Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2
Introduction aux Probabilités - Université Rennes 2
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
66 Chapitre 2. Variables aléatoires discrètes<br />
<br />
Preuve. Par définition, la variable aléatoire X admet une espérance si et seulement si la série<br />
i∈I xipi est absolument convergente, c’est-à-dire si et seulement si la série <br />
i∈I |xi|pi est conver-<br />
gente. Or |X| est la variable aléatoire prenant les valeurs (|xi|i∈I) avec les probabilités (pi)i∈I.<br />
Donc elle admet une espérance si et seulement si la série <br />
i∈I |xi|pi est (absolument) convergente.<br />
L’équivalence entre l’existence de E[X] et celle de E[|X|] est donc claire. Si cette existence est<br />
assurée, il suffit alors de remarquer que :<br />
∀ω ∈ Ω X(ω) ≤ |X(ω)|<br />
et d’appliquer la propriété de positivité de l’espérance pour en déduire que E[X] ≤ E[|X|].<br />
Remarque. Le raisonnement ci-dessus montre de façon plus générale que si |X| ≤ Y et si Y admet<br />
une espérance, alorsX aussi etE[X] ≤ E[Y]. Ce passage par un majorant est aussi d’usage constant<br />
en analyse, pour justifier la convergence de séries numériques et celle d’intégrales généralisées.<br />
2.3.2 Variance<br />
Nous avons dit que l’espérance est une mesure de tendance centrale. Nous allons définir maintenant<br />
une mesure de dispersion autour de cette valeur centrale : la variance.<br />
Définition 2.5 (Variance & Ecart-type)<br />
Soit X une variable aléatoire discrète admettant une espérance E[X]. La variance de X est définie<br />
par :<br />
Var(X) = E[(X −E[X]) 2 ] = <br />
(xi −E[X]) 2 pi,<br />
sous réserve de convergence de cette série. On appelle alors écart-type, noté σ(X), la racine de la<br />
variance : σ(X) = Var(X).<br />
Puisque la série <br />
i∈I (xi −E[X]) 2pi est à termes positifs, absolue convergence équivaut à convergence.<br />
A nouveau, lorsque X ne prend qu’un nombre fini de valeurs, la variance est toujours définie.<br />
Interprétation. De façon générale, la variance d’une variable mesure la moyenne des carrés<br />
des écarts à sa moyenne. Ainsi, plus la loi d’une variable est étalée autour de sa moyenne,<br />
plus sa variance est grande. D’autre part, si X représente une grandeur physique (donc ayant une<br />
dimension, par exemple une durée), alors l’écart-type a la même dimension que X, tandis que la<br />
variance a cette dimension au carré, ce qui la rend moins parlante en pratique. Le terme écart-type<br />
est d’ailleurs à comprendre au sens “écart typique” d’une variable à sa moyenne. Nous y reviendrons<br />
plus loin.<br />
Exemples :<br />
1. Lancer d’un dé : nous avons vu que E[X] = 0, sa variance vaut :<br />
i∈I<br />
Var(X) = (−1−0) 2 × 1<br />
2 +(1−0)2 × 1<br />
= 1.<br />
2<br />
2. Lancer de deux dés : l’espérance de la somme X des deux dés est E[X] = 7 et sa variance<br />
est :<br />
Var[X] = (2−7) 2È(X = 2)+···+(12−7) 2È(X = 12) = ...(petit calcul)··· = 35<br />
6 ,<br />
et son écart-type vaut donc σ(X) =<br />
35<br />
6<br />
≈ 2,4.<br />
Arnaud Guyader - <strong>Rennes</strong> 2 <strong>Probabilités</strong>