Dans tout ce chapitre, on se donne un espace probabilisé (Ω,A,P) sur lequel toutes les variables aléatoires envisagées sont définies. Pour toute application X de Ω dans R, on note :
- [X⩽x]={ω∈Ω,X(ω)⩽x}
- pour tout réel x, [X>x]={ω∈Ω,X(ω)>x}
- pour tout réel x, [X∈I]={ω∈Ω,X(ω)∈I}
- pour tout intervalle I de R, …
Notions de variable aléatoire
Variable aléatoire : définition et propriétés élémentaires
Définition
On appelle variable aléatoire réelle sur (Ω,A) toute application de Ω dans R telle que, pour tout x∈R, [X⩽x] appartient à A (i.e. est un événement).
Tout intervalle I de R pouvant s’écrire comme union et intersection finies d’ensembles de la forme ]−∞,x] et de leurs complémentaires, si X est une variable aléatoire réelle sur (Ω,A), alors [X∈I] est un événement pour tout intervalle I de R.
Propriétés
Si X1,…,Xn sont des variables aléatoires sur(Ω,A), alors :
- pour tous réels λ1,…,λn,λ1X1+⋯+λnXn est une variable aléatoire sur (Ω,A),
- X1X2⋯Xn est une variable aléatoire sur (Ω,A),
- l’application Y=inf(X1,…,Xn) définie par, pour tout ω∈Ω,Y(ω)=min(X1(ω),…,Xn(ω)) est une variable aléatoire sur(Ω,A),
- l’application Z=sup(X1,…,Xn) définie par, pour tout ω∈Ω, Z(ω)=max(X1(ω),…,Xn(ω)) est une variable aléatoire sur (Ω,A).
Fonction de répartition : définition et propriétés
Définition
Soit X une variable aléatoire. On appelle fonction de répartition de X la fonction FX définie sur R par : ∀x∈R, FX(x)=P(X⩽x)
Propriétés
Soit X une variable aléatoire et FX sa fonction de répartition.
- FX est croissante sur R,
- FX tend vers 0 en −∞ et vers 1 en +∞,
- FX est continue à droite en tout point,
- FX est continue en tout point a tel que P(X=a)=0.
Pour tout couple (a,b) de réels tels que a<b, on a :
- P(X>a)=1−FX(a)
- P(a<X⩽b)=FX(b)−FX(a)
- P(X<a)=limx→a−FX(x)
- P(a⩽X⩽b)=FX(b)−limx→a−FX(x)
- P(a⩽X<b)=limx→b−FX(x)−limx→a−FX(x)
- P(a<X<b)=limx→b−FX(x)−FX(a)
- P(X=a)=FX(a)−limx→a−FX(x)
Familles de variables aléatoires
Vecteur aléatoire : définitions et propriétés
Vecteur aléatoire : définition
On appelle vecteur aléatoire à valeurs dans Rn tout n-uplet (X1,…,Xn) de variables aléatoires réelles. Si de plus X1,…,Xn sont des variables aléatoires discrètes, on dit que le vecteur (X1,…,Xn) est un vecteur aléatoire discret.
Loi d’un vecteur aléatoire, lois marginales
Le cas général
Soit (X1,…,Xn) un vecteur aléatoire à valeurs dans Rn.
- On appelle loi du vecteur (X1,…,Xn) la donnée de la fonction F(X1,…,Xn) définie par : ∀(x1,…,xn)∈Rn,F(X1,…,Xn)(x1,…,xn)=P(n⋂i=1[Xi⩽xi])
- Les lois de X1,…,Xn sont appelées lois marginales du vecteur (X1,…,Xn).
Le cas des vecteurs aléatoires discrets
Si (X1,…,Xn) est un vecteurs aléatoire discret, sa loi est caractérisée par la donnée des probabilités P(n⋂i=1[Xi=xi]) pour tout (x1,…,xn) appartenant à X1(Ω)×⋯×Xn(Ω).
Fonctions de vecteurs aléatoires
Soit (X1,…,Xn) et (Y1,…,Yn) deux vecteurs aléatoires.
Si (X1,…,Xn) et (Y1,…,Yn) ont la même loi alors, pour toute fonction g continue sur Rn et à valeurs dans R, g(X1,…,Xn) et g(Y1,…,Yn) ont la même loi.
Variables aléatoires indépendantes : définition et propriétés
Définition
On dit que X1,…,Xn sont mutuellement indépendantes si : ∀(x1,…,xn)∈Rn, F(X1,…,Xn)(x1,…,xn)=n∏k=1FXk(xk)
Propriétés
Soit (X1,…,Xn) un vecteur aléatoire.
- X1,…,Xn sont mutuellement indépendantes si et seulement si on a, pour tous intervalles I1,…,In : P(n⋂k=1[Xk∈Ik])=n∏k=1P(Xk∈Ik)
- Si X1,…,Xn est un vecteur aléatoire discret, alors X1,…,Xn sont mutuellement indépendantes si et seulement si : ∀(xk)1⩽i⩽n∈Rn, P(n⋂k=1[Xk=xk])=n∏k=1P(Xk=xk)
Lemme des coalitions
- Si X1,…,Xn sont mutuellement indépendantes et si p est un entier tel que 2⩽p⩽n−1, alors toute variable aléatoire fonction de X1,…,Xp est indépendante de toute variable aléatoire fonction de Xp+1,…,Xn.
- Plus généralement, si X1,…,Xn sont mutuellement indépendantes alors, pour toute permutation σ de [[1,n]] et pour toute famille (i1,…,ip) d’entiers vérifiant 1⩽i1<i2<⋯<ip⩽n, toute famille de variables aléatoires de la forme (f1(Xσ(1),…,Xσ(i1)),…,fp(Xσ(ip−1+1)),…,Xσ(ip))) est formée de variables aléatoires mutuellement indépendantes.
Propriétés de l’espérance
Linéarité de l’espérance
Soit (X1,…,Xn) un vecteur aléatoire à valeurs dans Rn. Si X1,…,Xn admettent une espérance, alors X1+⋯+Xn admet une espérance et : E(n∑k=1Xk)=n∑k=1E(Xk)
Croissance de l’espérance
Soit (X,Y) un couple de variables aléatoires admettant une espérance. Si, presque sûrement, X⩽Y, alors : E(X)⩽E(Y).
Théorème de domination
Soit (X,Y) un couple de variables aléatoires tel que, presque sûrement, |X|⩽Y. Si Y admet une espérance, alors X admet une espérance et : |E(X)|⩽E(Y)
Espérance d’un produit
Soit (X1,…,Xn) un vecteur aléatoire à valeurs dans Rn. Si X1,…,Xn sont mutuellement indépendantes et admettent une espérance, alors X1X2⋯Xn admet une espérance et : E(n∏k=1Xk)=n∏k=1E(Xk)
Covariance et coefficient de corrélation linéaire
Covariance : définition et propriétés
Définition
Si X et Y admettent un moment d’ordre 2, on appelle covariance de (X,Y) le réel Cov(X,Y)=E((X−E(X))(Y−E(Y)))
Formule de Huygens
Si X et Y admettent un moment d’ordre 2, alors : Cov(X,Y)=E(XY)−E(X)E(Y)
Propriétés
La covariance est une forme bilinéaire symétrique et positive sur l’espace vectoriel des variables aléatoires discrètes définies sur(Ω,A,P) et admettant un moment d’ordre 2.
Autrement dit, si X,Y et Z sont trois variables aléatoires discrètes sur (Ω,A,P) admettant un moment d’ordre 2 et si a et b sont deux réels, alors :
- Cov(X,Y)=Cov(Y,X),
- Cov(aX+bY,Z)=aCov(X,Z)+bCov(Y,Z),
- Cov(X,aY+bZ)=aCov(X,Y)+bCov(X,Z),
- Cov(X,X)⩾0.
Lien entre indépendance et covariance
Si X et Y sont indépendantes et admettent un moment d’ordre 2, alors : X et Y sont indépendantes ⟹Cov(X,Y)=0
Coefficient de corrélation linéaire : définition et propriétés
Définition
Si X et Y admettent toutes deux une variance non nulle, on appelle coefficient de corrélation linéaire de (X,Y) le réel ρ(X,Y)=Cov(X,Y)σ(X)σ(Y)
Propriétés
Si X et Y admettent chacune une variance non nulle, alors :
- |ρ(X,Y)|⩽1 (inégalité de Cauchy-Schwarz),
- |ρ(X,Y)|=1⟺∃(a,b)∈R/P(Y=aX+b)=1.
Lien entre indépendance et coefficient de corrélation linéaire
Si X et Y admettent chacune une variance non nulle, alors : X et Y sont indépendantes ⟹ρ(X,Y)=0
Variance d’une somme de variables aléatoires
- Soit (X,Y) un couple de variables aléatoires admettant un moment d’ordre 2. X+Y admet une variance et : V(X+Y)=V(X)+V(Y)+2Cov(X,Y)
- Si (X,Y) est un couple de variables aléatoires indépendantes admettant une variance, X+Y admet une variance et : V(X+Y)=V(X)+V(Y)
- Plus généralement, si n est un entier naturel supérieur ou égal à 2, si X1,…,Xn sont n variables aléatoires discrètes mutuellement indépendantes admettant une variance, alors, pour tout n-uplet (a1,…,an de réels : V(n∑k=1akXk)=n∑k=1a2kV(Xk)