Espérance et variance d`une variable aléatoire
Transcription
Espérance et variance d`une variable aléatoire
Chapitre 11 Espérance et variance d’une variable aléatoire continue Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Espérance d’une variable continue Rappel : Dans le cas d’une variable discrète, l’espérance est définie par n X E(X ) = X (ωi )P(ωi ) i=1 Ce concept peut être étendu au cas de variables continues Definition Soit X une vabiable aléatoire continue de densité f . L’espérance de X est alors définie par l’intégrale Z +∞ µ = E(X ) = xf (x)dx −∞ Z +∞ |x|f (x)dx < +∞ Remarque E(X ) existe si −∞ Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Variance d’une variable continue En utilisant le fait que, Théorème Si X est une v.a. continue et φ : R → R, alors Z +∞ E(φ(X )) = φ(x)f (x)dx −∞ si cette intégrale existe on a ensuite comme dans le cas discrêt : Definition σ 2 = Var(X ) = E (X − µ)2 = E(X 2 ) − [E(X )]2 Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Le cas de la distribution uniforme Si X ∼ U(a, b) alors : Z +∞ Z E(X ) = xf (x)dx = −∞ 2 = E X2 = Var(X ) = = = b a 2 b 1 1 x x dx = b−a b−a 2 a 2 b −a a+b = le centre de [a,b] 2(b − a) 2 Z b b 3 − a3 b 2 + ab + a2 1 x 2 dx = = b−a a 3(b − a) 3 2 2 2 a + ab + b (a + b) − 3 4 4(a2 + ab + b 2 ) − 3(a2 + 2ab + b 2 ) 12 a2 − 2ab + b 2 (b − a)2 = 12 12 Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Le cas de la distribution normale Si X ∼ N (µ, σ) 1 E(X ) = √ 2πσ 2 Z +∞ xe − (x−µ)2 2σ 2 dx −∞ En notant y ≡ x − µ, on obtient Z +∞ Z +∞ 2 y2 1 µ − y2 E(X ) = √ y e 2σ dy + √ e − 2σ2 dy 2πσ 2 −∞ 2πσ 2 −∞ Z +∞ y2 1 √ Or, par définition de la densité e − 2σ2 dy = 1 2πσ 2 −∞ Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance y2 Par ailleurs, y e − 2σ2 étant une fonction impaire : Z +∞ y2 y e − 2σ2 dy = 0 −∞ Ainsi, Théorème Si X ∼ N (µ, σ), alors E(X ) = µ Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Afin de calculer la variance d’une distribution normale, il est utile d’utiliser la fonction génératrice des moments. Definition La fonction génératrice des moments d’une variable aléatoire X s’écrit MX (t) = E(e tX ) En posant t = 0, elle nous permet de générer tout les moments de la variable X : 0 0 MX (t) = E Xe tX ⇒ MX (0) = E(X ) 00 00 MX (t) = E X 2 e tX ⇒ MX (0) = E(X 2 ) ... ⇒ Renaud Bourlès - École Centrale Marseille (n) MX (0) = E(X n ) Mathématiques pour la finance Dans le cas de la distribution normale : Z +∞ Z +∞ tx MX (t) = e fX (x)dx = e tx fX (x)dx −∞ −∞ Z +∞ Z +∞ (x−µ)2 (x−µ)2 1 1 √ e − 2σ2 dx = e − 2σ2 +tx dx = e tx √ 2πσ 2 2πσ 2 −∞ −∞ h i (x−µ)2 1 2 2 Or,− 2σ2 + tx = − 2σ2 (x − µ) − 2σ tx = h i − 2σ1 2 x 2 − 2(µ + σ 2 t)x + µ2 = h i − 2σ1 2 x 2 − 2(µ + σ 2 t)x + (µ + σ 2 t)2 − (µ + σ 2 t)2 + µ2 = 2 2 [x−(µ+σ2 t )] [x−(µ+σ2 t )] σ 4 t 2 +2µσ 2 t σ2 t 2 − + =− + µt + 2 2σ 2 2σ 2 2σ 2 Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Ainsi, MX (t) = e 2 2 µt+ σ 2t Z +∞ √ −∞ 1 − [x−(µ+σ2 t )] 1 2πσ 2 2 e − [x−(µ+σ2 t )] 2σ 2 2 Or, √ e dx est la densité de N (µ + σ 2 t, σ). 2 2πσ 2 Z +∞ [x−(µ+σ2 t )] 1 − 2σ 2 √ Donc e =1 2πσ 2 −∞ 2σ 2 Et MX (t) = e µt+ σ2 t 2 2 σ2 t 2 0 Alors MX (t) = e µt+ 2 (µ + σ 2 t). 0 On retrouve donc E(X ) = MX (0) = µ 00 σ2 t 2 Par ailleurs, MX (t) = e µt+ 2 [(µ + σ 2 t)2 + σ 2 ] 00 Donc E(X 2 ) = MX (0) = µ2 + σ 2 Ainsi Var(X ) = E(X 2 ) − [E(X )]2 = σ 2 Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Donc la signification des paramètre de la loi N (µ, σ) est la suivante : µ est la moyenne de X σ est l’écart-type de X Definition Une variable X ∼ N (0, 1) est appelée variable normale (ou gaussienne) centrée-réduite (en anglais ”standard normal”) x2 1 Dans ce cas, f (x) = √ e − 2 . 2π Et la fonction de distribution s’écrit : Z x y2 1 √ e − 2 dy Φ(x) = 2π −∞ Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance On ne peut pas calculer cette intégrale explicitement mais on peut le faire numériquement avec une précision arbitraire. Cette fonction Φ(x) est implémentée dans les routines standards des logiciels mathématiques (Mathlab, VBA,...). En ce sens, elle n’est pas plus compliquée que sin(x) Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Cette distribution est primordiale car elle permet de retrouver n’importe quelle distribution normale Théorème Si X ∼ N (µ, σ) alors Y ≡ X −µ σ ∼ N (0, 1) Démonstration : FY (x) = P(Y ≤ x) = P( X σ−µ ≤ x) = P(X ≤ σx + µ) = FX (σx + µ) 0 0 fY (x) = FY (x) = σFX (σx + µ) = σfx (σx + µ) ((σx+u)−µ)2 x2 1 1 = σ√ e − 2σ2 = √ e− 2 2π 2πσ 2 ⇒ Y ∼ N (0, 1) Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance Corollaire La fonction de distribution de N (µ, σ) peut être exprimée de la manière suivante x −µ F(µ,σ) (x) = Φ σ Par conséquent, il suffit de connaı̂tre (savoir calculer) la fonction de distribution de N (0, 1) pour pouvoir calculer Fµ,σ (x) ∀µ, σ. La relation correspondante pour les densités est : 1 x −µ f(µ,σ) = f(0,1) σ σ Renaud Bourlès - École Centrale Marseille Mathématiques pour la finance