Proba Amphi 2

Construction d’une mesure de probabilité
Variables aléatoires
Exemples de lois de probabilité
Probabilité et variables aléatoires
Séance 2
CentraleSupélec - Cursus centralien
3 octobre 2017
1/21
Séance 2 Probabilité et variables aléatoires
De la modélisation de la turbulence vers de nouvelles

mathématiques...
2/21
Kolmogorov et les processus stochastiques
3/21
Exemples de mesure de probabilité
Mesure de probabilité sur
Deux exemples de mesure de probabilité sur (⌦, F)

1
X
1 Mesure discrète de support {an ; n 2 }:P= ↵n an , où
n=0
pour tout n 2 , an est la mesure de Dirac en an ;
1
X
8n, ↵n 0 et ↵n = 1.
n=0
2 La mesure P = f .µ, où
µ est une mesure sur (⌦, F)
et f : (⌦, F) ! ( + , B( + )) une application
Z mesurable,
sommable par rapport à µ et telle que f (x) µ(dx) = 1.
⌦
On a alors
Z
8A 2 F, P(A) = f (x) µ(dx).
A
4/21
ATTENTION
Direction interdite
Il serait une grave erreur de penser qu’une mesure de

probabilité P sur :
soit est discrète,P
i. e. de la forme n ↵n an ;
soit admet une densité par rapport à la mesure
de Lebesgue ,
i. e. de la forme f . , pour f Rune application
positive intégrable telle que f .d = 1.
5/21
Pour un espace d’état ⌦ non dénombrable

La définition d’une mesure de probabilité sur une tribu F est
impossible de manière directe (si F est trop grande).
6/21
Pour un espace d’état ⌦ non dénombrable

La définition d’une mesure de probabilité sur une tribu F est
impossible de manière directe (si F est trop grande).
On utilise alors la définition de F comme tribu engendrée par une

partie I ⇢ ⌦.
Comment définir une mesure de probabilité P : F ! [0, 1], à
partir des valeurs sur I ?
Conditions sur I : ⇡-système et algèbre de Boole.
6/21
Fonction de répartition
Définition 2.1.5 (Fonction de répartition)

Dans l’espace de probabilité ( , B( ), P), où B( ) est la tribu de
Borel de , la fonction de répartition de P est l’application
F : ! [0, 1]
x 7! F (x) = P(] 1, x]).
7/21
Définition 2.1.5 (Fonction de répartition)

Dans l’espace de probabilité ( , B( ), P), où B( ) est la tribu de
Borel de , la fonction de répartition de P est l’application
F : ! [0, 1]
x 7! F (x) = P(] 1, x]).
Théorème 2.1.6
Sur l’espace de probabilité ( , B( ), P), la mesure de probabilité
P est caractérisée par sa fonction de répartition F .
7/21
Théorème 2.1.7
Une fonction F est la fonction de répartition d’une mesure de
probabilité sur ( , B( )) si et seulement si les 3 conditions
suivantes sont vérifiées :
(i) F est croissante ;
(ii) F est continue à droite ;
(iii) limx! 1 F (x) = 0 et limx!+1 F (x) = 1.
8/21
Théorème 2.1.7
Une fonction F est la fonction de répartition d’une mesure de
probabilité sur ( , B( )) si et seulement si les 3 conditions
suivantes sont vérifiées :
(i) F est croissante ;
(ii) F est continue à droite ;
(iii) limx! 1 F (x) = 0 et limx!+1 F (x) = 1.
Proposition 2.1.8
Soit F la fonction de répartition d’une mesure de probabilité P sur
( , B( )). Pour tout réel x, on a
P ({x}) = F (x) F (x ).
8/21
Cas particulier : densité de probabilité

Définition 2.1.9 (Densité de probabilité)
R une application f : ! est positive, sommable et
Si
f (x).dx = 1, alors l’application
Z
F : x 7! F (x) = f (t). (dt)
] 1,x]
est la fonction de répartition d’une mesure de probabilité P sur

( , B( )). La fonction f est appelée densité de P.
9/21
Cas particulier : densité de probabilité

Définition 2.1.9 (Densité de probabilité)
R une application f : ! est positive, sommable et
Si
f (x).dx = 1, alors l’application
Z
F : x 7! F (x) = f (t). (dt)
] 1,x]
est la fonction de répartition d’une mesure de probabilité P sur

( , B( )). La fonction f est appelée densité de P.
Théorème 2.1.11
f : ! + Rborélienne est une densité de probabilité si et
seulement si f (x)dx = 1.
La mesure de probabilité est alors entièrement déterminée par f .
9/21
Construction d’une mesure de probabilité Loi d’une variable aléatoire
Variables aléatoires Intégration, moments
Exemples de lois de probabilité Moments d’ordre n > 1
Variable aléatoire
Définition 2.2.1
Soient (⌦, F, P) un espace de probabilité et E un espace muni
d’une tribu E. On appelle variable aléatoire à valeurs dans E
toute application mesurable X : ⌦ ! E , i. e. telle que
1
8A 2 E, X (A) 2 F.
10/21
Variable aléatoire
Définition 2.2.1
Soient (⌦, F, P) un espace de probabilité et E un espace muni
d’une tribu E. On appelle variable aléatoire à valeurs dans E
toute application mesurable X : ⌦ ! E , i. e. telle que
1
8A 2 E, X (A) 2 F.
Définition 2.2.3
Soit X : (⌦, F) ! (E , E) une variable aléatoire. La sous-tribu
X 1 (E) = X 1 (A); A 2 E de F est appelée tribu engendrée
par X , et est notée (X ).
10/21
Loi d’une variable aléatoire
Définition 2.2.4
Soit X : (⌦, F) ! (E , E) une variable aléatoire.
L’application PX : E ! [0, 1] telle que
1
8A 2 E, PX (A) = P({! : X (!) 2 A}) = P(X (A))
définit une mesure de probabilité sur l’espace (E , E), appelé

mesure image de P par X .
La mesure de probabilité PX est appelée distribution ou loi de X .
On note P(X 2 A) la quantité PX (A).
11/21
Z
Construction de IP (X ) = X (!) P(d!) pour une variable
⌦
aléatoire réelle X : (⌦, F) ! ( , B( )).
Pn
Pour X = i=1 ↵i 1Ai , où Ai 2 F et ↵i 2 + pour tout 1  i  n,
Z Xn
IP (X ) = X (!) P(d!) = ↵i P(Ai ).
⌦ i=1
Pour tout X : (⌦, F) ! ( , B( )) mesurable positive,

IP (X ) = sup {IP ('); ' étagée telle que '  X } .
Pour tout X : (⌦, F) ! ( , B( )) mesurable,

X 2 L1 (⌦, F, P) , IP (|X |) < +1.
On pose IP (X ) = IP (X + ) IP (X ) , où X + = max(X , 0) et

X = min(X , 0).
12/21
Définition 2.2.6
Z
Soit X une variable aléatoire réelle telle que |X (!)|.P(d!) < 1
⌦
(, X 2 L1 (⌦, F, P)).
On dit alors que X admet un moment d’ordre 1, et on pose
Z Z
E[X ] = X (!).P(d!) = X .dP
⌦ ⌦
La quantité E[X ] est appelée espérance (ou moyenne) de X .
13/21
Théorème 2.2.7
Soit (Xn )n2 une suite de variables aléatoires réelles sur (⌦, F, P).
Convergence monotone : Si Xn 0 pour tout n et Xn croı̂t
vers X p.s., alors
lim E[Xn ] = E[X ].

n!1
Lemme de Fatou : Si Xn 0 pour tout n, alors

h i
E lim inf Xn  lim inf E[Xn ].
n!1 n!1
Convergence dominée : Si limn!1 Xn = X p.s. et s’il existe

Z 2 L1 (⌦, F, P) telle que |Xn |  Z pour tout n, alors
lim E[Xn ] = E[X ].

n!1
14/21
Proposition 2.2.8 (Inégalité de Markov)

Soit X 2 L1 (⌦, F, P). Pour tout réel a > 0, on a
E[|X |]
P(|X | a)  .
a
15/21
Théorème 2.2.9 (Théorème de transfert)

Soit X : (⌦, F) ! (E , E) une variable aléatoire. La loi de X est la
mesure de probabilité PX sur (E , E) caractérisée par
Z
E[h(X )] = h(x) PX (dx)
E
pour toute application mesurable h : E ! bornée (ou telle que

h(X ) 2 L1 (⌦, F, P)).
16/21
Théorème 2.2.9 (Théorème de transfert)

Soit X : (⌦, F) ! (E , E) une variable aléatoire. La loi de X est la
mesure de probabilité PX sur (E , E) caractérisée par
Z
E[h(X )] = h(x) PX (dx)
E
pour toute application mesurable h : E ! bornée (ou telle que

h(X ) 2 L1 (⌦, F, P)).
Théorème 2.2.16
Soit X une v.a. réelle dont la loiR PX admet une densité fX , et soit
h : ! mesurable telle que |h(x)|fX (x)dx < 1.
Alors, la variable aléatoire h(X ) admet un moment d’ordre 1 et
Z
E[h(X )] = h(x) fX (x) (dx).
16/21
Définition 2.2.11
On dit qu’une v.a. réelle X sur un espace
Z de probabilité (⌦, F, P)
admet un moment d’ordre n 1 si |X (!)|n P(d!) < 1.
⌦
On note X 2 Ln (⌦, F, P).
17/21
Définition 2.2.11
On dit qu’une v.a. réelle X sur un espace
Z de probabilité (⌦, F, P)
admet un moment d’ordre n 1 si |X (!)|n P(d!) < 1.
⌦
On note X 2 Ln (⌦, F, P).
Proposition 2.2.12
Soient 0 < p < q.
On a l’inclusion Lq (⌦, F, P) ⇢ Lp (⌦, F, P), autrement dit, pour
toute v.a. réelle X sur (⌦, F, P),
Z Z
q
|X | dP < 1 ) |X |p dP < 1.
⌦ ⌦
17/21
Définition 2.2.13
Si X 2 L2 (⌦, F, P), alors on peut définir la variance de X
⇥ ⇤
Var(X ) = E[X 2 ] (E[X ])2 = E (X E[X ])2 .
p
La quantité Var(X ) est appelée écart-type de X .
18/21
Définition 2.2.13
Si X 2 L2 (⌦, F, P), alors on peut définir la variance de X
⇥ ⇤
Var(X ) = E[X 2 ] (E[X ])2 = E (X E[X ])2 .
p
La quantité Var(X ) est appelée écart-type de X .
Proposition 2.2.14
Pour tous réels a et b, Var(aX + b) = a2 Var(X ).
Pour tout réel a > 0, on a
Var(X )
P(|X E[X ]| a)  .
a2
C’est l’inégalité de Bienaymé-Tchebychev.
X est constante p.s. si et seulement si Var(X ) = 0.
18/21
Variable aléatoire constante

X est constante s’il existe c 2 tel que
P(X = c) = 1.
La loi PX est alors la distribution de Dirac c, E[X ] = c et

Var(X ) = 0.
19/21
Variable aléatoire constante

X est constante s’il existe c 2 tel que
P(X = c) = 1.
La loi PX est alors la distribution de Dirac c, E[X ] = c et

Var(X ) = 0.
Loi uniforme
X suit une loi uniforme sur [a, b] ⇢ si sa loi admet la densité de
probabilité f : ! définie par
⇢ 1
8x 2 , f (x) = b a si x 2 [a, b];
0 sinon.
19/21
Loi exponentielle
X suit une loi exponentielle E( ) ( > 0) si elle admet la densité
de probabilité f : !
⇢
e x si x 0;
8x 2 , f (x) =
0 sinon.
1 1
On a alors E[X ] = et Var(X ) = 2 .
20/21
Loi exponentielle
X suit une loi exponentielle E( ) ( > 0) si elle admet la densité
de probabilité f : !
⇢
e x si x 0;
8x 2 , f (x) =
0 sinon.
1 1
Loi gamma
X suit une loi gamma (p, ) (p > 0 et > 0) si sa densité est
(
p 1e x si x
8x 2 , f (x) = (p) ( x) 0;
0 sinon.
p p
20/21
Loi normale ou gaussienne

X suit une loi normale N (m, 2 ) ((m, ) 2 ⇥ + ) si elle admet
la densité de probabilité f : !

1 (x m)2
8x 2 , f (x) = p exp .
2⇡ 2 2
On a alors E[X ] = m et Var(X ) = 2.
21/21

Proba Amphi 2

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Proba Amphi 2

Enviado por

Direitos autorais:

Formatos disponíveis

Construction d’une mesure de probabilité

Probabilité et variables aléatoires

CentraleSupélec - Cursus centralien

De la modélisation de la turbulence vers de nouvelles

Kolmogorov et les processus stochastiques

Deux exemples de mesure de probabilité sur (⌦, F)

Il serait une grave erreur de penser qu’une mesure de

Pour un espace d’état ⌦ non dénombrable

Pour un espace d’état ⌦ non dénombrable

On utilise alors la définition de F comme tribu engendrée par une

Définition 2.1.5 (Fonction de répartition)

Définition 2.1.5 (Fonction de répartition)

Cas particulier : densité de probabilité

est la fonction de répartition d’une mesure de probabilité P sur

Cas particulier : densité de probabilité

est la fonction de répartition d’une mesure de probabilité P sur

Loi d’une variable aléatoire

définit une mesure de probabilité sur l’espace (E , E), appelé

On note P(X 2 A) la quantité PX (A).

Pour tout X : (⌦, F) ! ( , B( )) mesurable positive,

Pour tout X : (⌦, F) ! ( , B( )) mesurable,

On pose IP (X ) = IP (X + ) IP (X ) , où X + = max(X , 0) et

La quantité E[X ] est appelée espérance (ou moyenne) de X .

lim E[Xn ] = E[X ].

Lemme de Fatou : Si Xn 0 pour tout n, alors

Convergence dominée : Si limn!1 Xn = X p.s. et s’il existe

lim E[Xn ] = E[X ].

Proposition 2.2.8 (Inégalité de Markov)

Théorème 2.2.9 (Théorème de transfert)

pour toute application mesurable h : E ! bornée (ou telle que

Théorème 2.2.9 (Théorème de transfert)

pour toute application mesurable h : E ! bornée (ou telle que

Variable aléatoire constante

La loi PX est alors la distribution de Dirac c, E[X ] = c et

Variable aléatoire constante

La loi PX est alors la distribution de Dirac c, E[X ] = c et

Loi normale ou gaussienne

On a alors E[X ] = m et Var(X ) = 2.

Você também pode gostar