Résumé de cours ECG maths approfondies : variables à densité (2e année)

↩ Chapitre : Variables aléatoires à densité (ECG2)

L’essentiel des variables aléatoires à densité au programme officiel d’ECG, option mathématiques approfondies, 2e année (troisième semestre) : densité, moments, lois usuelles dont la loi \gamma, et densité d’une somme.

1. Généralités

  • Variable aléatoire : X:\Omega\to\mathbb R avec [X\leqslant x] événement pour tout x ; sa loi est caractérisée par F_X.
  • Espérance totale (X discrète, (A_n) système complet non négligeable) : E(X)=\displaystyle\sum_nE(X\,|\,A_n)P(A_n), sous réserve d’existence des E(X|A_n) et de convergence de \sum E(|X|\,|\,A_n)P(A_n).

2. Variables à densité

Densité

  • Densité de probabilité : f\geqslant0, continue sauf en un nombre fini de points, \displaystyle\int_{-\infty}^{+\infty}f=1.
  • X est à densité si F_X est continue sur \mathbb R et C^1 sauf en un nombre fini de points ; alors F_X(x)=\displaystyle\int_{-\infty}^xf_X.
  • Transformations : densité de aX+b, X^2, \varphi(X) (\varphi de classe C^1 strictement monotone) en passant par la fonction de répartition.

Moments

  • E(X)=\int xf_X(x)\,dx sous convergence absolue ; linéarité, croissance, domination.
  • Transfert : E(g(X))=\displaystyle\int_a^bg(t)f_X(t)\,dt si l’intégrale converge absolument (f_X nulle hors de ]a,b[).
  • X admet espérance et variance \iff E(X^2) existe ; V(X)=E(X^2)-E(X)^2.

3. Lois usuelles

À connaître par cœur

  • \mathcal U[a,b] : E=\dfrac{a+b}2, V=\dfrac{(b-a)^2}{12} ; X\hookrightarrow\mathcal U[0,1]\iff a+(b-a)X\hookrightarrow\mathcal U[a,b].
  • \mathcal E(\lambda) : f(t)=\lambda e^{-\lambda t} (t\geqslant0), E=\dfrac1\lambda, V=\dfrac1{\lambda^2} ; absence de mémoire ; X\hookrightarrow\mathcal E(1)\iff\dfrac X\lambda\hookrightarrow\mathcal E(\lambda).
  • \mathcal N(\mu,\sigma^2) : E=\mu, V=\sigma^2 ; aX+b est normale ; \dfrac{X-\mu}\sigma\hookrightarrow\mathcal N(0,1) ; \Phi(-x)=1-\Phi(x).
  • Loi \gamma(\nu) : f(t)=\dfrac{t^{\nu-1}e^{-t}}{\Gamma(\nu)} pour t>0, avec \Gamma(\nu)=\displaystyle\int_0^{+\infty}t^{\nu-1}e^{-t}\,dt. \Gamma(\nu+1)=\nu\Gamma(\nu), \Gamma(n+1)=n! ; E=V=\nu. Note : \gamma(1)=\mathcal E(1).

4. Vecteurs aléatoires et sommes

  • Loi de (X_1,\dots,X_n) : F(x_1,\dots,x_n)=P\left(\bigcap[X_i\leqslant x_i]\right) ; indépendance mutuelle \iff F=\prod F_{X_k} \iff P\left(\bigcap[X_i\in I_i]\right)=\prod P(X_i\in I_i) ; lemme des coalitions : si X_1,\dots,X_n sont mutuellement indépendantes, toute fonction de (X_1,\dots,X_m) est indépendante de toute fonction de (X_{m+1},\dots,X_n).
  • Covariance, \rho, V(X+Y)=V(X)+V(Y)+2\,\mathrm{Cov}(X,Y) : mêmes propriétés que dans le cas discret (admis).

Densité d’une somme indépendante

  • Convolution : si h(x)=\displaystyle\int_{-\infty}^{+\infty}f_X(t)f_Y(x-t)\,dt est définie et continue sauf en un nombre fini de points (c’est le cas si f_X est bornée), h est une densité de X+Y.
  • \gamma(\nu_1)+\gamma(\nu_2)=\gamma(\nu_1+\nu_2) ; somme de n lois \mathcal E(1) indépendantes : \gamma(n) (pour \mathcal E(\lambda), multiplier d’abord par \lambda).
  • Une somme de lois normales indépendantes est normale : \mathcal N(\mu_1,\sigma_1^2)+\mathcal N(\mu_2,\sigma_2^2)=\mathcal N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2).

5. Pièges classiques

  • Dans la convolution, les bornes réelles d’intégration viennent des supports : écrire où f_X(t)f_Y(x-t)\neq0.
  • Les stabilités par somme exigent l’indépendance.

Publications similaires