Probabilités 2
Prof. Mohamed El Merouani https://elmerouani.jimdo.com/
e-mail: m_merouani@yahoo.fr
1
Université Abdelmalek Essaâdi Faculté des Sciences de Tétouan Département de Mathématiques
Année: 2018-2019 S.M.A.
Semestre 6
Appelation:
Si E(X)=0, la v.a. Xest dite centrée
Soient Xet Y deux v.a. et αune constante. On a:
1. E(α)=α
2. E(X+α)=E(X)+α 3. E(αX)=αE(X) 4. E[X─E(X)]=0
5. E(X+Y)=E(X)+E(Y)
2
Propriétés:
Espérance d’une fonction d’une v.a.
Théorème de transfert:
Soit Xune v.a. et gune fonction Borel-
mesurable, et soit Y=g(X). Alors E(g(X))=E(Y).
3
Si X est discrète:
Si X est continue:
1 1
( )i i j j
i j
E Y g x P X x y P Y y
( ) ( )
1( )
1( ) '
E Y g x f x dx y f g y g y dy
Exemple 1:
• Soit X une v.a. discrète de loi
• En posant Y=X2, d’après le théorème de transfert, on a:
• Mais, on peut aussi écrire la loi de Y:
4
xi ─3 0 3
P(X=xi) 1/4 1/2 1/4
2 1 2 1 2 1 9( ) ( ) ( 3) 0 (3)
4 2 4 2
i i
i
E Y
g x P X x yj 0 9
P(Y=yj) 1/2 1/2
1 1 9
( ) 0 9
2 2 2
E Y
d’où
Exemple 2:
• Soit X une v.a. continue de densité de probabilité:
• Calculons E(X 2).
• L’application directe du théorème de transfert donne:
5
2
3 1 0 1
( ) 2 0
x si x
f x
autrement
2 2 ( ) 32 01 2
1 2
15E X x f x dx x x dx
Variance et écart-type:
On définit une mesure de dispersion de X autour de son espérance mathématique dite variance de X.
Définition:
Si E(X 2) existe, on appelle variance d’une v.a.
X, le nombre Var(X)=E((X─E(X)2).
On appelle écart-type de X, le nombre
6
( )X Var X( )
Propriétés de la variance:
1. Var(X)=E(X2)-E(X)2 (Formule réduite) 2. ꓯa,b ϵIR, on a: Var(aX+b)=a2Var(X) 3. Var(X)=0 X= constante (p.s.) 4. Var(X)<E(X─C)2, ꓯC ≠ E(X)
car, E(X─C)2= E(X─E(X))2+ (C─ E(X))2 puisque 2(E(X) ─C)E(X─E(X)) =0
5. Si E(|X|2)<∞, la v.a. est telle que E(Z)=0 et σ(Z)=1.
Zest dite v.a. centrée et réduite associée à la v.a. X.
7
( ) ( ) X E X
Z X
Inégalité de Bienaymé-Tchebychev:
• Faute de connaître une probabilité exacte, il suffit parfois de trouver une borne supérieure ou inférieure à cette probabilité. Le théorème suivant qui lie l’espérance mathématique et l’écart-type répond à ce genre de questions.
8
Théorème:
Soit Xune v.a. telle que E(X) et Var(X) existent.
Pour tout ε réel (ε>0) on a:
2( ) Var X( ) P X E X
Remarque:
• En posant ε=tσ, on obtient une autre variante du théorème:
et
9
2( ) 1 P X E X t
t
2( ) 1 1
P X E X t
t
Démonstration (Inégalité de Bienaymé-Tchebychev):
Si X v.a. discrète:
où et J = I c On obtient
Puisque, on a |xi-E(X)|≥ε, on peut écrire:
2
2
( ) ( ) i ( ) i
i
Var X E X E X
x E X P X x
i ( )
2 i
i ( )
2 i
i I i J
x E X P X x x E X P X x
/ i ( )
I i x E X
2
( ) i ( ) i
i I
Var X x E X P X x
2 2
( ) i ( ) i i
i I i I
Var X x E X P X x P X x
10
Mais comme
On obtient finalement d’où le résultat.
Si X v.a. absolument continue de densité f:
Soit ε>0. On a:
Ces trois intégrales sont positives ou nulles; d’où:
11
i
( i)
( )
i I i I
P X x P X x P X E X
( ) 2 ( )
Var X P X E X
2
( ) ( ) ( )
Var X x E X f x dx
( ) 2 ( ) 2 2
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
E X E X
E X E X
x E X f x dx x E X f x dx x E X f x dx
2
2( )
( ) E X ( ) ( ) ( ) ( ) ( )
Var X x E X f x dx E X x E X f x dx
Sur l’intervalle ]-∞, E(X)-ε], on a x ≤ E(X)-ε et sur l’intervalle [E(X)+ε,+∞[, on a E(X)+ε ≤x On a, donc, x-E(X) ≤ -ε et x-E(X) ≥ ε
C’est-à-dire |x-E(X)| ≤ ε ou (x-E(X))2 ≤ ε2 On obtient, alors,
ou
C’est-à-dire ou
ou encore
12
( ) 2 2
( ) E X ( ) ( ) ( )
Var X f x dx E X f x dx
( )
2
( ) E X ( ) ( ) ( )
Var X f x dx E X f x dx
( ) 2 ( ( ) ) ( ( ) )
Var X P X E X P X E X
( ) 2 ( )
Var X P X E X
2( ) Var X( ) P X E X
Moments d’ordres supérieurs:
Définition:
On appelle moment d’ordre kd’une v.a. X, le nombre mkdéfini par:
13
( )
( )
k
i i
i k
k k
x P X x si X discrète m E X
x f x dx si X continue
Moments d’ordres supérieurs:
Définition:
On appelle moment centré d’ordre kd’une v.a.
X, le nombre μkdéfini par:
14
( ) ( )
( ) ( )
k
i i
k i
k k
x E X P X x si X discrète E X E X
x E X f x dx si X continue
Remarques:
1. Le moment d’ordre 1, noté m1 ou mest l’espérance mathématique E(X)=m.
2. Le moment centré d’ordre 2, noté μ2est la variance μ2=Var(X)
3. Comme pour l’espérance et la variance, les moments peuvent parfois ne pas exister (la série ou l’intégrale divergent).
15
Moments d’ordres supérieurs:
Couple de variables aléatoires:
Définition:
Soit (Ω,
A
, P) un espace probabilisé.Soient Xet Y deux v.a. sur (Ω,
A
, P).Une application (X, Y) de Ω dans IR2, qui à tout ωde Ω fait correspondre un couple
(X(ω), Y(ω)) de IR2,s’appelle un couple de v.a.
(X, Y) s’appelle aussi v.a. à deux dimensions.
16
Loi de probabilité conjointe de deux v.a. discrètes:
Un couple de v.a. (X, Y) peut prendre les valeurs suivantes:
(x1,y1), (x2,y2);…;(xi,yj);…;(xn,ym)
A chaque couple (xi,yj) correspond une probabilité pij d’observer simultanément la valeur xipour Xet la valeur yjpour Y:
pij=P(X=xiet Y=yj)=P(X=xi, Y=yj) On a 0≤pij≤1 et
ꓯi=1,2,…,n ; ꓯj=1,2,…, m
17
1 1
1
n m
ij
i j
p
Fonction de répartition d’un couple de v.a. discrètes:
On appelle fonction de répartition d’une v.a.
discrète à deux dimensions (X, Y) la fonction définie par:
18
( , ) , ,
i j
i j
x x y y
F x y P X x Y y P X x Y y
Lois de probabilités marginales:
• La probabilité P(X=xi)=pi •est appelée loi marginale de X. On a:
P(X=xi)=pi •
• La probabilité P(Y=yj)=p• jest appelée loi marginale de Y. On a:
P(Y=yj)=p• j
19
; 1, 2, ,
ij j
p i n
; 1, 2, ,
ij i
p j m
20
Lois de probabilités marginales:
Y X
y1 …. yj …. ym
x1 p11 …. p1j …. p1m p1•
⁞ ⁞ ⁞ ⁞ ⁞
xi pi1 …. pij …. pim pi•
⁞ ⁞ ⁞ ⁞
xn pn1 …. pnj …. pnm pn•
p•1 …. p•j …. p•m 1
ij j
p
ij i
p
Loi de probabilités conjointes de deux v.a.
continues:
Une v.a. à deux dimensions Z=(X,Y) est dite continue s’il existe une application f (x,y) appelée densité de probabilité conjointe du couple de v.a. (X,Y) vérifiant:
1. f (x,y)≥0; ꓯ(x,y)ϵ IR2 2.
21
( , ) 1
f x y dxdy
Fonction de répartition d’un couple de v.a. continues:
• La fonction de répartition du couple (X,Y) est définie par:
et l’on a
22
( , ) ,
x y( , )
F x y P X x Y y f u v dudv
2
( , )
( , ) F x y
f x y
x y
Lois marginales (Fonctions de répartitions marginales):
Les fonctions:
et
sont dites fonctions de répartition marginales des v.a. X et Yrespectivement.
23
( ) ( ) x ( , )
F xX P X x f u v dvdu
( ) ( ) y ( , )
F yY P Y y f u v dudv
• Les fonctions:
et
sont les densités de probabilités marginales de Xet Y respectivement.
24
Lois marginales (Fonctions de densités marginales):
( ) ( , )
f x
X f x v dv
( ) ( , )
f y
Y f u y du
Covariance de deux variables aléatoires:
• La covariance entre deux v. a. Xet Y, notéeCov(X,Y), est définie par Cov(X,Y)=E[(X–E(X))(Y–E(Y))]
ou encore Cov(X,Y)=E(XY)-E(X)E(Y)
• Cas discrèt:
• Cas continue:
) ( ) ( ) ,
( )
,
Cov( n
1 i
m
1 j
Y E X E y Y x X P y x Y
X
i j i j
) ( ) (
Cov(X,Y) xy f(x,y)dxdy E X E Y
- -
25 Pr. Mohamed El Merouani
Proprietés:
• SoientXet Ydeux v. a. La covariance est une forme bilinéaire symétrique:
1) Cov(X,Y)=Cov(Y,X)
2) Cov(X+Y, Z)=Cov(X, Z)+Cov(Y, Z) 3) Cov(λX,Y)=λCov(X,Y)
26 Pr. Mohamed El Merouani
Remarque:
Pour X=Y, on retrouve la variance de X comme covariance de (X, X):
Cov(X, X)=E[(X-E(X))(X-E(X))]
=E[(X-E(X))2]=Var(X)
Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)
En effet; Var(X+Y)= E[(X+Y)-E(X+Y)]2=E[(X-E(X))+(Y-E(Y))]2
=E[(X-E(X))2+2(X-E(X))(Y-E(Y))+(Y-E(Y))2]
=E(X-E(X))2+E(Y-E(Y))2+2E((X-E(X))(Y-E(Y)))
=Var(X)+Var(Y)+2Cov(X,Y)
27 Pr. Mohamed El Merouani
Proprietés:
Coefficient de corrélation entre deux v. a. :
• Le coefficient de corrélation entre deux v. a. X et Y, de variances non nulles, noté
est définie par:
• Le coefficient de corrélation varie entre -1 et 1:
X,Y
) ( ) (
) , ( )
( )
(
) , , (
Y X
Y X Cov Y
Var X
Var
Y X Y Cov
X
, 1
1
- X Y
28 Pr. Mohamed El Merouani
• Montrons que ̶ 1 ≤ ρ ≤ 1 En considérant la v.a. aX+Y, on a:
Var(aX+Y)=Var(aX)+Var(Y)+2Cov(aX+Y)
=a2Var(X)+Var(Y)+2aCov(X,Y) où ꓯaϵIR , Var(aX+Y)≥0
La quantité positive Var(aX+Y) est considérée comme un trinôme en ade signe constant.
Son discriminant Δ’ est négatif ou nul:
Δ’=[Cov(X,Y)]2-Var(X)Var(Y)≤0 On en déduit:
29
( , ) ( ) ( ) 1 Cov X Y
X Y
Inégalité de Schwarz:
• Soient deux v.a. Xet Y admettant des moments d'ordre 2, l'inégalité de Cauchy- Schwarz ou de Schwarz s’écrit:
• Elle compare l'espérance du produit de deux variables aléatoires au produit des espérances de leurs carrés.
• Si Xet Y sont deux v.a. admettant un moment d’ordre 2, alors la v.a. XY admet une moyenne.
30
XY E X
2E Y
2E
Pr. Mohamed El Merouani
En effet;
Soit a ϵ IRet on considère la v.a. (aX+Y).
On a E(aX+Y)2≥0.
Comme E(aX+Y)2=E(a2X2+2aXY+Y2)
=a2E(X2)+2aE(XY)+E(Y2) On considère le trinôme en ade signe
constant. Son discriminant Δ’ est négatif ou nul. Δ’=E(XY)2 ─E(X2)E(Y2)≤0
On en déduit
31
2 2
( ) ( ) ( )
E XY E X E Y
Soit Xune v.a. discrète telle que pk=P(X=k);
k=1,2,…avec Définition:
La fonction définie par:
qui converge pour |s|≤1, est dite fonction génératrice de probabilité de X.
32
Fonctions génératrices :
1 k 1
k
p
1
( ) k k X
k
G s p s E s
Conséquences:
Les moments de la v.a. Xs’ils existent peuvent être déterminés par les dérivées de G(s) au point s=1.
En effet;
et ainsi de suite…
E(X2)=G’(1)+G’’(1)
et Var(X)=G’’(1)+G’(1)-[G’(1)]2
33
Fonctions génératrices :
1 1
( ) k k (1) ( )
k
G s kp s G E X si E X
2 2
1
( ) ( 1) k k (1) ( 1)
k
G s k k p s G E X X si EX
2
( 2) ( )E X X E X E X
Exemple:
• Soit la v.a. de Poisson définie par:
• On a:
• Donc
34
; 0,1, 2,!
k
P X k e k
k
(1 )0
( ) ; 1
!
k s s
k
G s s e e e e s
k
( ) (1 )s
G s e
2 (1 )
( ) s
G s e
( ) (1)
E X G
2
2E X X
2 2
( ) ( ) ( )
Var X E X E X
Fonction génératrice des moments:
• La fonction génératrice des moments est définie pour toute v.a. Xpar:
Si E(etX) existe dans un voisinage de l’origine.
35
continue est
si )
(
discrète est
si )
( e f x dx X
X x
X P e e
E t
M tx
x tx
tX
Pr. Mohamed El Merouani
Théorème:
Si M(t) existe pour t Є ]-t0,t0[, t0>0, alors ses dérivées de tout ordre existent pour t=0 et de plus M(k)(0)=E(Xk), k = 0,1,2,…
C’est-à-dire que:
Tout les moments d’ordre k peuvent être
calculés à l’aide des dérivées de M(t) au point t =0.
36 Pr. Mohamed El Merouani
• En effet,
Si X est discrète:
Si X est continue:
37
etXdt E t d
M( )
e P
X x
dt x d
X P dt e
t d
M tx
x x
tx
( )
tXx
txP X x E Xe
xe
e f x dx
dt dx d
x f dt e
t d
M ( ) tx ( ) tx ( )
xetxf (x)dx E XetX
• En posant t=0, on a M’(0)=E(X).
• De même,
et
D’une façon générale, on a:
et
38
XetX E X etX
dt E t d
dt M t d
M ( ) ( ) 2
2) 0
( E X
M
, 1
)
)
(
(
t E X e k
M
k k tX
kk
E X
M
( )( 0 )
Pr. Mohamed El Merouani
• Où encore, d’après le théorème précédent, Si M(t) existe pour t Є ]-t0,t0[, t0>0, alors on peut développer M(t) en série de Mc-Laurin:
• Ainsi E(Xk) est le coefficient de
(0) !
! ) 2 0
! ( ) 1 0 ( )
0 ( )
( ( )
2
k M t
M t M t
M t M
k k
! k t k
39 Pr. Mohamed El Merouani
Remarque:
• La fonction génératrice des moments M(t) peut ne pas exister.
• En effet, E(etX) n’est pas toujours définie.
40 Pr. Mohamed El Merouani
Exemple 1:
• Soit X une v.a. discrète définie par:
• Donc, on a:
6
21
2; k 1 , 2 , ...
k k X
P
1 2
2
) 6 (
k
tk
k t e
M
41 Pr. Mohamed El Merouani
Exemple 2:
• Soit Xune v.a. continue de fonction de densité
• Donc pour t<1/2
et pour t<1/2
On en déduit E(X)=2, E(X 2)=8 et Var(X)=4.
0 2 ,
) 1
(x e 2 x
f x
t t
M 1 2
) 1 (
1 22
2)
(t t
M
1 82
3)
(t t
M
42 Pr. Mohamed El Merouani
Exemple 3:
• Soit Xune v.a. continue de densité de probabilité la fonction f(x)=ce–|x|α, 0<α<1, xЄIR, où cest une constante déterminée par la condition
• Pour t>0, on a:
et puisque α-1<0, n’est pas finie pour t>0; car
1 ) (x dx f
dx edx e
etx x
xt x
0 0 1
dx e
etx x
0
txx x t
x
e
e
1
~
43
• D’où M(t) n’existe pas!
• Pourtant,
• Par un changement de variable y=xα, on obtient:
• On remarque, donc, que même si M(t) est infini, les moments peuvent être finis.
0
2 c x e dx dx
e x c X
E
n n x n x 2 2 1 *
0 1 1
c
y
e
dy c n
X
E
yn n
Euler.
d' gamma fonction
la est
* 44
Fonction Gamma Γ d’Euler:
La fonction Γest définie sur ]0,+∞[ par:
0
) 1
( e tt dt
45 Pr. Mohamed El Merouani
Propriétés:
1) Γ(α)=(α-1)Γ(α-1).
En effet,
2) Γ(1)=1.
En effet,
3) Γ(n)=(n-1)!
En effet, Γ(n)=(n-1)Γ(n-1)=
=(n-1)(n-2)Γ (n-2)=…=(n-1)!Γ(1)=(n-1)!
1
1
1
) (
0 0
2
1
ettdt
ett dt
0
1 1 e tdt
46 Pr. Mohamed El Merouani