Loi d’une variable aléatoire
Variable aléatoire discrète : définition
Soit (Ω,A) un espace probabilisable.
On appelle variable aléatoire réelle discrète sur(Ω,A) toute application X:Ω→R telle que :
- X(Ω) est fini ou dénombrable (i.e. en bijection avec une partie de N∗),
- pour tout x∈X(Ω),{ω∈Ω,X(ω)=x} appartient à A (i.e. est un événement).
Dans ce cas, si X(Ω) est fini, on dit que X est une variable aléatoire finie si X(Ω) est fini ; si X(Ω) est dénombrable, on dit que X est une variable aléatoire discrète infinie.
Loi d’une variable aléatoire discrète : définition
Déterminer la loi d’une variable aléatoire X sur (Ω,A,P), c’est déterminer l’ensemble X(Ω) et, pour tout réel x appartenant à X(Ω), la probabilité P(X=x).
Système complet associé à une variable aléatoire finie
Si X est une variable aléatoire discrète, la famille ([X=x])x∈X(Ω) est un système complet d’événement, appelé système complet d’événements associé à X.
Fonction d’une variable aléatoire discrète
Soit (Ω,A,P) un espace probabilisé et X une variable aléatoire discrète.
- Si φ est une application de X(Ω) dans R, alors l’application φ∘X, aussi notée φ(X), est une variable aléatoire discrète sur (Ω,A).
- Si φ est une application de X(Ω) dans R, alors la loi de Y=g(X) est donnée par : Y(Ω)={g(x),x∈X(Ω)} et ∀y∈Y(Ω),P(Y=y)=∑x∈X(Ω)g(x)=yP(X=x)
Espérance et variance
Espérance d’une variable aléatoire discrète : définition et propriétés
Définition
- Si X est une variable aléatoire discrète finie telle que X(Ω)={x1,…,xn} (où n est un entier naturel non nul), on appelle espérance de X le réel noté E(X) défini par : E(X)=n∑i=1xiP(X=xi)=∑xi∈X(Ω)xiP(X=xi)
- Si X est une variable aléatoire discrète infinie telle que X(Ω)={xi,i∈N}, on dit que X admet une espérance si la série ∑xiP(X=xi) est absolument convergente et, dans ce cas, on appelle espérance de X le réel noté E(X) défini par : E(X)=+∞∑i=0xiP(X=xi)=∑xi∈X(Ω)xiP(X=xi)
Propriétés
Si X est une variable aléatoire discrète admettant une espérance alors :
- Si X est positive : E(X)⩾0 (positivité de l’espérance),
- Pour tout couple (a,b) de réels, on a : E(aX+b)=aE(X)+b (linéarité de l’espérance)
Théorème de transfert
Soit φ une application de X(Ω) dans R.
- Si X(Ω) est fini, alors φ(X) admet une espérance.
- Si X(Ω)={xn, n∈N} est infini, alors φ(X) admet une espérance si et seulement si la série ∑φ(xn)P(X=xn) est absolument convergente.
- Si φ(X) admet une espérance, alors : E(φ(X))=+∞∑n=0φ(xn)P(X=xn)
Variance d’une variable aléatoire discrète : définition et propriétés
Définition
- On dit que X admet une variance si X et (X−E(X))2 admettent une espérance.
- Dans ce cas, la variance est notée V(X) et définie par : V(X)=E((X−E(X))2)=∑x∈X(Ω)(x−E(X))2P(X=x)
Propriétés
- Formule de Koenig-Huygens. X admet une variance si et seulement si X2 admet une espérance et, dans ce cas : V(X)=E(X2)−[E(X)]2
- Si X est une variable aléatoire discrète admettant une variance, alors, pour tout couple (a,b) de réels : V(aX+b)=a2V(X)
Écart-type d’une variable aléatoire discrète finie : définition et propriété
Définition
Si X est une variable aléatoire discrète admettant une variance, on appelle écart-type de X le réel σ(X)=√V(X)
Propriété
Si X est une variable aléatoire discrète admettant une variance, alors, pour tout couple (a,b) de réels : σ(aX+b)=|a|σ(X)
Loi discrètes usuelles
Loi certaine : définition et propriétés
Définition
Une variable aléatoire X est-dite constante (ou certaine) s’il existe un réel a tel que : X(Ω)={a}.
Propriétés
Si a∈R et si X est une variable aléatoire certaine égale à a, alors : E(X)=a et V(X)=0
Loi de Bernoulli : définition et propriétés
Définition
Si p est un élément de ]0,1[, on dit qu’une variable aléatoire X suit la loi de Bernoulli de paramètre p si X prend ses valeurs dans {0,1} et si : P(X=1)=p et P(X=0)=1−p
Propriétés
Si p∈]0,1[ et si X est une variable aléatoire suivant la loi de Bernoulli de paramètre p, alors : E(X)=p et V(X)=p(1−p)
Loi binomiale : définition et propriétés
Définition
On dit que X suit la loi binomiale de paramètres n et p si X prend ses valeurs dans [[0,n]] et si : \forall k \in\left[\kern-0.15em\left[ {0,n} \right]\kern-0.15em\right], \ \mathbb{P}(X=k)=\binom{n}{k} p^k(1-p)^{n-k}
Propriétés
- Si X est la variable aléatoire égale au nombre de succès dans une suite de n épreuves de Bernoulli de paramètre p \in \left] 0,1 \right[ indépendantes, alors X suit la loi binomiale de paramètres n et p .
- Si X est une variable aléatoire suivant la loi binomiale de paramètres n et p , alors X admet une espérance et une variance et : \mathbb{E}(X)=n p \quad \text { et } \quad \mathbb{V}(X)=n p \left( 1-p \right)
Loi uniforme : définition et propriétés
Définition
- On dit que X suit la loi uniforme sur \left[\kern-0.15em\left[ {1,n} \right]\kern-0.15em\right] si X prend ses valeurs dans \left[\kern-0.15em\left[ {1,n} \right]\kern-0.15em\right] et : \forall k \in \left[\kern-0.15em\left[ {1,n} \right]\kern-0.15em\right], \ \mathbb{P}(X=k)=\frac{1}{n}
- Plus généralement, si a et b sont deux entiers relatifs tels que a<b , on dit que X suit la loi uniforme sur \left[\kern-0.15em\left[ {a,b} \right]\kern-0.15em\right] si X prend ses valeurs dans \left[\kern-0.15em\left[ {a,b} \right]\kern-0.15em\right] et si : \forall k \in \left[\kern-0.15em\left[ {a,b} \right]\kern-0.15em\right], \ \mathbb{P}(X=k)=\frac{1}{b-a+1}
Propriétés
Si X est une variable aléatoire suivant la loi uniforme sur \left[\kern-0.15em\left[ {1,n} \right]\kern-0.15em\right] , alors X admet une espérance et une variance et : \mathbb{E}(X)=\frac{n+1}{2} \quad \text { et } \quad \mathbb{V}(X)=\frac{n^2-1}{12}
Loi géométrique : définition et propriétés
Définition
On dit que X suit la loi géométrique de paramètre \boldsymbol{p} si : \forall k \in \mathbb{N}^*, \mathbb{P}(X=k)=(1-p)^{k-1} p
Propriétés
- Si X est la variable aléatoire égale au temps d’attente d’un premier succès dans une suite d’épreuves de Bernoulli de paramètre p \in \left] 0,1 \right[ indépendantes, alors X suit la loi géométrique de paramètre p .
- Si X est une variable aléatoire suivant la loi géométrique de paramètre p , alors X admet une espérance et une variance et : \mathbb{E}(X)=\frac{1}{p} \quad \text { et } \quad \mathbb{V}(X)=\frac{1-p}{p^2}
Loi de Poisson : définition et propriétés
Définition
On dit que X suit la loi de Poisson de paramètre \lambda > 0 si X prend ses valeurs dans \mathbb{N} et : \forall k \in \mathbb{N}, \mathbb{P}(X=k)=\mathrm{e}^{-\lambda} \, \frac{\lambda^k}{k!}
Propriétés
Si X est une variable aléatoire suivant la loi de Poisson de paramètre \lambda , alors X admet une espérance et une variance et : \mathbb{E}(X)=\lambda \quad \text { et } \quad \mathbb{V}(X)=\lambda
Loi conditionnelle, espérance conditionnelle
Loi conditionnelle : définition
Soit (\Omega, \mathcal{A}, \mathbb{P}) est un espace probabilisé et A un événement de probabilité non nulle. La loi de X sur l’espace probabilisé \left(\Omega, \mathcal{A}, \mathbb{P}_A\right) est appelée loi conditionnelle de X sachant l’événement A .
Déterminer la loi conditionnelle de X sachant A , c’est donc calculer, pour chaque valeur x de X(\Omega) , la probabilité \mathbb{P}_A(X=x)=\frac{\mathbb{P}([X=x] \cap A)}{\mathbb{P}(A)}
Espérance conditionnelle : définition
Si A est un événement de probabilité non nulle, on dit que X admet une espérance conditionnelle sachant \boldsymbol{A} (ou une espérance pour la probabilité \mathbb{P}_A ) si X(\Omega) est fini ou si X(\Omega)=\left\{x_i, \ i \in \mathbb{N}\right\} est infini et si la série \sum x_i \, \mathbb{P}_A(X=x_i) est absolument convergente.
Dans le cas où elle existe, cette espérance conditionnelle est notée \mathbb{E}(X \, \vert \, A) et définie par : \mathbb{E}(X \, \vert \, A)=\sum_{x \in X(\Omega)} x \, \mathbb{P}_A(X=x)
Formule de l’espérance totale
Soit \left(A_n\right)_{n \in \mathbb{N}} un système complet d’événements tel que, pour tout n \in \mathbb{N} , \mathbb{P}(A_n) \neq 0 . X admet une espérance si et seulement si :
- pour tout n \in \mathbb{N} , X admet une espérance conditionnelle sachant A_n ,
- la série \sum \mathbb{E}( \left| X \right| \, \vert \, A_n) \mathbb{P}(A_n) converge
et dans ce cas : \mathbb{E}(X)=\sum_{n=0}^{+\infty} \mathbb{P}(A_n) \, \mathbb{E}(X \, \vert \, A_n)