L.E.G.T.A. Le Chesnoy TB2−2011-2012
D. Blotti`ere Math´ematiques
Chapitre XVI
Variables al´ eatoires ` a densit´ e
Table des mati` eres
1 Introduction 2
2 D´efinition d’une variable al´eatoire (rappels) 2
3 La fonction de r´epartition d’une variable al´eatoire (rappels) 2
4 Variables al´eatoires `a densit´e 5
5 Fonction de r´epartition et crit`ere pour qu’une variable al´eatoire soit `a densit´e 7 6 Esp´erance et variance d’une variable al´eatoire `a densit´e 8
7 Lois usuelles 9
7.1 Loi uniforme sur [a, b] . . . 9 7.2 Loi exponentielle de param`etreλ >0 . . . 9 7.3 Loi normale centr´ee r´eduite . . . 10
1 Introduction
On a vu pour le moment deux types de variables al´eatoires.
1. Les variables al´eatoires finiesX, i.e. telles queX(Ω) est un sous-ensemble fini deN
Exemple 1 :On jette un d´e ´equilibr´e `a 4 faces num´erot´ees de 1 `a 4 et on noteX le chiffre obtenu. Alors X(Ω) ={1,2,3,4}. Comme chaque face a la mˆeme probabilit´e d’apparaˆıtre, on aX ∼ U({1,2,3,4}). On a donc :
∀k∈ {1,2,3,4}, P([X =k]) = 1 4. De plus l’esp´erance et la variance deX sont donn´ees par :E(X) = 4 + 1
2 = 5
2 etV(X) =42−1 12 = 5
4. 2. Les variables al´eatoires discr`etes infiniesX, i.e. telles queX(Ω) est un sous-ensemble infini deN
Exemple 2 : On consid`ere une pi`ece, pour laquelle PILE apparaˆıt avec probabilit´e p ∈]0,1[, que l’on jette jusqu’`a obtenir un premier PILE. On noteX le nombre de lancers effectu´es. AlorsX(Ω) =N∗ et X ∼ G(p) (cf. exemple de r´ef´erence de loi g´eom´etrique). On a donc :
∀k∈N∗, P([X=k]) =pqk−1.
De plus l’esp´erance et la variance deX existent et sont donn´ees par :E(X) =1
p et V(X) = q p2.
Mais il existe des variables (ou nombres) al´eatoires dont l’ensemble des valeurs n’est pas inclus dansN(i.e. qui ne prennent pas n´ecessairement des valeurs enti`eres), comme dans l’exemple suivant.
Exemple 3 :On allume une ampoule et on note X sa dur´ee de vie (mesur´ee en jours), i.e. le temps au bout duquel l’ampoule grille. Dans ce cas,X(Ω) = [0,+∞[, i.e.X peut prendre n’importe quelle valeur r´eelle positive.
Dans ce chapitre, on se propre d’´etudier des variables al´eatoiresX comme celle introduite dans l’exemple 3.
2 D´ efinition d’une variable al´ eatoire (rappels)
D´efinition (variable al´eatoire) : Une variable al´eatoireX sur un espace de probabilit´es (Ω,T, P) est une application :
X: Ω→R telle que pour tout intervalleI deR:
[X ∈I] :={ω∈Ω : X(ω)∈I} est un ´ev´enement i.e. [X ∈I]∈ T.
Exemple 4 :SiX: Ω→Rest une variable al´eatoire sur un espace de probabilit´es (Ω,T, P), alors : [X∈[0,10]] = [0≤X≤10]
est un ´ev´enement et on peut donc consid´erer la probabilit´eP(0 ≤X ≤10). On peut de mˆeme consid´erer les probabilit´esP(X ≤10) =P(X∈]− ∞,10]) ouP(X >2) =P(X ∈]2,+∞[).
3 La fonction de r´ epartition d’une variable al´ eatoire (rappels)
D´efinition (fonction de r´epartition d’une variable al´eatoire) : Soit X une variable al´eatoire sur un espace de probabilit´es (Ω,T, P). La fonction de r´epartition deX est la fonctionFX d´efinie par :
FX: R → [0,1]
x 7→ P([X ≤x]).
Exemple 1 (suite) :Dans le cas o`uX est ´egale au r´esultat du lancer d’un d´e ´equilibr´e `a 4 faces num´erot´ees de 1 `a 4, la fonction de r´epartition de X est donn´ee par :
FX:R → [0,1]
x 7→
0 si x <1 P(X= 1) = 1
4 si 1≤x <2 P(X= 1) +P(X = 2) = 1
2 si 2≤x <3 P(X= 1) +P(X = 2) +P(X= 3) = 3
4 si 3≤x <4
P(X= 1) +P(X = 2) +P(X= 3) +P(X = 4) = 1 six≥4.
La courbe repr´esentative deFX dans un rep`ere du plan est donn´ee ci-dessous.
0.2 0.4 0.6 0.8 1.0 1.2 1.4
−0.2
−0.4
1 2 3 4 5 6
−1
−2
[ [
[ [
b b b b
Exemple 2 (suite) : Dans le cas o`uX est le nombre de lancers n´ecessaires pour avoir un premier PILE lors d’une succession de lancers de pi`ece, avec une pi`ece ´equilibr´ee (i.e. dans le cas o`up= 1
2 avec les notations de l’exemple 2), la courbe repr´esentative deFX dans un rep`ere du plan est donn´ee ci-dessous.
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
−0.1
1 2 3 4 5
−1
−2
[ [
[ [
[
b b b b b
Th´eor`eme 1 (propri´et´es de la fonction de r´epartition d’une variable al´eatoire)
Soit X une variable al´eatoire sur un espace de probabilit´es (Ω,T, P) et soit FX: R → [0,1] sa fonction de r´epartition.
1. La fonctionFX est croissante surR.
2. En tout pointx0deR,FX est continue `a droite et admet une limite (finie) `a gauche.
3. On a FX(x)x→−∞→ 0 etFX(x)x→+∞→ 1.
♥ Remarque fondamentale (la fonction de r´epartition FX caract´erise la loi de X)
Soit X une variable al´eatoire sur un espace de probabilit´es (Ω,T, P) et soit FX: R → [0,1] sa fonction de r´epartition.
1. Si l’on connaˆıt les probabilit´es P(X ∈I) pour tout intervalle I de R(ces donn´ees forment la loi deX), alors on connaˆıt la fonction de r´epartitionFX deX. En effet :
∀x∈R, FX(x) =P(X≤x) =P(X ∈]− ∞, x]).
2. R´eciproquement, si l’on connaˆıt la fonction de r´epartitionFX deX, alors on connaˆıt la loi deX, i.e. les probabilit´esP(X ∈I) pour tout intervalleI deR. Par exemple, on a :
P(X∈]3,+∞[) =P(X >3) = 1−P(X ≤3) = 1−FX(3)
P(X∈]2,4]) =P(2< X≤4) =P(X ≤4)−P(X ≤2) =FX(4)−FX(2).
Exemple 3 (suite) :On peut mod´eliser la dur´ee de vie de l’ampoule par exemple, par une variable al´eatoire al´eatoireX sur un espace de probabilit´es telle que :
FX:R → [0,1]
x 7→
0 six <0
1−e−5x six≥0.
La probabilit´e que l’ampoule grille entre le moment o`u on l’allume (instant 0) et le premier jour (instant 1) est : P(0< X ≤1) =FX(1)−FX(0) = 1−e−5.
La courbe repr´esentative deFX dans un rep`ere du plan est donn´ee ci-dessous.
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
−0.1
1 2 3 4 5 6 7
−1
−2
−3
4 Variables al´ eatoires ` a densit´ e
D´efinition (densit´e de probabilit´es) :Une densit´e de probabilit´es est une fonction f:R→Rtelle que : 1. f est positive ou nulle surR;
2. f est continue par morceaux surR; 3. l’int´egrale g´en´eralis´ee
Z +∞
−∞
f(t)dtest convergente et vaut 1.
⋄ Exemple 5 :Soitf la fonction d´efinie par :
f: R → R
t 7→
0 sit <0 5e−5tsit≥0.
Alorsf est une densit´e de probabilit´es.
D´efinition (variable al´eatoire `a densit´e) : Soit X une variable al´eatoire sur un espace de probabilit´es (Ω,T, P).
1. On dit queX est `a densit´e s’il existe une densit´e de probabilit´esf v´erifiant :
∀x∈R, FX(x) = Z x
−∞
f(t)dt.
Notons que la convergence de l’int´egrale g´en´eralis´ee ci-dessus est impliqu´ee par le fait quef est une densit´e de probabilit´es.
2. Si une telle fonctionf existe, elle est appel´ee une densit´e deX.
⋄ Exemples 3 et 5 (suite) :La variable al´eatoireX introduite dans l’exemple 3 est `a densit´e. Une densit´e de X est donn´ee par la fonctionf d´efinie dans l’exemple 5.
♥ Th´eor`eme 2 (calcul de probabilit´es et variable al´eatoire `a densit´e) Soit X une variable al´eatoire `a densit´e sur un espace de probabilit´es (Ω,T, P). Soitf une densit´e deX.
1. Pour toutx∈R:
P(X ≤x) =P(X < x) =FX(x) = Z x
−∞
f(t)dt.
2. Pour toutx∈R:
P(X≥x) =P(X > x) = 1−FX(x) = Z +∞
x
f(t)dt.
3. Pour tousa, b∈Rtels que a < b, on a :
P(a≤X ≤b) =P(a < X ≤b) =P(a≤X < b) =P(a < X < b) =FX(b)−FX(a) = Z b
a
f(t)dt.
Interpr´etation graphique du th´eor`eme 2 :On consid`ere une variable al´eatoire al´eatoireX sur un espace de probabilit´es (Ω,T, P) admettant pour densit´e la fonctionf dont la courbe dans un rep`ere du plan est donn´ee ci-dessous.
0.1 0.2 0.3 0.4
−0.1
−0.2
1 2 3 4 5
−1
−2
−3
−4
−5
1. La probabilit´eP(X ≤1) est Z 1
−∞
f(t)dt, i.e. est l’aire du domaine du plan gris´e ci-dessous.
0.1 0.2 0.3 0.4
−0.1
−0.2
1 2 3 4
−1
−2
−3
−4
2. La probabilit´eP(X >−1) est Z +∞
−1
f(t)dt, i.e. est l’aire du domaine du plan gris´e ci-dessous.
0.1 0.2 0.3 0.4
−0.1
1 2 3 4
−1
−2
−3
−4
3. La probabilit´eP(1< X <2) est Z 2
1
f(t)dt, i.e. est l’aire du domaine du plan gris´e ci-dessous.
0.1 0.2 0.3 0.4 0.5
−0.1
−0.2
−0.3
−0.4
1 2 3 4
−1
−2
−3
−4
−5
−6
Corollaire :SoitX une variable al´eatoire `a densit´e sur un espace de probabilit´es (Ω,T, P). On a :
∀x∈R, P(X =x) = 0.
G´eom´etriquement, cela correspond au fait que l’aire d’un domaine qui≪n’a pas d’´epaisseur≫ est nulle.
♥ Remarque fondamentale (qu’est-ce qu’´etudier la loi d’une variable al´eatoire `a densit´e ?)
Dans le cas d’une variable al´eatoireX finie ou discr`ete infinie, on a souvent ´etudi´e les probabilit´esP(X =x), o`ux∈X(Ω).
Dans le cas o`uX est une variable al´eatoire `a densit´e, toutes les probabilit´esP(X=x) (x∈X(Ω)) sont nulles.
Il n’est donc pas pertinent de les consid´erer.
On s’int´eressera plutˆot dans cette nouvelle situation :
• `a des probabilit´es du typeP(X ∈I), o`uI est un intervalle deR;
• `a la fonction de r´epartition de X;
• `a une densit´e de X.
Th´eor`eme 3 (th´eor`eme d’existence) : Soit f une densit´e de probabilit´es. Alors il existe un espace de probabilit´es (Ω,T, P) et une variable al´eatoireX: Ω→Rtelle que f est une densit´e de X. On a donc :
∀x∈R, FX(x) = Z x
−∞
f(t)dt.
⋄ Exemple 6 :Soitf la fonction d´efinie par : f:R → R
t 7→
1
2 si −1≤t≤1 0 sinon
1. Montrer qu’il existe une variable al´eatoireX admettantf pour densit´e.
2. CalculerFX et donner des propri´et´es remarquables deFX.
5 Fonction de r´ epartition et crit` ere pour qu’une variable al´ eatoire soit ` a densit´ e
Th´eor`eme 4 (propri´et´es d’une fonction de r´epartition de variable al´eatoire `a densit´e) :SoitX une variable al´eatoire `a densit´e sur un espace de probabilit´es (Ω,T, P). Soitf une densit´e deX.
1. La fonction de r´epartitionFX deX est continue surR.
2. La fonctionFX est d´erivable en tout pointx0o`uf est continue.
3. Si x0 est un point o`uFX est d´erivable, alors on a :FX′ (x0) =f(x0).
Remarque 1 :La propri´et´e 3 permet de donner une densit´e deX connaissant la fonction de r´epartitionFX, dans le cas o`u l’on sait que X est une variable al´eatoire `a densit´e.
⋄ Exemple 6 (suite) :On peut v´erifier les conclusions du th´eor`eme pr´ec´edent dans le contexte de l’exemple 6.
Th´eor`eme (crit`ere pour qu’une variable al´eatoire continue ait une densit´e) : Soit X une variable al´eatoire sur un espace de probabilit´es (Ω,T, P) et soit FX sa fonction de r´epartition. On suppose que les conditions suivantes sont v´erifi´ees.
(A) FX est continue surR.
(B) FX est de classeC1surRsauf peut-ˆetre en un nombre fini de points{x1, . . . , xn}. Alors la variable al´eatoireX est `a densit´e et une densit´e deX est donn´ee par la fonctionf d´efinie par :
f:R → R
x 7→
FX′ (x) six∈R\ {x1, . . . , xn} 0 si x∈ {x1, . . . , xn}.
⋄ Exemple 7 :SoitX une variable al´eatoire dont la fonction de r´epartition est donn´ee par : FX:R → R
x 7→
0 si x <0 x
4 si 0≤x≤4 1 si x >4.
Montrer queX est une variable al´eatoire `a densit´e et d´eterminer une densit´e deX.
6 Esp´ erance et variance d’une variable al´ eatoire ` a densit´ e
Notation :Dans cette partieX d´esigne une variable al´eatoire `a densit´e sur un espace de probabilit´e (Ω,T, P) etf une densit´e deX.
D´efinition (esp´erance d’une variable al´eatoire `a densit´e)
1. On dit queX admet une esp´erance math´ematique si l’int´egrale g´en´eralis´ee Z +∞
−∞
|t|f(t)dt converge.
2. SiX admet une esp´erance math´ematique, alors l’int´egrale g´en´eralis´ee Z +∞
−∞
t f(t)dtconverge et on d´efinit l’esp´erance math´ematiqueE(X) deX par :
E(X) = Z +∞
−∞
t f(t)dt.
L’esp´erance math´ematique deX est aussi appel´ee valeur moyenne deX.
⋄ Exemple 7 (suite) :La variable al´eatoireX introduite dans l’exemple 7 admet une esp´erance math´ematique et on aE(X) = 2.
D´efinition (moment d’ordre pd’une variable al´eatoire `a densit´e) :Soitp∈N. 1. On dit queX admet un moment d’ordrepsi l’int´egrale g´en´eralis´ee
Z +∞
−∞
|t|pf(t)dt converge.
2. Si X admet un moment d’ordre p, alors l’int´egrale g´en´eralis´ee Z +∞
−∞
tpf(t) dt converge et on d´efinit le moment d’ordrepdeX par :
E(Xp) = Z +∞
−∞
tpf(t)dt.
⋄ Exemple 7 (suite) :La variable al´eatoireX introduite dans l’exemple 7 admet un moment d’ordre 2 et on a E(X2) =16
3 .
D´efinition (variance et ´ecart-type d’une variable al´eatoire `a densit´e) :On suppose queX admet une esp´erance math´ematique.
1. On dit queX admet une variance si l’int´egrale g´en´eralis´ee Z +∞
−∞
(t−E(X))2f(t)dt converge.
2. Si X admet une variance, alors on d´efinit : (a) la variance deX par :
V(X) = Z +∞
−∞
(t−E(X))2f(t)dt (nombre positif ou nul) (b) l’´ecart-type deX par :
σ(X) =p V(X).
Th´eor`eme 5 (Koenig-Huyghens) :On suppose queX admet un moment d’ordre 2.
1. AlorsX admet une esp´erance math´ematique et une variance.
2. De plus on a :
V(X) =E(X2)−m2 o`u l’on a pos´em=E(X).
⋄ Exemple 7 (suite) :On a vu que la variable al´eatoireX introduite dans l’exemple 7 admet un moment d’ordre 2 et que l’on aE(X) = 2 et E(X2) = 16
3. En appliquant la formule de Koenig-Huyghens, on en d´eduit queX admet une variance et que :
V(X) = 16
3 −22= 4 3.
7 Lois usuelles
Notation :Dans cette partieX d´esigne une variable al´eatoire sur un espace de probabilit´e (Ω,T, P).
7.1 Loi uniforme sur [a, b]
D´efinition (loi uniforme sur [a, b]) :Soita, b∈Rtels quea < b.
On dit queX suit la loi uniforme sur [a, b] siX admet pour densit´e la fonctionf d´efinie par : f: R → R
t 7→
1
b−a sia≤t≤b 0 sinon.
Dans ce cas, on noteX ∼ U([a, b]).
Th´eor`eme 6 (esp´erance et variance de X dans le cas o`uX ∼ U([a, b]))
On suppose queX ∼ U([a, b]). AlorsX admet une esp´erance et une variance donn´ees par : E(X) = a+b
2 et V(X) =(b−a)2 12 .
⋄ Preuve du th´eor`eme 6
7.2 Loi exponentielle de param` etre λ > 0
D´efinition (loi exponentielle de param`etre λ >0) :Soitλ∈R+∗.
On dit queX suit la loi exponentielle de param`etreλsiX admet pour densit´e la fonctionf d´efinie par : f:R → R
t 7→
λe−λtsit≥0 0 sinon.
Dans ce cas, on noteX ∼ E(λ).
Th´eor`eme 7 (esp´erance et variance de X, dans le cas o`uX∼ E(λ))
On suppose queX ∼ E(λ). AlorsX admet une esp´erance et une variance donn´ees par : E(X) = 1
λ et V(X) = 1 λ2.
⋄ Preuve du th´eor`eme 7
⋄ Exemples 3 et 5 (suite) :On a donc d´emontr´e dans l’exemple 5 que la variableX introduite dans l’exemple 3 suit la loi exponentielle de param`etre 5. Par suite, l’ampoule grillera en moyenne au bout de 1
5 jour, soit 4 heures et 48 minutes.
7.3 Loi normale centr´ ee r´ eduite
Rappel :On a d´ej`a montr´e que l’int´egrale
Z +∞
−∞
e−t22 dt
est convergente (cf. cours sur l’int´egrale g´en´eralis´ee) et on a admis que : Z +∞
−∞
e−t22 dt=√ 2π.
On en d´eduit que la fonction
f:R → R t 7→ 1
√2π e−t22 est une densit´e de probabilit´es.
D´efinition (loi normale centr´ee r´eduite) :On dit queX suit une loi normale centr´ee r´eduite (cf. ci-dessous pour la justification de la terminologie) siX admet pour densit´e la fonctionf d´efinie par :
f:R → R t 7→ 1
√2π e−t22. Dans ce cas, on noteX ∼ N(0,1).
Th´eor`eme 8 (esp´erance et variance de X ∼ N(0,1)) : On suppose queX ∼ N(0,1). AlorsX admet une esp´erance et une variance donn´ees par :
E(X) = 0 et V(X) = 1.
⋄ Preuve du th´eor`eme 8 :Cf. l’exercice 196 et la formule de Koenig-Huyghens.
Remarque 2 : On rappelle qu’une variable est dite centr´ee si elle a une esp´erance nulle et qu’elle est dite r´eduite si elle admet une variance ´egale `a 1. Le th´eor`eme 8 explique le nom donn´e `a la loiN(0,1).