Théorème 3.40 (Décomposition de la loi d’une variable aléatoire)Soit X une variable aléatoire à valeurs dans R d de loi P X. Il existe alors une fonction borélienne positive f Xdéfinie sur R d (unique à une égalité λ d -presque partout près) <strong>et</strong> une unique mesure µ s positive singulièrepar rapport à la mesure de Lebesgue telle quedP X= f Xdλ d + dµ s ,c’est-à-dire telle que pour tout A ∈ B ( ∫R d) , P X(A) = f Xdλ d + µ s (A).ANous nous intéressons plus particulièrement au cas où la partie singulière est une mesure discrète.Proposition 3.41Soient F Xla fonction de répartition d’une variable aléatoire X <strong>et</strong> (x i ) i∈I, avec I = {1,... ,n} ou I = N ∗une famille strictement croissante de réels. Si la fonction F Xest C 1 sauf peut-être en x i , i ∈ I, alorsdP X= f Xdλ d + ∑ i∈Ip i dδ xiavec pour tout i ∈ I, p i = F X(x i ) − F X(xi−)le saut de la fonction FX en x i <strong>et</strong> f X= F ′ X λ d-presquepartout.Remarque 3.8 Sous les hypothèses de la proposition précédente, en général, f Xµ s = ∑ i∈I p i δ xi n’est pas une probabilité. En fait,1 = P X(R d) (= f Xdλ d + µ s R∫R d) .dn’est pas une densité <strong>et</strong>Exemple 3.7 Considérons la fonction F : R → R définie par⎧⎨ √0 si t < 0F(t) = t si t ∈ [0,1/4[⎩1 si t ∈ [1/4,+∞[.La fonction F étant croissante continue à droite telle que lim x→+∞ F(x) = 1 <strong>et</strong> lim x→−∞ F(x) = 0, il s’agitde la fonction de répartition d’une variable aléatoire réelle X. En appliquant la proposition précédente,avec f : R → R + définie par f(t) = 12 √ t 1 ]0,1/4[(t).dP X= f dλ 1 + 1 2 dδ 1/43.6 Lois marginales d’un vecteur aléatoireLorsque X est une variable aléatoire à valeurs dans un espace produit, nous pouvons nous intéresser à laloi de ses coordonnées.Définition 3.42 (Lois marginales)Soit X = (X 1 ,... ,X d ) une variable aléatoire à valeurs dans R d . La loi de la variable aléatoire X i estappelée loi marginale de la ième composante.70
Nous commençons par étudier le cas des vecteurs aléatoires de loi absolument continue.Proposition 3.43 (Lois marginales d’un vecteur absolument continu)Si X = (X 1 ,X 2 ) est un vecteur aléatoire à valeurs dans R 2 de loi absolument continue ayant pour densitéla fonction f X, alors X 1 (respectivement X 2 ) adm<strong>et</strong> une densité f X1(respectivement f X2), avec∫∫∀x ∈ R, f X1(x) = f(x,y)λ 1 (dy) <strong>et</strong> ∀y ∈ R, f X2(y) = f(x,y)λ 1 (dx).RRPreuve de la proposition 3.43. Par symétrie il suffit de montrer que f 1 est la densité de X 1 .D’après le théorème de Fubini, l’application f 1 est mesurable (ou borélienne) <strong>et</strong> positive. De plus,∫∀A ∈ B(R), P X1(A) = P(X 1 ∈ A) = P((X 1 ,X 2 ) ∈ A × R) = 1 A (x 1 )f X(x 1 ,x 2 )λ 1 (dx 1 )λ 1 (dx 2 ).Alors, d’après le théorème de Fubini, pour tout A ∈ B(R),∫ (∫) ∫P X1(A) = 1 A (x 1 ) f X(x 1 ,x 2 )λ 1 (dx 2 ) λ 1 (dx 1 ) =RRRR1 A (x 1 )f X1(x 1 )λ 1 (dx 1 ). Remarque 3.9 La réciproque est fausse : si X 1 <strong>et</strong> X 2 sont des variables aléatoires réelles absolument continues,alors (X 1 ,X 2 ) n’est pas nécessairement un vecteur aléatoire de loi absolument continue.Intéressons-nous à présent au cas des vecteurs discr<strong>et</strong>s. Remarquons tout d’abord qu’un vecteur aléatoireX = (X 1 ,X 2 ) est discr<strong>et</strong> si <strong>et</strong> seulement si X 1 <strong>et</strong> X 2 sont des variables discrètes.Proposition 3.44 (Lois marginales d’un vecteur discr<strong>et</strong>)Soit X 1 (respectivement X 2 ) est une variable aléatoire discrète à valeurs dans {(x i ) /i ∈ I} (respectivement{y j /j ∈ J}). Nous supposons que les (x i ) i∈Isont deux à deux distincts <strong>et</strong> que les (y j ) j∈Jsontaussi deux à deux distincts. Alors (X 1 ,X 2 ) est un vecteur aléatoire discr<strong>et</strong> de loi donnée parp i,j = P(X 1 = x i ,X 2 = y j ), ∀i ∈ I, ∀j ∈ J.De plus, la variable aléatoire X 1 est discrète à valeurs dans {x i /i ∈ I} <strong>et</strong> de loi donnée parp i,· = P(X 1 = x i ) = ∑ j∈Jp i,j , ∀i ∈ I.De même, X 2 est une variable aléatoire discrète à valeurs dans {y j /j ∈ J} <strong>et</strong> de loi donnée parp·,j = P(X 2 = y j ) = ∑ i∈Ip i,j , ∀j ∈ J.Remarque 3.10 Les résultats précédents se généralisent aisément au vecteur aléatoire X = (X 1 ,...,X d ) àvaleurs dans R d , d 3. On peut ainsi donner les lois des marginales X i . Mais, on peut aussi déterminer, defaçon analogue, la loi de tout vecteur ( X i1 ,... ,X ip)à valeurs dans R p , 1 p d.71
- 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 and 58: 2. Par ailleurs, pour tous réels a
- Page 59 and 60: Preuve de la proposition 3.13. Nous
- 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: Proposition 3.38Soient X une variab
- 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