment d'ordre 2 de la loi uniforme sur [ab] est. E X2 = ?a b t2 1 b-a. dt = b3-a3. 3. 1 b-a. = a2+ab+b2. 3. • La variance de la loi uniforme sur
Les Lois de Probabilité Discrètes
Loi Uniforme. 2.1 Définition. 2.2 Espérance et Variance. 3. Loi de Bernouilli. 3.1 Définition. 3.2 Espérance et Variance. 4. Loi Binomiale. 4.1 Définition.
Démonstrations lois uniforme et exponentielle Loi uniforme
X suit la loi uniforme sur [a ;b]. Démonstration. Le principe. On applique les définitions vues dans le cours sur la densité de probabilité.
Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi
Les démonstrations sont détaillées dans le cours oral. 1On suppose que D = {1 à prouver que Yn est de loi uniforme sur A. Pour a ? A
Variables aléatoires à densité
2.4 Variance d'une variable aléatoire à densité . 3.2.1 Loi exponentielle de paramètre ? . ... Démonstration. Déterminons FY la fonction de répartition ...
1 Rappels sur la loi exponentielle
espérance : E[X]=1/?;. • variance : Var(X)=1/?2 ;. • simulation : si U suit la loi uniforme sur ]01]
Probabilités continues
Loi uniforme. Exercice. Soit X une variable aléatoire de loi uniforme sur [? ?]. Calculez l'espérance et la variance de X.
10 - Variables aléatoires Cours complet
variance d'une variable aléatoire suivant une loi uniforme de Bernoulli
TEMPS DATTENTE
Une loi à densité sur un intervalle I de ? est une loi uniforme si elle donner alors la loi de probabilité de X ainsi que son espérance et sa variance ...
COURS DE STATISTIQUE DEFINITIONS ET PROPRIETES DES
Loi UNIFORME : U Espérance et variance : ... Une v.a. X suit une loi uniforme sur l'intervalle [a b] si X est une v.a. continue de.
[PDF] Loi de probabilité continue
La variance d'une variable aléatoire X de densité f est Var(X) = E X2 - E(X) La variance de la loi uniforme sur [ab] est E X2 - E(X)
[PDF] Correction TD no 3
Donc U suit une loi uniforme sur [0 1] 5 On rappelle que dans cette feuille d'exercice pour tout réel x ? R [x] est la partie entière de x
[PDF] Démonstrations lois uniforme et exponentielle
Démonstrations lois uniforme et exponentielle Loi uniforme Propriétés X suit la loi uniforme sur [a ;b] Démonstration Le principe
[PDF] Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi
?Notes du cours de Probabilités de M1 de M L Gallardo Université de Tours année 2008-2009 Les démonstrations sont détaillées dans le cours oral 1On
EMV de la loi uniforme - ENS Rennes
Espérance variance et moments d'une variable aléatoire – 262 Modes de convergence d'une suite de variables aléatoires Exemples et applications – 263
[PDF] L3 Mathématiques - Université de Rennes
1 jan 2023 · Démonstration : En vertu de l'exemple 2) ci-dessus lois de probabilité `a partir de la loi uniforme en inversant les fonctions de
[PDF] Fonction de répartition et densité
1?i?m Xi sont des v a Lois usuelles Loi uniforme U[ab] La loi uniforme sur [a b] : on a ici deux réels a
[PDF] CH XXI : Variables aléatoires réelles à densité - Arnaud Jobin
× une v a r X suivant une loi uniforme sur [01] (définition à suivre) × et la v a r Y donnée par Y = 1 ? X Alors X + Y = 1 ce qui montre que X(?) = {1}
[PDF] Probabilités et variables aléatoires Préparation `a lagrégation interne
– La variance d'une variable aléatoire de carré intégrable est toujours une quantité positive Elle n'est nulle que si la variable aléatoire suit une loi de
[PDF] LOIS À DENSITÉ - maths et tiques
Vidéo https://youtu be/r-8jxBaS7Ms 5) Espérance et variance Propriété : Soit une variable aléatoire qui suit la loi uniforme ([ ; ])
Comment calculer la variance de la loi uniforme ?
Comment calculer la variance de la loi uniforme ? Pour calculer la variance d'une loi uniforme continue, nous devons remplacer sa densité de probabilité dans la formule pour la variance, à savoir V a r ( X ) = E [ X 2 ] ? E [ X ] 2 .Comment montrer qu'une variable suit une loi uniforme ?
On dit qu'une variable aléatoire X suit une loi uniforme sur l'intervalle [a ; b] lorsque sa densité de probabilité associée est constante sur [a ; b]. Cette constante est alors égale à . X est alors notée U[a ; b].Comment construire une variable aléatoire de loi n 0 1 ?
La courbe bleue représente la densité de la loi normale d'espérance et de variance et la courbe verte représente la densité de la loi normale centrée réduite. Complétez l'affirmation suivante. Soit une variable aléatoire de loi normale d'espérance et de variance .- On dit que deux variables aléatoires X et Y ont la même loi si elles ont la même fonction de répartition FX = FY . Remarque 1.2 Soit I un intervalle de R. L'événement {X ? x} représente l'ensemble des valeurs ? ? ? telles que X(?) soit inférieur à x, i.e.{X ? x} = {? ? ? : X(?) ? x}.
Variables aléatoires à densité
Table des matières
1 Généralités sur les variables aléatoires réelles 2
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21.2 Fonction de répartition d"une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . .
31.3 Loi d"une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41.4 Généralisation de la notion d"indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41.4.1 Indépendance de deux variables aléatoires réelles . . . . . . . . . . . . . . . . . . . . .
41.4.2 Indépendance mutuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51.5 Généralisation des propriétés de l"espérance et de la variance . . . . . . . . . . . . . . . . . .
51.5.1 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51.5.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72 Variables aléatoires à densité 7
2.1 Définition des variables aléatoires à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72.1.2 Densité d"une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82.1.3 Fonctions d"une variable aléatoire à densité . . . . . . . . . . . . . . . . . . . . . . . .
102.1.4 Maximum et minimum de deux variables aléatoires à densité indépendantes . . . . . .
122.2 Espérance d"une variable aléatoire à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . .
132.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
132.2.2 Théorème de transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
142.3 Moments d"une variable aléatoire à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . .
152.4 Variance d"une variable aléatoire à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
153 Lois à densité usuelles17
3.1 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
173.1.1 Loi uniforme sur[a,b]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
3.1.2 Loi uniforme sur[0,1]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .18
3.1.3 Transformation de variables aléatoires uniformes . . . . . . . . . . . . . . . . . . . . .
183.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
193.2.1 Loi exponentielle de paramètreλ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19
3.2.2 Transformation de variables aléatoires exponentielles . . . . . . . . . . . . . . . . . . .
203.3 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
213.3.1 Loi normale (ou de Laplace-Gauss)N?μ,σ2?. . . . . . . . . . . . . . . . . . . . . . .21
3.3.2 Loi normale centrée réduiteN(0,1). . . . . . . . . . . . . . . . . . . . . . . . . . . .22
3.3.3 Transformation de variables aléatoires normales . . . . . . . . . . . . . . . . . . . . . .
231
Dans ce chapitre, toutes les variables aléatoires sont supposées définies sur le même espace probabilisé
(Ω,A,P).1 Généralités sur les variables aléatoires réelles
1.1 Définitions
Exemple 1.
On demande à un individu de donner aléatoirement un nombre entre[0,1]. On noteXlavaleur indiqué. A prioriX?[0,1]. Il existe ainsi une infinité non dénombrable de valeurs possibles pourX.Définition 1.1 :Variable aléatoire réelleOn appelle variable aléatoire réelledéfinie sur(Ω,A)toute application
X: Ω→R
ω?→X(ω)
telle que L"ensemble des valeurs prises parXc"est à direX(Ω)est appelé l"univers image.Remarque 1.2 :Variable aléatoire discrèteSiX(Ω)est de plus dénombrable,Xest une variable aléatoire discrète : finie siX(Ω)fini, infinie sinon.Exemple 2.
Il y a plusieurs exemples de variables aléatoires réelles non discrètes (que l"on dira continues) :
•La variable aléatoireXégale à la taille d"une personne dans une ville donnée ou dans un pays donné,
est une variable aléatoire.La variable aléatoireXégale à la durée de fonctionnement d"une ampoule électrique exprimée en
heures, est une variable aléatoire.Proposition 1.3 :Événements associés à une variable aléatoireSoitXune variable aléatoire réelle, pour tout intervalleIdeR
[X?I] ={ω?Ω|X(ω)?I} ? A.En particulier,
•[X=x] ={ω?Ω|X(ω) =x}avecx?R.Exemple 3.SoitΩest l"ensemble des habitants en France. On définitXla variable aléatoire égale à la
taille d"une personne en France (encm), l"ensemble suivant correspond à l"événement "les personnes entre
150cmet200cm" :
21.2 Fonction de répartition d"une variable aléatoire
Définition 1.4 :Fonction de répartition d"une variable aléatoireSoitXune variable aléatoire, on appellefonction de répartitiondeXla fonction réelle définie surRpar :
•FXest une fonction croissante, •limx→-∞FX(x) = 0etlimx→+∞FX(x) = 1, •FXest continue à droite en tout point deR:?x?R,limt→xt>xF X(t) =FX(x).Remarque 1.7 :Fonction de répartition d"une variable aléatoire discrèteDans le cas d"une variable aléatoireXdiscrète, la fonction de répartitionFXest une fonction en escalier
donc discontinue.Exemple 4.PourX ?→ B(p), sa fonction de répartitionFXest donnée par FX(x) =?
??0,six <0,1-p,six?[0,1[,
1,six≥1..Propriété 1.8 :Probabilité et fonction de répartitionSoitXune variable aléatoire réelle.
FXest continue enx?R?P(X=x) = 0.3
1.3 Loi d"une variable aléatoire
Définition 1.10 :Loi d"une variable aléatoireSoitXune variable aléatoire réelle. On appelleloi deXla donnée de toutes les probabilitésP(X?A)où
Aest une réunion au plus dénombrable d"intervalles deR.Remarque 1.11 :Loi d"une variable aléatoire discrètePour déterminer la loi d"une variable aléatoire discrète, on s"intéresse uniquement à
P(X=x)pour toutx?X(Ω).
Pour une variable aléatoire pouvant prendre toute valeur réelle, il ne s"agira plus de calculer une probabilité
d"apparition d"une valeur donnée mais plutôt d"un intervalle.Proposition 1.12 :Caractérisation de la loi d"une variable aléatoire réelleSoientXetYdeux variables aléatoires réelles.
XetYont même loi de probabilité?XetYont même fonction de répartition.On dira alors que la fonction de répartition caractérise la loi d"une variable aléatoire réelle.1.4 Généralisation de la notion d"indépendance
1.4.1 Indépendance de deux variables aléatoires réellesRemarque 1.13 :Rappel : indépendance de deux variables aléatoires discrètesDeux variables aléatoires discrètesXetYsont indépendanteslorsque pour toutx?X(Ω)ety?Y(Ω),
P([X=x]∩[Y=y]) =P(X=x)P(Y=y).Définition 1.14 :Indépendance de deux variables aléatoires réellesDeux variables aléatoires réellesXetYsont indépendanteslorsque pour tous intervalles réelsIetJ,
P([X?I]∩[Y?J]) =P(X?I)P(Y?J).Proposition 1.15 :Indépendance de deux variables aléatoires réellesSoientXetYdeux variables aléatoires réelles
Soient deux fonctionsfetgdéfinies surR, si les variables aléatoires réellesXetYsont indépendantes
alorsf(X)etg(Y)sont deux variables aléatoires indépendantes.41.4.2 Indépendance mutuelle
Remarque 1.17 :Rappel : indépendance mutuelle denvariables aléatoires discrètesLes variables aléatoires discrètesX1X2,...,Xnsont mutuellement indépendanteslorsque :
?(x1,x2,...,xn)?X1(Ω)×X2(Ω)× ··· ×Xn(Ω),P? n? i=1[Xi=xi]? =n?i=1P(Xi=xi).Définition 1.18 :Indépendance mutuelle denvariables aléatoiresLes variables aléatoires réellesX1X2,...,Xnsontmutuellement indépendanteslorsque pour tous
intervalles réelsI1,I2, ...,In, on a : P n? k=1[Xk?Ik]? =n?k=1P(Xk?Ik).Proposition 1.19 :Indépendance mutuelle denvariables aléatoiresSoientX1X2,...,Xndes variables aléatoires réelles
X1,X2,...,Xnmutuellement indépendantes? ?x?R,P?
n? =n?On dit qu"une suite de variables aléatoires(Xk)k?N?estune suite de variables aléatoires mutuellementindépendantes
si, pour toute partieIfinie deN?, les variablesXk(k?I) sont mutuellement indépendantes.Proposition 1.21 :Lemme des coalitions
Soient les variables aléatoiresX1X2,...,Xnsont mutuellement indépendantes, alors toute variable
aléatoire, fonction depd"entre elles (p < n), est indépendante de toute variable aléatoire fonction des
n-pautres.1.5 Généralisation des propriétés de l"espérance et de la varianceOn admet que les propriétés vues pour l"espérance et la variance des variables aléatoires discrètes se
généralisent aux variables aléatoires réelles quelconques.1.5.1 EspérancePropriété 1.22 :Linéarité de l"espéranceSi les variables aléatoiresXetYadmettent une espérance, alorsX+Yadmet une espérance, et on a :
E(X+Y) =E(X) +E(Y).5
Propriété 1.23 :Généralisation : linéarité de l"espéranceSi les variables aléatoiresX1X2,...,Xnont chacune une espérance, alors toute combinaison linéaire de
ces variables aléatoires admet également une espérance, et on a : ?(a1,...,an)?Rn, E? n? k=1a kXk? =n? k=1a kE(Xk).Propriété 1.24 :Croissance de l"espérance SoientXetYdeux variables aléatoires telles queX(Ω) = [0,1]etY(Ω) = [1,2], alors on aSi deux variables aléatoires indépendantesXetYont chacune une espérance, alorsXYa une espérance
et on a : E(XY) =E(X)E(Y).Propriété 1.26 :Généralisation : espérance et indépendanceSi les variables aléatoiresX1X2,...,Xnont chacune une espérance et sont mutuellement indépendantes,
alors leur produit a une espérance et on a : E n? k=1X k? =n?k=1E(Xk).Définition 1.27 :Variable aléatoire centréeToute variable aléatoire admettant une espérance nulle est dite centrée.
Définition 1.28 :Variable aléatoire centrée associée àX SoitXune variable aléatoire admettant une espéranceE(X), la variable aléatoireX-E(X)est une variable aléatoire centrée appelée la variable aléatoire centrée associée àX. 61.5.2 Variance
Propriété 1.29 :Indépendance et varianceSi les variables aléatoiresXetYadmettent une variance et sont indépendantes, alorsX+Yadmet
également une variance, et on a :
V(X+Y) =V(X) +V(Y).Propriété 1.30 :Généralisation : indépendance mutuelle et varianceSoient les variables aléatoiresX1X2,...,Xnmutuellement indépendantes et admettant une variance,
alors leur somme admet une variance, et on a : V n? k=1X k? =n? k=1V(Xk).Propriété 1.31 :Variance d"une transformation affineSoitXune variable aléatoire possédant une variance eta,b?R, alorsaX+badmet une variance, et on a
V(aX+b) =a2V(X).Définition 1.32 :Variable aléatoire réduiteUne variable aléatoire est dite réduitesi sa variance vaut1.Définition 1.33 :Variable aléatoire centrée réduite associée àX
SoitXune variable aléatoire admettant une espérance et une variance non nulle, la variable aléatoireX?=X-E(X)σ(X)est une variable aléatoire centrée réduite, appelée la variable aléatoire centrée réduite associée àX.2 Variables aléatoires à densité
2.1 Définition des variables aléatoires à densité
2.1.1 GénéralitésDéfinition 2.1 :Variable aléatoire à densitéOn dit qu"une variable aléatoire réelleXest à densitési sa fonction de répartitionFXest :
•continue surR, •de classeC1surR, sauf éventuellement en un nombre fini de points.7Méthode 2.2 :Comment montrer qu"une variable aléatoire est à densité connaissant sa fonction de
répartition?En revenant à la définition, une fonctionFest la fonction de répartition d"une variable aléatoire à densité
Xsi et seulement si
•Fest définie et croissante surR, •limx→-∞F(x) = 0etlimx→+∞F(x) = 1, •Fest continue surR, •Fest de classeC1sauf éventuellement en un nombre fini de points.Exemple 6. Montrer queF(x) =11 +e-xpourx?Rest une fonction de répartition de variable aléatoire à densité.Exemple 7.
On rappelle que pourX ?→ B(p), la fonction de répartitionFXn"est pas continue en0et en1.Xn"est donc pas une variable aléatoire à densité.Remarque 2.3 :Les variables aléatoires discrètes ne sont pas des variables aléatoires à densitéOn peut généraliser le résultat précédent :
Xest une variable aléatoire discrète?Xn"est pas une variable aléatoire à densité.En effet, siXest une variable aléatoire discrète, alorsFXest une fonction en escalier donc discontinue.2.1.2 Densité d"une variable aléatoire
Définition 2.4 :Densité d"une variable aléatoireSoitXune variable aléatoire à densité de fonction de répartitionFX. On appelledensité deXtoute
fonction réellefX:R→Rtelle que ? x?R,fX(x)≥0,•fX(x) =F?X(x)en chaque pointxoùFXest de classeC1.Exemple 8.Considérons une variable aléatoireXdont la fonction de répartitionFest la suivante
F(x) =?
??0,six <0, x5 ,six?[0,5],1,six >5.
8Propriété 2.5 :Densité et fonction de répartitionSoitXune variable aléatoire admettant une densitéfX. On a alors
•On a?x?R, F x -∞fX(t)dt, donc -∞fX(t)dt= 1et?x?R,P(X=x) = 0, ? (a,b)?R2, a bfX(t)dt, bafX(t)dt.Remarque 2.6 :Loi d"une variable aléatoire à densitéCes propriétés illustrent l"intérêt des variables aléatoires à densité : on obtient la valeur de la fonction de
répartitionFXet donc la loi deXsous forme d"un calcul d"intégrales (éventuellement impropres).Proposition 2.7 :Caractérisation de la densitéUne fonctionf:R→Rest une densité de probabilité si et seulement si,
•fest positive et continue, sauf éventuellement en un nombre fini de points, -∞f(t)dtconverge et vaut1.Exemple 9.On définit une fonctionfsurRpar : f(x) =? ?????0,six <-1,0,six≥1.
1. Montr erque fest une densité de probabilité et tracer son graphe. 2. Soit Xune variable aléatoire de densitéf. ExpliciterFX. 3.Calculer P?
X >12 etP? .Proposition 2.8 :Dérivée de la fonction de répartitionSoitXune variable aléatoire admettant une densitéfX, alors la fonction de répartitionFXest de classe
C1en tout point oùfXest continue. En un tel point, on a : F ?X(x) =fX(x).9Proposition 2.9 :Dérivabilité de la fonction de répartitionSoitXune variable aléatoire admettant une densitéfX, sifXest continue à droite (resp. à gauche) enx,
alorsFXest dérivable à droite (resp. à gauche) enx.Exemple 10.Les cas suivants correspondent aux lois à densité usuelles.
Il faut savoir prouver dans tous les cas quefest une densité de probabilité, ainsi que calculer l"expression de
la fonction de répartition associée (dans le cas des lois uniformes et exponentielles seulement ).Loi deXDensité usuelle deXFonction de répartition deXLoi uniformeU([a,b])f(x) =?
?1b-a,six?[a,b],0,sinon.F(x) =?
???0,six < a, x-ab-a,six?[a,b],1,six > b.(aveca < b)Loi exponentielleE(λ)f(x) =?0,six <0,
λe -λx,six≥0.F(x) =?0,six <0,1-e-λx,six≥0.(avecλ >0)Loi normale centrée réduiteN(0,1)?(x) =1⎷2πe-x22
.Pas d"expression simple pour la fonction de répartitionΦdeX.Loi normaleN?μ,σ2??μ,σ(x) =1σ
⎷2πe-(x-μ)22σ2.Pas d"expression simple pour lafonction de répartitionΦμ,σdeX.(avecμ?Retσ >0)Nous reviendrons sur ces lois usuelles plus loin dans ce cours.
2.1.3 Fonctions d"une variable aléatoire à densitéProposition 2.10 :Transformation affine
SoientXune variable aléatoire admettant une densitéfXet(a,b)?R2aveca?= 0, alors la variablealéatoireY=aX+best une variable aléatoire à densité. De plus, sa densité est donnée par
fY:x?→1|a|fX?x-ba
.Démonstration.DéterminonsFYla fonction de répartition deY.On peut alors distinguer deux cas :
•Sia >0, alors :FY(x) =P? =FX?x-ba •Sia <0, alors :FY(x) =P?X≥x-ba
= 1-P?X = 1-FX?x-ba 10 Or la fonctionx?→x-baestC1surR. La fonctionFXétant la fonction de répartition d"une variable
aléatoire à densité, on sait queFXest continue surRetC1sauf en un nombre fini de points. Par composition,
on en déduit queFYest continue surRetC1sauf en un nombre fini de points. On en déduit queYest une
variable aléatoire à densité. Déterminons une densité deY.
•Sia >0, alors :F?Y(x) =1a F?X?x-ba
=1a fX?x-ba •Sia <0, alors :F?Y(x) =-1a F?X?x-ba
=-1a fX?x-ba On en conclut qu"une densité deYest donnée par :x?→1|a|fX?x-ba .Remarque 2.11 :Attention! SiXetYsont des variables aléatoires à densité,X+Yn"est pas forcément une variable aléatoire à
densité. En effet, on peut considérerXetY= 1-X, pourtantX+Y= 1n"est pas à densité car discrète.Proposition 2.12 :Transformation polynomiale
SoitXune variable aléatoire admettant une densitéfX, alors la variable aléatoireY=X2est une variable aléatoire à densité. De plus, sa densité est donnée par f Y:x?→?
12 ⎷x (fX(⎷x) +fX(-⎷x)),six >0.Démonstration.A faire en exercice.Proposition 2.13 :Transformation exponentielle
SoitXune variable aléatoire admettant une densitéfX, alors la variable aléatoireY=eXest une variable
aléatoire à densité. De plus, sa densité est donnée par f Y:x?→?
1x fX(ln(x)),six >0.Démonstration.DéterminonsFYla fonction de répartition deY. On obtient donc
F X(ln(x)),six >0.
La fonctionFYest continue surR?+etR?-et
lim x→0+FY(x) = limx→0+FX(ln(x)) = limt→-∞FX(t) = 0. On a bienlimx→0+FY(x) =limx→0-FY(x) = 0. On en déduit queFYest continue surRetC1surR?. On en déduit
queYest une variable aléatoire à densité. 11 Déterminons une densité deY.
?x >0, F?Y(x) =1x F?X(ln(x)) =1x
fX(ln(x)). On en conclut qu"une densité deYest donnée par : x?→? 1x fX(ln(x)),six >0.Remarque 2.14 :Attention!SiXest une variable aléatoire à densité et?une fonction continue quelconque?(X)n"est pas forcément
une variable aléatoire à densité.Exemple 11.On considère une variable aléatoire à densitéXet on définitY=X+|X|. On a alors
F Y(x) =?
P(X=-|X|) =FX(0),six= 0,
?,six >0. SiFX(0)>0,Yn"est ni une variable aléatoire à densité, ni une variable aléatoire discrète.
2.1.4 Maximum et minimum de deux variables aléatoires à densité indépendantesMéthode 2.15 :
Comment déterminer la loi deMax(X,Y), siXetYsont indépendantes et à densité? SoientXetYdeux variables aléatoires à densité indépendantes. Pour trouver la loi deS=Max(X,Y),
on cherche la fonction de répartition deS, on a : On obtient alors la fonction de répartition deSavec SoientX ?→ U([0,1])etY ?→ U([0,1])deux variables aléatoires indépendantes, déterminer
la loi deS= Max(X,Y).Remarque 2.16 :Maximum de variables aléatoires à densité mutuellement indépendantes
SoientX1X2,...,Xndes variables aléatoires à densité mutuellement indépendantes, pour déterminer le
S= Max(X1,X2,...,Xn), on utilise la même méthode que précédemment : n? =n? k=1F Xk(x).12
Méthode 2.17 :Comment déterminer la loi deMin(X,Y)siXetYsont indépendantes et à densité?
SoientXetYdeux variables aléatoires à densité indépendantes. Pour trouver la loi deI=Min(X,Y),
on cherche la fonction de répartition deI, on a : ?x?R,[I > x] = [X > x]∩[Y > x]. On obtient alors la fonction de répartition deIavec ?x?R, FI(x) = 1-P(I > x) = 1-(1-FX(x))(1-FY(x)).Exemple 13. Soienta,b >0,X ?→ E(a)etY ?→ E(b)deux variables aléatoires indépendantes, déterminer
la loi deI= Min(X,Y). 2.2 Espérance d"une variable aléatoire à densité
2.2.1 DéfinitionsDéfinition 2.18 :Espérance
SoitXune variable aléatoire admettant une densitéfX. On dit queXadmet uneespéranceE(X)si l"intégrale? -∞tfX(t)dtest absolument convergente. Dans ce cas, E(X) =?
-∞tfX(t)dt.Remarque 2.19 :Propriétés de l"espérance Les propriétés classiques de l"espérance (vues dans la partie 1.5.1) sont également vérifiées pour l"espérance
des variables aléatoires à densité.Exemple 14.On reprend la fonctionf, densité de la variable aléatoireX, définie par :
f(x) =? ?????0,six <-1, 0,six≥1.
Montrer queXadmet une espérance.Remarque 2.20 :Important!Il existe des variables aléatoires à densité n"admettant pas d"espérance.
Exemple 15.On considère la fonctionf, densité de la variable aléatoireX, définie par : f(x) =1π(1 +x2)(loi de Cauchy). 13 Propriété 2.21 :Linéarité "faible" de l"espéranceSoientXune variable aléatoire à densité admettant une espérance et(a,b)?R2aveca?= 0, alors
Y=aX+badmet une espérance vérifiant
E(Y) =E(aX+b) =aE(X) +b.Définition 2.22 :Variable aléatoire centréeToute variable aléatoire à densité admettant une espérance nulle est dite centrée.
Définition 2.23 :Variable aléatoire centrée associée àX SoitXune variable aléatoire à densité admettant une espéranceE(X), la variable aléatoireX-E(X)
est une variable aléatoire à densité centrée appelée la variable aléatoire centrée associée àX.
2.2.2 Théorème de transfert
Théorème 2.24 :Théorème de transfert
et?:]a,b[→Rcontinue sauf en un nombre finie de points. Alors ?(X)admet une espérance?? b a?(t)fX(t)dtconverge absolument. On a alors :
E(?(X)) =?
b a?(t)fX(t)dt.Méthode 2.25 :Comment utiliser le théorème de transfert? PourXet?vérifiant les hypothèses du théorème de transfert, on détermine l"espérance deY=?(X)
sans chercher sa loi mais seulement en montrant que l"intégrale ?b a? (t)fX(t)dtconverge absolument. Dans ce cas, on a :
E(Y) =?
b a?(t)fX(t)dt.Exemple 16.SoitXune variable aléatoire de densitéfXdéfinie par : f X(t) =?e-t,sit≥0,
0,sit <0.
La variable aléatoireY=11 +e-Xadmet-elle une espérance? Si oui, la calculer. 14 2.3 Moments d"une variable aléatoire à densité
Définition 2.26 :Moments d"une variable aléatoire à densitéSoientXune variable aléatoire à densitéfXetr?N?. On dit queXadmet un moment d"ordrersi?+∞
-∞trfX(t)dtconverge absolument. Dans ce cas, on appelle moment d"ordrerdeXle réel m r(X) =? -∞trfX(t)dt.Proposition 2.27 :Moments et espérance d"une variable aléatoire à densité
quotesdbs_dbs35.pdfusesText_40
Or la fonctionx?→x-baestC1surR. La fonctionFXétant la fonction de répartition d"une variable
aléatoire à densité, on sait queFXest continue surRetC1sauf en un nombre fini de points. Par composition,
on en déduit queFYest continue surRetC1sauf en un nombre fini de points. On en déduit queYest une
variable aléatoire à densité.Déterminons une densité deY.
•Sia >0, alors :F?Y(x) =1aF?X?x-ba
=1a fX?x-ba •Sia <0, alors :F?Y(x) =-1aF?X?x-ba
=-1a fX?x-ba On en conclut qu"une densité deYest donnée par :x?→1|a|fX?x-ba .Remarque 2.11 :Attention!SiXetYsont des variables aléatoires à densité,X+Yn"est pas forcément une variable aléatoire à
densité. En effet, on peut considérerXetY= 1-X, pourtantX+Y= 1n"est pas à densité car discrète.Proposition 2.12 :Transformation polynomiale
SoitXune variable aléatoire admettant une densitéfX, alors la variable aléatoireY=X2est une variable aléatoire à densité. De plus, sa densité est donnée par fY:x?→?
12 ⎷x(fX(⎷x) +fX(-⎷x)),six >0.Démonstration.A faire en exercice.Proposition 2.13 :Transformation exponentielle
SoitXune variable aléatoire admettant une densitéfX, alors la variable aléatoireY=eXest une variable
aléatoire à densité. De plus, sa densité est donnée par fY:x?→?
1x fX(ln(x)),six >0.Démonstration.DéterminonsFYla fonction de répartition deY.On obtient donc
FX(ln(x)),six >0.
La fonctionFYest continue surR?+etR?-et
lim x→0+FY(x) = limx→0+FX(ln(x)) = limt→-∞FX(t) = 0.On a bienlimx→0+FY(x) =limx→0-FY(x) = 0. On en déduit queFYest continue surRetC1surR?. On en déduit
queYest une variable aléatoire à densité. 11Déterminons une densité deY.
?x >0, F?Y(x) =1xF?X(ln(x)) =1x
fX(ln(x)). On en conclut qu"une densité deYest donnée par : x?→? 1xfX(ln(x)),six >0.Remarque 2.14 :Attention!SiXest une variable aléatoire à densité et?une fonction continue quelconque?(X)n"est pas forcément
une variable aléatoire à densité.Exemple 11.On considère une variable aléatoire à densitéXet on définitY=X+|X|. On a alors
FY(x) =?
P(X=-|X|) =FX(0),six= 0,
?,six >0.SiFX(0)>0,Yn"est ni une variable aléatoire à densité, ni une variable aléatoire discrète.
2.1.4 Maximum et minimum de deux variables aléatoires à densité indépendantesMéthode 2.15 :
Comment déterminer la loi deMax(X,Y), siXetYsont indépendantes et à densité?SoientXetYdeux variables aléatoires à densité indépendantes. Pour trouver la loi deS=Max(X,Y),
on cherche la fonction de répartition deS, on a : On obtient alors la fonction de répartition deSavecSoientX ?→ U([0,1])etY ?→ U([0,1])deux variables aléatoires indépendantes, déterminer
la loi deS= Max(X,Y).Remarque 2.16 :Maximum de variables aléatoires à densité mutuellement indépendantes
SoientX1X2,...,Xndes variables aléatoires à densité mutuellement indépendantes, pour déterminer le
S= Max(X1,X2,...,Xn), on utilise la même méthode que précédemment : n? =n? k=1FXk(x).12
Méthode 2.17 :Comment déterminer la loi deMin(X,Y)siXetYsont indépendantes et à densité?
SoientXetYdeux variables aléatoires à densité indépendantes. Pour trouver la loi deI=Min(X,Y),
on cherche la fonction de répartition deI, on a : ?x?R,[I > x] = [X > x]∩[Y > x]. On obtient alors la fonction de répartition deIavec ?x?R, FI(x) = 1-P(I > x) = 1-(1-FX(x))(1-FY(x)).Exemple 13.Soienta,b >0,X ?→ E(a)etY ?→ E(b)deux variables aléatoires indépendantes, déterminer
la loi deI= Min(X,Y).2.2 Espérance d"une variable aléatoire à densité
2.2.1 DéfinitionsDéfinition 2.18 :Espérance
SoitXune variable aléatoire admettant une densitéfX. On dit queXadmet uneespéranceE(X)si l"intégrale? -∞tfX(t)dtest absolument convergente. Dans ce cas,E(X) =?
-∞tfX(t)dt.Remarque 2.19 :Propriétés de l"espéranceLes propriétés classiques de l"espérance (vues dans la partie 1.5.1) sont également vérifiées pour l"espérance
des variables aléatoires à densité.Exemple 14.On reprend la fonctionf, densité de la variable aléatoireX, définie par :
f(x) =? ?????0,six <-1,0,six≥1.
Montrer queXadmet une espérance.Remarque 2.20 :Important!Il existe des variables aléatoires à densité n"admettant pas d"espérance.
Exemple 15.On considère la fonctionf, densité de la variable aléatoireX, définie par : f(x) =1π(1 +x2)(loi de Cauchy). 13Propriété 2.21 :Linéarité "faible" de l"espéranceSoientXune variable aléatoire à densité admettant une espérance et(a,b)?R2aveca?= 0, alors
Y=aX+badmet une espérance vérifiant
E(Y) =E(aX+b) =aE(X) +b.Définition 2.22 :Variable aléatoire centréeToute variable aléatoire à densité admettant une espérance nulle est dite centrée.
Définition 2.23 :Variable aléatoire centrée associée àXSoitXune variable aléatoire à densité admettant une espéranceE(X), la variable aléatoireX-E(X)
est une variable aléatoire à densité centrée appelée la variable aléatoire centrée associée àX.
2.2.2 Théorème de transfert
Théorème 2.24 :Théorème de transfert
et?:]a,b[→Rcontinue sauf en un nombre finie de points. Alors ?(X)admet une espérance?? b a?(t)fX(t)dtconverge absolument.On a alors :
E(?(X)) =?
b a?(t)fX(t)dt.Méthode 2.25 :Comment utiliser le théorème de transfert?PourXet?vérifiant les hypothèses du théorème de transfert, on détermine l"espérance deY=?(X)
sans chercher sa loi mais seulement en montrant que l"intégrale ?b a? (t)fX(t)dtconverge absolument.Dans ce cas, on a :
E(Y) =?
b a?(t)fX(t)dt.Exemple 16.SoitXune variable aléatoire de densitéfXdéfinie par : fX(t) =?e-t,sit≥0,
0,sit <0.
La variable aléatoireY=11 +e-Xadmet-elle une espérance? Si oui, la calculer. 142.3 Moments d"une variable aléatoire à densité
Définition 2.26 :Moments d"une variable aléatoire à densitéSoientXune variable aléatoire à densitéfXetr?N?. On dit queXadmet un moment d"ordrersi?+∞
-∞trfX(t)dtconverge absolument. Dans ce cas, on appelle moment d"ordrerdeXle réel m r(X) =?-∞trfX(t)dt.Proposition 2.27 :Moments et espérance d"une variable aléatoire à densité
quotesdbs_dbs35.pdfusesText_40[PDF] variable statistique discrète
[PDF] la leçon (pièce de théâtre)
[PDF] ionesco la cantatrice chauve
[PDF] ionesco mouvement littéraire
[PDF] ionesco rhinocéros résumé
[PDF] fonction de service technologie 5ème
[PDF] fonction de service d'une maison
[PDF] fonction de contrainte
[PDF] différence entre fonction de service et fonction technique
[PDF] difference entre fonction de service et fonction d'usage
[PDF] fonction de service exemple
[PDF] fonction de service définition
[PDF] exercice multiplication 6ème ? imprimer
[PDF] litterature africaine d'expression francaise pdf