3. Caract´
eristiques et fonctions d’une v.a.
MTH2302D
S. Le Digabel, ´Ecole Polytechnique de Montr´eal
A2017
Plan
1. Caract´eristiques d’une distribution
2. Fonctions d’une variable al´eatoire
3. Distribution d’une fonction d’une variable al´eatoire
1. Caract´eristiques d’une distribution 2. Fonctions d’une variable al´eatoire
3. Distribution d’une fonction d’une variable al´eatoire 4. Esp´erance et variance de fonctions de v.a.
Esp´
erance math´
ematique
Soit X une variable al´eatoire. L’esp´erance math´ematique (ou moyenne) de X est
I µ = X
xi∈RX
xipX(xi) si X est discr`ete.
I µ = Z +∞
−∞
xfX(x)dx si X est continue.
Exemple 1
Une boˆıte contient 5 DVDs parmi lesquels 2 sont d´efectueux. Un ´echantillon de 2 disques est pr´elev´e (sans remise) de la boˆıte. Soit X : le nombre de DVDs d´efectueux dans l’´echantillon. Calculer l’esp´erance de la v.a. discr`ete X.
Exemple 2
L’erreur commise lors de la mesure du diam`etre d’une pi`ece produite en s´erie est approxim´ee par une v.a. X (en mm) dont la fonction de densit´e est
f (x) = 3
4(1 − x
2) si − 1 < x < 1,
0 sinon. Calculer l’esp´erance de la v.a. continue X.
Variance et ´
ecart-type
Soit X une variable al´eatoire. La variance de X est
I σ2 = X
xi∈RX
(xi− µ)2pX(xi) si X est discr`ete.
I σ2 = Z +∞
−∞
(x − µ)2fX(x)dx si X est continue.
L’´ecart-type de X est σ =√σ2.
Variance (suite)
I V(X) = E[(X − E[X])2] = E[X2] − (E[X])2.
I Si X est discr`ete, V(X) = P xi∈RX (xi− µ)2pX(xi) = P xi∈RX x2ipX(xi) ! − µ2. I Si X est continue, V(X) = +∞ R −∞ (x − µ)2fX(x)dx = +∞ R −∞ x2fX(x)dx ! − µ2.
Exemple 3
Montrer que dans l’exemple 1, σ2 = 0.36, et que dans l’exemple 2, σ2 = 0.2.
In´
egalit´
e de Bienaym´
e-Tchebychev
Th´eor`eme
Si E(X) = µ et V(X) = σ2, alors, pour tout a > 0, on a P (µ − aσ ≤ X ≤ µ + aσ) > 1 − 1/a2.
Moments d’ordre sup´
erieur
Soit X une variable al´eatoire et k ≥ 0 un entier.
1. Le ke moment de X par rapport `a l’origine est
I µ0k=
X
xi∈RX
xkipX(xi) si X est discr`ete.
I µ0k= Z +∞
−∞
xkfX(x)dx si X est continue.
2. Le ke moment de X par rapport `a la moyenne µ est
I µk=
X
xi∈RX
(xi− µ)kpX(xi) si X est discr`ete.
I µk=
Z +∞
−∞
Moments d’ordre sup´
erieur (suite)
3. Moyenne : µ = µ01. 4. Variance : σ2 = µ 2. 5. Relation entre µk et µ0k : µk= k X j=0 (−1)j k j µjµ0k−j . Exemple 4Utiliser ces relations pour montrer que σ2= µ0 2− µ2.
Coefficients de forme
I Coefficient d’asym´etrie (skewness) :
I γ1= µ3/σ3.
I Si γ1> 0, la distribution est ´etal´ee vers la droite. Si γ1< 0,
c’est vers la gauche. Si la distribution est sym´etrique, alors γ1= 0. L’inverse n’est pas vrai.
I Coefficient d’aplatissement (kurtosis) :
M´
ediane
I La m´ediane de la v.a. X est une valeur ˜x telle que P (X ≤ ˜x) ≥ 1/2 et P (X ≥ ˜x) ≥ 1/2 ou bien
P (X ≤ ˜x) ≥ 1/2 et P (X < ˜x) ≤ 1/2.
I Utile si on a de grandes valeurs dans RX car cette valeur est
moins influenc´ee que la moyenne par les valeurs extrˆemes.
I On n’a pas forc´ement ˜x ∈ RX.
I Si X est discr`ete, alors ˜x peut ne pas ˆetre unique.
I Si X est continue, ˜x est unique et peut ˆetre trouv´ee avec P (X ≤ ˜x) = P (X ≥ ˜x) = 1/2.
I Dans le cas continu, la m´ediane est un cas particulier de la notion de quantile.
Les centiles (quantiles ou percentiles)
On consid`ere une v.a. X continue et p un nombre r´eel avec 0 ≤ p ≤ 1. On appelle le 100p-i`eme quantile (ou quantile d’ordre p, ou centile, ou percentile) de X le nombre xp tel que
P (X ≤ xp) = p et P (X ≥ xp) = 1 − p.
I Le 50-i`eme centile est la m´ediane : ˜x = x0.5.
I Quartiles : Q1 = x0.25, Q2 = ˜x = x0.5, Q3 = x0.75.
I Ecart interquartile : IQR = Q´ 3− Q1. Mesure la dispersion de
la moiti´e de la distribution car P (Q1 ≤ X ≤ Q3) = 50%.
Autres caract´
eristiques
I Mode de X : c’est la (ou les) valeur x∗ telle que
pX(x∗) ≥ pX(x) pour tout x ∈ RX (cas discret). Dans le cas
continu, remplacer pX par fX.
1. Caract´eristiques d’une distribution 2. Fonctions d’une variable al´eatoire
3. Distribution d’une fonction d’une variable al´eatoire 4. Esp´erance et variance de fonctions de v.a.
´
Ev´
enements ´
equivalents
Soit X une variable al´eatoire et H une fonction. Alors Y = H(X) est une autre variable al´eatoire.
On calcule la probabilit´e d’un ´ev´enement C de RY en consid´erant
l’´ev´enement ´equivalent B de RX :
B = {x ∈ RX|H(x) ∈ C} .
La probabilit´e est donn´ee par
Exemple 5
Le diam`etre d’un fil est une v.a. de densit´e
fX(x) =
200 si 1 ≤ x ≤ 1.005 , 0 sinon.
Quelle est la probabilit´e que l’aire de la section de ce fil soit inf´erieure `a 1.01π/4 ?
1. Caract´eristiques d’une distribution 2. Fonctions d’une variable al´eatoire
3. Distribution d’une fonction d’une variable al´eatoire 4. Esp´erance et variance de fonctions de v.a.
Cas 1 : X et Y sont discr`
etes
Si X est une v.a. discr`ete et Y = H(X) est discr`ete, alors la fonction de masse de Y est donn´ee par
pY(y) = P (Y = y) =
X
{x∈RX|H(x)=y}
P (X = x).
Exemple 6
Soit X une v.a. dont la fonction de masse est donn´ee par la tableau suivant :
x -2 -1 0 1 2 pX(x) 18 14 18 14 14
Cas 2 : X est continue et Y est discr`
ete
Si X est une v.a. continue et Y = H(X) est discr`ete alors la fonction de masse de Y est donn´ee par
pY(y) = P (Y = y) =
Z
{x∈RX|H(x)=y}
Exemple 7
Pour 1 kg d’un certain alliage la teneur en magn´esium est une v.a. X de densit´e fX(x) = x 8 si 0 ≤ x ≤ 4 , 0 sinon.
Chaque kg de cet alliage g´en`ere une perte de 100$ si la teneur est inf´erieure `a 2, aucun profit si la teneur est sup´erieure `a 2 mais inf´erieure `a 3, et un profit de 400$ si la teneur est sup´erieure `a 3. On consid`ere 1 kg de cet alliage.
D´eterminer la fonction de masse du profit Y et le profit moyen E(Y ).
Cas 3 : X et Y sont continues
Si X est une v.a. continue et Y = H(X) est continue alors il y a deux fa¸cons de d´eterminer la fonction de densit´e de Y ,
d´ependamment de la fonction H.
Premi`ere fa¸con, qui s’applique toujours.
1. D´eterminer la fonction de r´epartition de Y : FY(y) = P (Y ≤ y) = P (H(X) ≤ y).
2. Obtenir la densit´e fy en d´erivant FY :
fY(y) =
d
Cas 3 : X et Y sont continues (suite)
Deuxi`eme fa¸con, si H est strictement croissante ou d´ecroissante. Dans ce cas, la densit´e de Y est donn´ee par
fY(y) = fX(x) dx dy
Cas 3 : X et Y sont continues (suite)
Exemple 8Premi`ere fa¸con.
Un courant ´electrique d’intensit´e al´eatoire X traverse un appareil de r´esistance constante r. La puissance obtenue est alors donn´ee par la v.a. Y = rX2 (loi d’Ohm).
Supposons que la fonction de densit´e de X soit fX(x) =
2xe−x2 si x ≥ 0 , 0 sinon. D´eterminer la fonction de densit´e de Y .
Cas 3 : X et Y sont continues (suite)
Exemple 9
Deuxi`eme fa¸con.
Soit X une v.a. de densit´e fX(x) =
e−x si x > 0 , 0 sinon et Y = 3X − 2.
1. Caract´eristiques d’une distribution 2. Fonctions d’une variable al´eatoire
3. Distribution d’une fonction d’une variable al´eatoire 4. Esp´erance et variance de fonctions de v.a.
D´
efinition
Soit X et Y = H(X) des v.a. L’esp´erance math´ematique de Y est
I E[H(X)] = X
xi∈RX
H(xi)pX(xi) si X est discr`ete.
I E[H(X)] = Z ∞
−∞
Cas particuliers
1. Si H(x) = x, alors E[H(X)] = µ (moyenne de X).
2. Si H(x) = (x − µ)2, alors E[H(X)] = σ2 (variance de X).
3. Si H(x) = (x − µ)k, alors E[H(X)] = µk (moments par
rapport `a la moyenne).
4. Si H(x) = xk, alors E[H(X)] = µ0k (moments par rapport `a l’origine). 5. Si H(x) = 1A(x) = 1 si x ∈ A 0 sinon , alors E[H(X)] = P (X ∈ A).
Variance
Soit X une variable al´eatoire et Y = H(X). La variance de Y est V[H(X)] = Eh(H(X) − E[H(X)])2i
= Eh(H(X))2i− (E[H(X)])2.
Cas particulier important
Si H(x) = ax + b (H est lin´eaire) alors
I E(aX + b) = aE(X) + b.
Exemple 10
Soit X une variable al´eatoire de densit´e
fX(x) = 1 2 si − 1 ≤ x ≤ 1 , 0 sinon.