Généralisons la notion de fonction de répartition aux variables aléatoires à valeurs dans R d .Définition 3.11Soit (Ω, A, P) un espace de probabilité. Pour tout entier 1 i d, considérons X i : (Ω, A, P) → (R, B(R))une variable aléatoire. Notons P Xla loi de X = (X 1 ,... ,X d ). La fonction de répartition de X estla fonction F X: R d → [0,1] définie par( d) (⋂d∏)∀(t 1 ,... ,t d ) ∈ R d , F X(t 1 ,... ,t d ) = P {X i t i } = P X− ∞,t i ] .i=1]i=1Remarque 3.5 La proposition 3.10 reste vraie pour des variables à valeurs dans R d .3.3 Variables aléatoires <strong>et</strong> lois discrètes3.3.1 Définitions <strong>et</strong> premières propriétésDéfinition 3.12 (Variable aléatoire discrète)Une variable aléatoire X définie sur l’espace de probabilité (Ω, A, P) est dite discrète si il existe unensemble S fini ou dénombrable tel queX ∈ S P-presque sûrement,c’est-à-dire si P-presque sûrement, X prend un nombre fini ou dénombrable de valeurs.En fait, une variable aléatoire est discrète si <strong>et</strong> seulement si sa loi est une mesure discrète.Proposition 3.13 (Lien variables aléatoires discrètes/mesures discrètes)Soit (E, E) un ensemble probabilisable. Supposons que E = B(E) ou E = P(E) <strong>et</strong> considéronsS = {x i /i ∈ I} ⊂ Eun ensemble fini ou dénombrable. Supposons x i ≠ x j pour tous i,j ∈ I tels que i ≠ j.1. Considérons (Ω, A, P) un espace de probabilité <strong>et</strong> supposons que X : (Ω, A) → (E, E) est unevariable aléatoire à valeurs P-presque sûrement dans l’ensemble S. Pour tout i ∈ I, posonsp i = P X({x i }) = P(X = x i ). (3.4)Alors pour tout i ∈ I, p i 0 <strong>et</strong> ∑ i∈Ip i = 1. De plus, la loi de X est la mesure discrète P X= ∑ i∈Ip i δ xi .2. Réciproquement, si (p i ) i∈Iest une famille de réels vérifiant∑∀i ∈ I, p i 0 <strong>et</strong> p i = 1,alors il existe un espace de probabilité (Ω, A, P) <strong>et</strong> une variable aléatoire X : (Ω, A) → (E, E) àvaleurs dans S <strong>et</strong> vérifiant (3.4) pour tout i ∈ I. De plus, la loi de la variable aléatoire X estP X= ∑ i∈Ii∈Ip i δ xi .56
Preuve de la proposition 3.13. Nous pouvons supposer que I = {1,... ,n} ou N ∗ .1. Soit X : (Ω, A) → (E, E) une variable aléatoire à valeurs P-presque sûrement dans l’ensemble S.Supposons que p i est défini par (3.4).• La mesure P X étant positive, p i 0 pour tout i ∈ I. De plus, ∑ i∈Ip i = P X (S) = 1.• Étant donné que P X (S) = P(X ∈ S) = 1, P X (Sc ) = P(X ∈ S c ) = 0. Alors,∀B ∈ E, P X(B ∩ S c ) = P(X ∈ B ∩ S c ) = 0par croissance de P X. Par suite, par additivité de P X,∀B ∈ E, P X(B) = P X(B ∩ S) + P X(B ∩ S c ) = P X(B ∩ S).Par ailleurs, pour tout B ∈ E, les ensembles B ∩ {x i }, i ∈ I, sont des éléments de la tribu E (car Econtient les singl<strong>et</strong>ons <strong>et</strong> B) deux à deux disjoints <strong>et</strong>B ∩ S = ⋃ i∈IB ∩ {x i }.Alors, par additivité (respectivement σ-additivité) de P Xsi I est fini (respectivement si I est infinidénombrable),∀B ∈ E, P X(B) = ∑ P X(B ∩ {x i }) = ∑ p i δ xi (B)i∈Ii∈Iavec p i défini par (3.4). Par suite, P X= ∑ i∈Ip i δ xi .2. Soit (p i ) i∈Iune famille de réels telle que∀i ∈ I, p i 0 <strong>et</strong> telle que ∑ i∈Ip i = 1.Posons Ω = [0,1] <strong>et</strong> supposons que P = λ 1 est la mesure de Lebesgue sur [0,1]. ConsidéronsX = x 1 1 [0,p1 ] + ∑j∈I\{1}x i 1 ]p1 +···+p i−1 ,p 1 +···+p i ]. (3.5)Notons que X est bien définie sur [0,1] car les p i sont positifs <strong>et</strong> de somme égale à 1. De plus, Xest une fonction étagée donc une variable aléatoire. Les x i étant deux à deux distincts,<strong>et</strong> pour tout i ∈ I\{1},P(X = x 1 ) = λ 1 ([0,p 1 ]) = p 1⎛⎡∑i−1P(X = x i ) = λ 1⎝⎣p j ,j=1⎡⎞i∑p j⎣⎠ = p iDe plus, X prend bien ses valeurs dans S = {x i /i ∈ I}. La variable X vérifiant les hypothèsesde l’assertion 1. <strong>et</strong> les p i , i ∈ I, étant donnés par (3.4), la loi de X est bien la mesure discrèteP X= ∑ p i δ xi .i∈Ij=1Réécrivons le théorème du transport pour une variable aléatoire discrète.57
- Page 1:
Année 2009-2010Intégration et Pro
- Page 6 and 7:
Remarque 1.1 En probabilités, un e
- Page 8 and 9: Remarque 1.3 Une tribu étant stabl
- Page 10 and 11: Exemple 1.4 Soient (Ω, A) un espac
- Page 12 and 13: Preuve de la proposition 1.15. Éta
- Page 14 and 15: Donnons à présent la mesure d’u
- Page 16 and 17: 1.3.2 Un exemple : les fonctions é
- Page 18 and 19: Preuve de la proposition 1.29.• S
- Page 20 and 21: Remarque 1.21 Soit (Ω, A,µ) un es
- Page 22 and 23: 1. Montrons que µ est bien défini
- Page 24 and 25: • Supposons I fini. Nous pouvons
- Page 26 and 27: D’après (i), (ii), (iii) et (iv)
- Page 28 and 29: Exemple 2.1∫1. Supposons que µ =
- Page 30 and 31: Nous pouvons donc considérer une s
- Page 32 and 33: 2.1.3 Intégrale d’une fonction d
- Page 34 and 35: 2.2 Propriétés générales de l
- Page 36 and 37: Nous pouvons énoncer une propriét
- Page 38 and 39: • Étant donné que pour tout n
- Page 40 and 41: Alors, A ∈ A et A c ∈ A car les
- Page 42 and 43: Nous pouvons prolonger F i en une f
- Page 44 and 45: Proposition 2.27 (Riemann-intégrab
- Page 46 and 47: 2.5.3 L’essentiel de la section 2
- Page 48 and 49: • Fixons n ∈ N. Notons que par
- Page 51 and 52: Chapitre 3Loi d’une variable alé
- Page 53 and 54: 3.2 Mesure image et loi d’une var
- Page 55 and 56: De plus, (ϕ n ◦ X) n∈N est une
- Page 57: 2. Par ailleurs, pour tous réels a
- Page 61 and 62: ••2. Soit F : R → R une fonct
- Page 63 and 64: 3.4 Variables aléatoires et lois a
- Page 65 and 66: La fonction borélienne f étant po
- Page 67 and 68: 3.4.3 Changement de variablesNous n
- Page 69 and 70: Proposition 3.33 (Fonction de répa
- Page 71 and 72: Proposition 3.38Soient X une variab
- Page 73 and 74: Nous commençons par étudier le ca
- Page 75 and 76: Chapitre 4Espaces L p et L pDans ce
- Page 77 and 78: Définition 4.3 (Espace L ∞ (Ω,
- Page 79 and 80: Terminons cette section en remarqua
- Page 81 and 82: Dans le cas où µ est une mesure b
- Page 83 and 84: Par suite,‖f + g‖ p p (‖f‖
- Page 85 and 86: Cette propriété est une conséque
- Page 87 and 88: 4.3 Espaces L p et L p sur un espac
- Page 89 and 90: 4.3.2 InégalitésCommençons par r
- Page 91 and 92: 4.4 Annexes4.4.1 Annexe : Preuve du
- Page 93 and 94: Étudions à présent les moments d
- Page 95 and 96: Annexe AClasses monotonesDe nombreu
- Page 97 and 98: Ce théorème permet de montrer que
- Page 99 and 100: Annexe BIntégrales dépendant d’
- Page 101 and 102: Loi de la v.a. X P X Espérance Var
- Page 103: Bibliographie[1] Barbe, P. et Ledou