Proposition. Une appliation X de Ω dans R est une v.a. sur (Ω, A, P r) ssi X −1(] − ∞, x]) = {X ≤ x} ∈ A. ∀t ∈ R. Dénition. On appelle fontion de répartition (f.r.) F de le v.a. X la f.r. de la loi de probabilité de X : F (t) = P r(X ≤ t), 2 Exemple. Soit le réel U uniformément généré dans l'intervalle [0, 2]. On dénit l'appliation X par X(u) = u2. Étudier X et en donner la f.r., s'il s'agit d'une v.a. Variables Aléatoires à Valeurs dans R Le onept de variable aléatoire introduite omme une appliation X de l'espae disret des événements dans R se généralise pour un espae probabilisé (Ω, A, P r) quelonque. Il faut toutefois qu'on puisse dénir, pour tout borélien B ∈ B, P r(B). Or, ei n'est possible que si {X ∈ B} = X −1(B) appartient à A : Dénition. Soit (Ω, A, P r) un espae probabilisé quelonque. Une appliation X de Ω dans R est une variable aléatoire (v.a.) si, pour tout B ∈ B, X −1(B) ∈ A. Nous admettons la proposition suivante : 1 0 √ x 2 1 si si si FX (x) = P r(X ≤ x) = P r(U ≤ Soit x ∈ [0, 4]. Nous avons : D'où : FX (x) = 1 0 t 2 √ √ √ x) = FU ( x) = x/2. x<0 0≤x<4 x ≥ 4. 4 Solution. L'espae probabilisé initial est [0, 2], B[0,2], P r , où B[0,2] est la tribu des boréliens ontenus dans [0, 2] et P r la mesure de probabilité qui assoie à haque sous-intervalle de [0, 2] la moitié de sa longueur. La f.r. de U est donnée par : si t < 0 si 0 ≤ t < 2 si t ≥ 2. FU (t) = L'appliation X est bien une v.a., puisque l'image inverse √ d'un sousintervalle ha, bi de [0, 4] par X est le sous-intervalle h√a, bi de [0, 2], qui est un borélien. 3 Pour aluler le f.r. de X , nous remarquons d'abord que FX (x) vaut 0 pour x < 0 et 1 pour x ≥ 4. Ses valeurs non triviales sont obtenues pour 0 ≤ x ≤ 4. Probabilité Conditionnelle Le onept de onditionnement introduit pour les espaes disrets s'étend sans diulté aux espaes quelonques ∀B ∈ A. Dénitions. Soit (Ω, A, P r) un espae probabilisé et soit A ∈ A de probabilité non nulle. On dénit une appliation P r(./A) de A dans par : [0, 1], P r(A ∩ B) P r(B/A) = , P r(A) Elle est appelée probabilité onditionnelle sahant A. Le nombre P r(B/A) est appelé probabilité onditionnelle de B sahant A. F(t) U 2 t t 5 6 On démontre failement que le triplet (Ω, A, P r(./A)) est un espae probabilisé. Il est appelé espae probabilisé onditionné par A. 1 O X F(t) 4 Fonction de répartition de U tiré uniformément dans [0,2] 1 O Fonction de répartition de X=U 2 Indépendane à valeurs dans Rk sur l'espae (Ω, A, P r), On peut la mesure de probabilité qui assoie à tout B ∈ Bk , Soit (Ω, A, P r) un espae probabilisé. On peut dénir un veteur aléak toire (ou une variable aléatoire à valeurs dans R ) omme une appliation de Ω dans Rk telle que, pour tout B ∈ Bk , {X ∈ B} = X −1(B) soit dans A. Si X est une v.a. munir (Rk , Bk ) de P r({X ∈ B}). 8 La proposition suivante permet de réduire la vériation de la propriété d'appartenane à A aux images inverses des pavés. P r(Ai )P r(B/Ai ). telle que On remarque aussi que la probabilité d'une intersetion peut s'érire en termes de probabilité onditionnelle : P r(A ∩ B) = P r(A)P r(B/A). On dit alors que l'on a eetué un onditionnement. On démontre aussi failement la proposition suivante. n X i=1 Proposition. Soit A1, A2, ..., An une partition de Ω dans A, P r(Ai ) 6= 0, i = 1, ..., n. Alors, pour tout B ∈ A, on a : P r(B) = 7 La dénition d'indépendane pour les événements d'un espae généralisé est tout à fait identique à elle d'un espae disret. Dénition. Si F (x1, ..., xk ) est la f.r., la fontion de répartition Fi(xi), i = 1, ..., k, est limxj →∞,∀j6=i F (x1, ..., xk ). ginale Nous admettons les deux propositions suivantes. k Y Fi(xi). Proposition. Les v.a. X1, ..., Xk sont indépendantes, ssi : F (x1, ..., xk ) = 1 mar- 10 du veteur X est une v.a. ssi, pour Proposition. Soient X1, ..., Xk des v.a. indépendantes réelles. Soient ϕ1, ..., ϕk des appliations réelles. Alors les v.a. ϕ1(X1), ..., ϕk (Xk ) sont des v.a. indépendantes. Cette proposition est importante. Elle onrme en eet l'idée intuitive que les transformations des v.a. indépendantes préservent l'indépendane des variables. Rk fontion de répartition Proposition. Une appliation X de Ω dans tout x ∈ Rk , {X ≤ x} ∈ A. Dans e as, on peut dénir la par : F (x) = F (x1, ..., xk ) = P r (X ≤ (x1, ..., xk )). Si l'on pose X = (X1, ..., Xk ), on aura : P r(X1 ≤ x1, ..., Xk ≤ xk ) = F (x1, ..., xk ). k Y 1 P r(Xi ∈ Bi). Dénition. Soit X = (X1, ..., Xk ) une v.a. dénie sur (Ω, A, P r). Les v.a. X1, ..., Xk sont dites indépendantes, si pour tout B1, ..., Bn ∈ B : P r (X1 ∈ B1, ..., Xk ∈ Bk ) = 9 EX = −∞ Z ∞ xf (x)dx, Dénitions • (v.a. positives) Soit X une v.a. à valeurs dans densité f . Son espérane est dénie par : • EX = EX + − EX − . n'admet pas d'espérane. R+, admettant la 12 si l'intégrale onverge. Si elle diverge, on dit que X n'admet pas d'espérane. (v.a. de signe quelonque) Soit X une v.a. réelle. Déomposons X en partie positive et partie négative : X = X + − X −, ave X + = max{X, 0} et X − = − min{X, 0}. Si X + et X − admettent toutes deux une espérane, on dit que X admet l'epérane : Sinon, on dit que X Dans la suite, nous supposerons que les v.a. non disrtètes admettent une densité. Cette hypothèse permet de simplier les aluls en termes d'intégrales de Riemann, dont la onnaissane est supposée être aquise en lasse terminale. Sinon, une révision est vivement onseillée ! Espérane des v.a. Continues Z −∞ xk ... −∞ Z x 1 f (t1, ..., tk )dt1...dtk . La densité d'une v.a. X = (X1, ..., Xk ) ∈ Rk , lorsqu'elle existe, est la fontion f (t1, ..., tk ) telle que, pour tout , x1, ..., xk ∈ R : F (x1, ..., xk ) = ... −∞ Z ∞ f (t1, ..., tk )dt1 ...dtk =1. Notons tout de suite qu'on doit avoir : Z ∞ −∞ 11 Z b x2 a b−a dx = " x3 b3 − a3 b2 + a2 + ab . = = 3(b − a) a 3(b − a) 3 #b Il est à noter qu'on peut aluler l'espérane de toute v.a. de la forme ϕ(X) par une intégration similaire. Par exemple l'espérane de vaut : X2 EX 2 = 14 Exemple 2 (Loi Normale). La distribution que nous allons introduire a un rle entral en statistique. Elle est appelée aussi loi gaussienne ou loi de Laplae-Gauss. Elle intervient en eet dans la modélisation probabiliste d'un nombre de grandeurs physiques observée un grand nombre de fois. Quelques Exemples dx = " 0 #b x2 b2 − a2 b+a = = . 2(b − a) a 2(b − a) 2 0 1 f (x) = b−a x a b−a Z b Exemple 1 (Loi Uniforme). Soit la v.a. X uniformément répartie dans [a, b], ave a < b. Elle admet la densité : si x < a si a ≤ x < b si x ≥ b. Nous avons : EX = 13 Gauss et sa courbe ! x ∈ R. 16 Soit X une v.a. réelle. On dit que X suit une loi normale de paramètres et σ, si elle admet la densité : m 1 (x − m)2 f (x) = √ exp − , 2σ 2 σ 2π Il est d'usage de noter une telle distribution par N (m, σ). 2 e−y dy = √ π R ∞ f (x)dx = 1. Pour prouver qu'il s'agit d'une densité, il faut montrer que −∞ √ . Pour e faire, on introduit d'abord le hangement de variable y = x−m 2σ Ensuite l'appliation de l'équation : Z ∞ −∞ permet de onrmer l'identité souhaitée. 15 Comparaison de la densité de la loi de Cauchy et de la normale 1 1 , x ∈ R. π 1 + x2 18 Exemple 3 (Loi de Cauhy). La distribution de Cauhy est donnée par sa densité : f (x) = On démontre failement : 1 Arctan(t) F (t) = P r(X ≤ t) = + , t ∈ R. 2 π ∞ =1. Ce qui fournit omme orollaire R−∞ 17