Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
116 Chapitre 3. Variables aléatoires à densité<br />
cas où X prend ses valeurs dansÊtout entier (ou dans un intervalle deÊ), on ne veut plus se<br />
restreindre à des événements de la forme “X prend la valeur x” comme dans le cas discret, car<br />
ceux-ci seront généralement de probabilité nulle, donc sans grand intérêt. Le fait de supposer qu’on<br />
va pouvoir calculer la probabilité de n’importe quel intervalle est bien plus pertinent, car à eux<br />
seuls les intervalles engendrent une famille très riche de sous-ensembles deÊ, connue sous le nom<br />
de tribu borélienne.<br />
Comme dans le cas discret, la notion de variable aléatoire est stable par toutes les opérations<br />
classiques sur les fonctions : la combinaison linéaire, le produit, le minimum, le maximum de deux<br />
variables aléatoires X et Y sont encore des variables aléatoires.<br />
Outre le cas discret, un cas confortable de variable aléatoire à valeurs dansÊest celui de variable<br />
admettant une densité. Dans toute la suite, on restera volontairement évasif quant <strong>aux</strong> hypothèses<br />
précises sur cette densité, le bon cadre pour toutes ces notions étant celui de l’intégrale de Lebesgue,<br />
qui ne sera vu qu’en troisième année. Pour fixer les idées, on pourra par exemple se dire<br />
que f est continue par morce<strong>aux</strong> surÊ, ce qui sera le cas dans la plupart des exemples.<br />
Définition 3.2 (Variable à densité)<br />
Soit X une variable aléatoire à valeurs dansÊ. On dit que X est à densité, ou absolument continue,<br />
s’il existe une fonction f :Ê→Êvérifiant :<br />
1. f ≥ 0,<br />
2. +∞<br />
−∞ f(x)dx = 1,<br />
et telle que pour tout intervalle I deÊ:<br />
<br />
È(X ∈ I) =<br />
Dans ce cas, f est appelée densité de X.<br />
I<br />
f(x)dx.<br />
Remarque. Notons d’emblée que si X admet une densité, alors la probabilité qu’elle prenne une<br />
valeur donnée x0 est nulle puisque :<br />
È(X = x0) =È(X ∈ [x0,x0]) =<br />
x0<br />
x0<br />
f(x)dx = 0.<br />
Interprétation. Bien que f(x0) soit positif pour tout x0, f(x0) n’est pas une probabilité : on<br />
peut en particulier avoir f(x0) > 1! Il n’empêche que si [x0−δ/2,x0+δ/2] est un “petit” intervalle<br />
centré en x0, la probabilité de tomber dans cet intervalle est :<br />
È(X ∈ [x0 −δ/2,x0 +δ/2]) =<br />
x0+δ/2<br />
x0−δ/2<br />
f(x)dx ≈ δf(x0).<br />
Autrement dit, à largeur d’intervalle δ fixée, X a d’autant plus de chances de tomber dans un<br />
intervalle centré en x0 que f(x0) est grand. Pratiquement, imaginons qu’on représente un très<br />
grand nombre de réalisations X1 = x1,...,Xn = xn tirées indépendamment suivant la même loi<br />
que X : la densité des Xi sera alors la plus élevée là où f prend ses plus grandes valeurs.<br />
Exemples :<br />
1. Loi uniforme : conformément à ce qui vient d’être dit, une variable X se répartissant de façon<br />
uniforme dans le segment [0,1] est définie par la densité f = [0,1], c’est-à-dire f(x) = 1 si<br />
x ∈ [0,1] et f(x) = 0 sinon. On a bien d’une part f ≥ 0 et d’autre part :<br />
+∞<br />
−∞<br />
f(x)dx =<br />
1<br />
0<br />
1dx = 1.<br />
Arnaud Guyader - <strong>Rennes</strong> 2 <strong>Probabilités</strong>