Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2 Introduction aux Probabilités - Université Rennes 2
116 Chapitre 3. Variables aléatoires à densité cas où X prend ses valeurs dansÊtout entier (ou dans un intervalle deÊ), on ne veut plus se restreindre à des événements de la forme “X prend la valeur x” comme dans le cas discret, car ceux-ci seront généralement de probabilité nulle, donc sans grand intérêt. Le fait de supposer qu’on va pouvoir calculer la probabilité de n’importe quel intervalle est bien plus pertinent, car à eux seuls les intervalles engendrent une famille très riche de sous-ensembles deÊ, connue sous le nom de tribu borélienne. Comme dans le cas discret, la notion de variable aléatoire est stable par toutes les opérations classiques sur les fonctions : la combinaison linéaire, le produit, le minimum, le maximum de deux variables aléatoires X et Y sont encore des variables aléatoires. Outre le cas discret, un cas confortable de variable aléatoire à valeurs dansÊest celui de variable admettant une densité. Dans toute la suite, on restera volontairement évasif quant aux hypothèses précises sur cette densité, le bon cadre pour toutes ces notions étant celui de l’intégrale de Lebesgue, qui ne sera vu qu’en troisième année. Pour fixer les idées, on pourra par exemple se dire que f est continue par morceaux surÊ, ce qui sera le cas dans la plupart des exemples. Définition 3.2 (Variable à densité) Soit X une variable aléatoire à valeurs dansÊ. On dit que X est à densité, ou absolument continue, s’il existe une fonction f :Ê→Êvérifiant : 1. f ≥ 0, 2. +∞ −∞ f(x)dx = 1, et telle que pour tout intervalle I deÊ: È(X ∈ I) = Dans ce cas, f est appelée densité de X. I f(x)dx. Remarque. Notons d’emblée que si X admet une densité, alors la probabilité qu’elle prenne une valeur donnée x0 est nulle puisque : È(X = x0) =È(X ∈ [x0,x0]) = x0 x0 f(x)dx = 0. Interprétation. Bien que f(x0) soit positif pour tout x0, f(x0) n’est pas une probabilité : on peut en particulier avoir f(x0) > 1! Il n’empêche que si [x0−δ/2,x0+δ/2] est un “petit” intervalle centré en x0, la probabilité de tomber dans cet intervalle est : È(X ∈ [x0 −δ/2,x0 +δ/2]) = x0+δ/2 x0−δ/2 f(x)dx ≈ δf(x0). Autrement dit, à largeur d’intervalle δ fixée, X a d’autant plus de chances de tomber dans un intervalle centré en x0 que f(x0) est grand. Pratiquement, imaginons qu’on représente un très grand nombre de réalisations X1 = x1,...,Xn = xn tirées indépendamment suivant la même loi que X : la densité des Xi sera alors la plus élevée là où f prend ses plus grandes valeurs. Exemples : 1. Loi uniforme : conformément à ce qui vient d’être dit, une variable X se répartissant de façon uniforme dans le segment [0,1] est définie par la densité f = [0,1], c’est-à-dire f(x) = 1 si x ∈ [0,1] et f(x) = 0 sinon. On a bien d’une part f ≥ 0 et d’autre part : +∞ −∞ f(x)dx = 1 0 1dx = 1. Arnaud Guyader - Rennes 2 Probabilités
3.2. Fonction de répartition 117 Par ailleurs, pour tous points a ≤ b de [0,1], la probabilité de tomber entre a et b est : È(a ≤ X ≤ b) = b a f(x)dx = (b−a), donc ne dépend que de la longueur de l’intervalle, ce qui est bien conforme à l’intuition d’une variable uniforme : X a autant de chances de tomber dans [0,1/3] que dans [2/3,1]. On dit que X suit une loi uniforme sur le segment [0,1] et on note X ∼ U [0,1]. 2. Loi exponentielle : prenons maintenant f(x) = e−x si x ≥ 0 et f(x) = 0 si x < 0. Alors à nouveau f ≥ 0 et : +∞ −∞ f(x)dx = +∞ 0 e −x dx = −e −x +∞ 0 donc f définit bien une densité. Puisque f décroît à vitesse exponentielle vers 0 lorsque x tend vers l’infini (cf. figure 3.1 à gauche), on voit cette fois que X a plutôt tendance à prendre des valeurs petites. On dit qu’elle suit une loi exponentielle de paramètre 1 et on note X ∼ E(1). Figure 3.1 – Densité et fonction de répartition de la loi exponentielle de paramètre 1. 3.2 Fonction de répartition Comme dans le chapitre précédent, on peut définir très facilement la fonction de répartition d’une variable aléatoire absolument continue. Le lien entre intégrale et primitive en fait d’ailleurs un outil bien plus puissant que dans le cas discret. Définition 3.3 (Fonction de répartition) Soit X une variable aléatoire absolument continue, de densité f. La fonction de répartition de X est la fonction F définie par : F : Ê→Ê x ↦→ F(x) =È(X ≤ x) = x −∞f(t)dt. La fonction de répartition permet de calculer la probabilité de tomber dans n’importe quel intervalle, par exemple : È(0 < X ≤ 1) =È(0 < X < 1) =È(0 ≤ X ≤ 1) =È(0 ≤ X < 1) = Exemples : = 1, 1 0 f(t)dt = F(1)−F(0). Probabilités Arnaud Guyader - Rennes 2
- Page 70 and 71: 66 Chapitre 2. Variables aléatoire
- Page 72 and 73: 68 Chapitre 2. Variables aléatoire
- Page 74 and 75: 70 Chapitre 2. Variables aléatoire
- Page 76 and 77: 72 Chapitre 2. Variables aléatoire
- Page 78 and 79: 74 Chapitre 2. Variables aléatoire
- Page 80 and 81: 76 Chapitre 2. Variables aléatoire
- Page 82 and 83: 78 Chapitre 2. Variables aléatoire
- Page 84 and 85: 80 Chapitre 2. Variables aléatoire
- Page 86 and 87: 82 Chapitre 2. Variables aléatoire
- Page 88 and 89: 84 Chapitre 2. Variables aléatoire
- Page 90 and 91: 86 Chapitre 2. Variables aléatoire
- Page 92 and 93: 88 Chapitre 2. Variables aléatoire
- Page 94 and 95: 90 Chapitre 2. Variables aléatoire
- Page 96 and 97: 92 Chapitre 2. Variables aléatoire
- Page 98 and 99: 94 Chapitre 2. Variables aléatoire
- Page 100 and 101: 96 Chapitre 2. Variables aléatoire
- Page 102 and 103: 98 Chapitre 2. Variables aléatoire
- Page 104 and 105: 100 Chapitre 2. Variables aléatoir
- Page 106 and 107: 102 Chapitre 2. Variables aléatoir
- Page 108 and 109: 104 Chapitre 2. Variables aléatoir
- Page 110 and 111: 106 Chapitre 2. Variables aléatoir
- Page 112 and 113: 108 Chapitre 2. Variables aléatoir
- Page 114 and 115: 110 Chapitre 2. Variables aléatoir
- Page 116 and 117: 112 Chapitre 2. Variables aléatoir
- Page 118 and 119: 114 Chapitre 2. Variables aléatoir
- Page 122 and 123: 118 Chapitre 3. Variables aléatoir
- Page 124 and 125: 120 Chapitre 3. Variables aléatoir
- Page 126 and 127: 122 Chapitre 3. Variables aléatoir
- Page 128 and 129: 124 Chapitre 3. Variables aléatoir
- Page 130 and 131: 126 Chapitre 3. Variables aléatoir
- Page 132 and 133: 128 Chapitre 3. Variables aléatoir
- Page 134 and 135: 130 Chapitre 3. Variables aléatoir
- Page 136 and 137: 132 Chapitre 3. Variables aléatoir
- Page 138 and 139: 134 Chapitre 3. Variables aléatoir
- Page 140 and 141: 136 Chapitre 3. Variables aléatoir
- Page 142 and 143: 138 Chapitre 3. Variables aléatoir
- Page 144 and 145: 140 Chapitre 3. Variables aléatoir
- Page 146 and 147: 142 Chapitre 3. Variables aléatoir
- Page 148 and 149: 144 Chapitre 3. Variables aléatoir
- Page 150 and 151: ∈Ê 146 Chapitre 3. Variables al
- Page 152 and 153: 148 Chapitre 3. Variables aléatoir
- Page 154 and 155: 150 Chapitre 3. Variables aléatoir
- Page 156 and 157: 152 Chapitre 3. Variables aléatoir
- Page 158 and 159: 154 Chapitre 3. Variables aléatoir
- Page 160 and 161: 156 Chapitre 3. Variables aléatoir
- Page 162 and 163: 158 Chapitre 3. Variables aléatoir
- Page 164 and 165: 160 Chapitre 3. Variables aléatoir
- Page 166 and 167: 162 Chapitre 3. Variables aléatoir
- Page 168 and 169: 164 Chapitre 3. Variables aléatoir
3.2. Fonction de répartition 117<br />
Par ailleurs, pour tous points a ≤ b de [0,1], la probabilité de tomber entre a et b est :<br />
È(a ≤ X ≤ b) =<br />
b<br />
a<br />
f(x)dx = (b−a),<br />
donc ne dépend que de la longueur de l’intervalle, ce qui est bien conforme à l’intuition d’une<br />
variable uniforme : X a autant de chances de tomber dans [0,1/3] que dans [2/3,1]. On dit<br />
que X suit une loi uniforme sur le segment [0,1] et on note X ∼ U [0,1].<br />
2. Loi exponentielle : prenons maintenant f(x) = e−x si x ≥ 0 et f(x) = 0 si x < 0. Alors à<br />
nouveau f ≥ 0 et :<br />
+∞<br />
−∞<br />
f(x)dx =<br />
+∞<br />
0<br />
e −x dx = −e −x +∞<br />
0<br />
donc f définit bien une densité. Puisque f décroît à vitesse exponentielle vers 0 lorsque x tend<br />
vers l’infini (cf. figure 3.1 à gauche), on voit cette fois que X a plutôt tendance à prendre des<br />
valeurs petites. On dit qu’elle suit une loi exponentielle de paramètre 1 et on note X ∼ E(1).<br />
Figure 3.1 – Densité et fonction de répartition de la loi exponentielle de paramètre 1.<br />
3.2 Fonction de répartition<br />
Comme dans le chapitre précédent, on peut définir très facilement la fonction de répartition d’une<br />
variable aléatoire absolument continue. Le lien entre intégrale et primitive en fait d’ailleurs un<br />
outil bien plus puissant que dans le cas discret.<br />
Définition 3.3 (Fonction de répartition)<br />
Soit X une variable aléatoire absolument continue, de densité f. La fonction de répartition de X<br />
est la fonction F définie par :<br />
F :<br />
Ê→Ê x ↦→ F(x) =È(X ≤ x) = x<br />
−∞f(t)dt. La fonction de répartition permet de calculer la probabilité de tomber dans n’importe quel intervalle,<br />
par exemple :<br />
È(0 < X ≤ 1) =È(0 < X < 1) =È(0 ≤ X ≤ 1) =È(0 ≤ X < 1) =<br />
Exemples :<br />
= 1,<br />
1<br />
0<br />
f(t)dt = F(1)−F(0).<br />
<strong>Probabilités</strong> Arnaud Guyader - <strong>Rennes</strong> 2