Vous êtes sur la page 1sur 12

ENIS-DGIMA-G.I.

1 Probabilités : Vecteurs aléatoires 2020-2021

Chapitre IV : Vecteurs aléatoires

Table des matières


I Généralités 2

II Loi conjointe d’un vecteur aléatoire 2

III Fonction de répartition d’un vecteur aléatoire 3

IV Les lois marginales 4

V Loi Conditionnelle 6

VI Indépendance de variables aléatoires 7

VII Transformation d’un couple aléatoire 9


VII.1 Cas Discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
VII.2 Cas Continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

VIII
Covariance d’un couple aléatoire 11

Enseignante responsable: Mariem Tounsi -1-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

I Généralités

Définition 1
Soit (Ω, T ) un espace probabilisable. Un vecteur aléatoire sur Rn est une application mesurable

X : (Ω, T ) −→ (Rn , B(Rn ))

w 7−→ (X1 (w), ..., Xn (w)).


C’est-à-dire ∀B ∈ B(Rn ), X −1 (B) ∈ T .
On note X = (X1 , X2 , ..., Xn ).

Remarque 1
X = (X1 , X2 , ..., Xn ) est un vecteur aléatoire si et seulement si, ∀i, 1 ≤ i ≤ n, Xi est une variable
aléatoire.
Exemple 1
On lance un dé parfait numéroté de 1 à 6. Soit (X1 , X2 ) le couple de variable aléatoire défini par :
X1 (w) : est le reste de w modulo 3.
X2 (w) : est le reste de w modulo 2.
(X1 , X2 ) est un couple aléatoire à valeurs dans R2 , et on a alors :

X(Ω) = (X1 (Ω), X2 (Ω)) = ({0, 1, 2}, {0, 1})

II Loi conjointe d’un vecteur aléatoire

Définition 2
Soit X = (X1 , X2 , ..., Xn ) est un vecteur aléatoire. La loi de probabilité de X est l’application :

PX : B(Rn ) −→ [0, 1]
n
Xi−1 (Bi )).
\
B = (B1 , B2 , ..., Bn ) 7−→ PX (B) = P (
i=1

PX est aussi appelée loi conjointe de X = (X1 , X2 , ..., Xn ).

Enseignante responsable: Mariem Tounsi -2-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

Tableau Récapitulatif 1 :

Cas Discret Cas Continu


(X, Y ) est un couple aléatoire Discret (X, Y ) est un couple aléatoire Continu
X(Ω) = (xi )i∈I et Y (Ω) = (yj )j∈J . X(Ω) = I et Y (Ω) = J ; où I et J sont des intervalles
de R.
La loi conjointe de (X, Y ) est : (La loi = la densité) conjointe de (X, Y ) est :

P [X = xi , Y = yj ]; ∀xi ∈ X(Ω) f(X,Y ) (x, y); ∀x ∈ I, ∀y ∈ J.

et ∀yj ∈ Y (Ω).
On a : On a : Z Z
X X f(X,Y ) (x, y)dxdy = 1.
P [X = xi , Y = yj ] = 1. X(Ω) Y (Ω)

xi ∈X(Ω) yj ∈Y (Ω)

III Fonction de répartition d’un vecteur aléatoire

Définition 3
Soit X = (X1 , X2 , ..., Xn ) un vecteur aléatoire. La fonction de répartition de X, est
l’application :
n
n
\
FX : R −→ [0, 1]; x = (x1 , ..., xn ) 7−→ FX (x) = P [X1 ≤ x1 , ..., Xn ≤ xn ] = P [ (Xi ≤ xi )].
i=1

Propriétés 1
Soit (X, Y ) un vecteur aléatoire, alors
1. Pour tout y ∈ R fixé, l’application x 7→ F(X,Y ) (x, y) est croissante et continue à
droite en tout point de R.
2. Pour tout x ∈ R fixé, l’application y 7→ F(X,Y ) (x, y) est croissante et continue à
droite en tout point de R.
3. lim F(X,Y ) (x, y) = 0 et lim F(X,Y ) (x, y) = 1.
x→−∞ x→+∞
y→−∞ y→+∞

Enseignante responsable: Mariem Tounsi -3-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

Tableau Récapitulatif 2 :

Cas Discret Cas Continu


(X, Y ) est un couple aléatoire Discret (X, Y ) est un couple aléatoire Continu
X(Ω) = (xi )i∈I et Y (Ω) = (yj )j∈J . X(Ω) = I et Y (Ω) = J ; où I et J sont des intervalles
de R.
La fonction de répartition de (X, Y ) La fonction de répartition de (X, Y ) est :
est :
F(X,Y ) (x, y) = P [X ≤ x, Y ≤ y]
F(X,Y ) (x, y) = P [X ≤ x, Y ≤ y] Z x Z y
X X = f(X,Y ) (u, v)dudv.
= P [X = xi , Y = yj ]. −∞ −∞
xi ≤x yj ≤y

Remarque 2
Si (X, Y ) est un couple aléatoire absolument continu et si F(X,Y ) (x, y) est continue presque
partout sur R2 , on a alors :

∂ 2 F(X,Y )
∀(x, y) ∈ R2 ; (x, y) = f(X,Y ) (x, y).
∂x∂y

IV Les lois marginales

Définition 4
Soit (X, Y ) est un couple aléatoire. On appelle :
• Loi marginale de X, l’application

PX : B(R) → [0, 1]; B 7→ PX (B) = P(X,Y ) (B × R).

• Loi marginale de Y , l’application

PY : B(R) → [0, 1]; B 7→ PY (B) = P(X,Y ) (R × B).

• La fonction de répartition marginale de X, l’application

FX : R → [0, 1]; x 7→ FX (x) = P(X,Y ) [X ≤ x, Y < +∞].

• La fonction de répartition marginale de Y , l’application

FY : R → [0, 1]; y 7→ FY (y) = P(X,Y ) [X < +∞, Y ≤ y].

Enseignante responsable: Mariem Tounsi -4-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

Tableau Récapitulatif 3 :

Cas Discret Cas Continu


(X, Y ) est un couple aléatoire Discret (X, Y ) est un couple aléatoire Continu
X(Ω) = (xi )i∈I et Y (Ω) = (yj )j∈J . X(Ω) = I et Y (Ω) = J ; où I et J sont des intervalles
de R.
La loi marginale de X est : La (loi = densité) marginale de X est :
X Z
P [X = xi ] = P [X = xi , Y = yj ], fX (x) = f(X,Y ) (x, y)dy,
yj ∈Y (Ω) Y (Ω)

∀xi ∈ X(Ω). ∀x ∈ X(Ω).


La loi marginale de Y est : La (loi = densité) marginale de Y est :
X Z
P [Y = yj ] = P [X = xi , Y = yj ], fY (y) = f(X,Y ) (x, y)dx,
xi ∈X(Ω) X(Ω)

∀yj ∈ Y (Ω). ∀y ∈ Y (Ω).


La fonction de répartition marginale de La fonction de répartition marginale de X est :
X est : Z x Z
X X FX (x) = f(X,Y ) (u, y)dudy.
FX (x) = P [X = xi , Y = yj ]. −∞ Y (Ω)
xi ≤x yj ∈Y (Ω)

La fonction de répartition marginale de La fonction de répartition marginale de Y est :


Y est : Z Z y
X X FY (y) = f(X,Y ) (x, v)dxdv.
FY (y) = P [X = xi , Y = yj ]. X(Ω) −∞
xi ∈X(Ω) yj ≤y

Exemple 2
Dans certains accidents de la route, les chocs peuvent être classés schématiquement en chocs frontaux. Ces chocs
sont résumés par la variable aléatoire X qui prend les valeurs 0 et 1. La gravité de l’accident est décrite par la
variable aléatoire Y prenant les valeurs 1, 2 et 3. Une enquête réalisée, conduit au tableau suivant :

Y \X 0 1 loi marginale de Y

1 0.1 0.15 0.25


2 0.08 0.25 0.33
3 0.02 0.4 0.42
P
loi marginale de X 0.2 0.8 = 1.

Calculer les loi marginales et les fonctions de répartitions marginales de X et Y .

Enseignante responsable: Mariem Tounsi -5-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021


 

 0 si y < 1.
0 si x < 0.

 

 
si 1 ≤ y < 2.
 

 
 0.25
FX (x) = si 0 ≤ x < 1. et FY (y) = 
 0.2

 
 0.58 si 2 ≤ y < 3.
si x ≥ 1.
 
 1
 


1 si y ≥ 3.

Exemple 3
Soit le couple aléatoire (X, Y ) de fonction de répartition :

 0 si (x, y) ∈
/ D,

F(X,Y ) (x, y) = 2 2
 (1 − e − x2 − y2

)(1 − e ) si (x, y) ∈ D.

où D = {(x, y) ∈ R2 x ≥ 0, y ≥ 0}.
Déterminer la densité de probabilité de (X, Y ) puis les fonctions de répartitions marginales et les densités
marginales de X et de Y .

On trouve :
∂ 2 F(X,Y ) (x2 +y 2 )
∀(x, y) ∈ D; f(X,Y ) (x, y) = (x, y) = xye− 2 .
∂x∂y
x2 y2
FX (x) = 1 − e− 2 ; ∀ x ≥ 0 et FY (y) = 1 − e− 2 ; ∀ y ≥ 0.
x2 y2
fX (x) = xe− 2 ; ∀ x ≥ 0 et fY (y) = ye− 2 ; ∀ y ≥ 0.

V Loi Conditionnelle

Tableau Récapitulatif 4 :

Cas Discret Cas Continu


(X, Y ) est un couple aléatoire Discret (X, Y ) est un couple aléatoire Continu
X(Ω) = (xi )i∈I et Y (Ω) = (yj )j∈J . X(Ω) = I et Y (Ω) = J ; où I et J sont des
intervalles de R.
La loi Conditionnelle de X sachant Y = y est : La loi Conditionnelle de X sachant Y = y est :

P [X = xi , Y = y] f(X,Y ) (x, y)
P [X = xi | Y = y] = , fX|Y (x | y) = ,
P [Y = y] fY (y)

∀xi ∈ X(Ω) et pour P [Y = y] 6= 0. ∀x ∈ X(Ω) et pour fY (y) 6= 0.

Exemple 4
Reprenez les exemples 2. et 3. et déterminez la loi conditionnelle de Y sachant X = 1.

Enseignante responsable: Mariem Tounsi -6-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

Pour l’exemple 2, la loi conditionnelle de Y sachant X = 1 est :

yj P [Y = yj | X = 1]
1 0.15/0.8=0.1875
2 0.25/0.8=0.3125
3 0.4/0.8=0.5
P
1

Pour l’exemple 3, la loi conditionnelle de Y sachant X = 1 est :

f(X,Y ) (1, y) y2
fY |X (y | 1) = = ye− 2 , ∀y ≥ 0.
fX (1)

VI Indépendance de variables aléatoires

Définition 5
Soient X et Y deux variables aléatoires définies sur le même espace de probabilité (Ω, T , P ). On
dit que X et Y sont indépendants si :

∀B1 , B2 ∈ B(R), P [X −1 (B1 ) ∩ Y −1 (B2 )] = P [X −1 (B1 )] × P [Y −1 (B2 )].

C’est équivalent à :

∀B1 , B2 ∈ B(R), P(X,Y ) [(B1 × B2 )] = PX (B1 ) × PY (B2 ).

Enseignante responsable: Mariem Tounsi -7-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

Tableau Récapitulatif 5 :

On dit que les deux variables aléatoires X et Y sont indépendantes, si l’une des conditions suivantes
est vérifiée.

Cas Discret Cas Continu


(X, Y ) est un couple aléatoire Discret (X, Y ) est un couple aléatoire Continu
X(Ω) = (xi )i∈I et Y (Ω) = (yj )j∈J . X(Ω) = I et Y (Ω) = J ; où I et J sont des
intervalles de R.
P [X = xi , Y = yj ] = P [X = xi ] × P [Y = yj ]; f(X,Y ) (x, y) = fX (x) × fY (y); ∀x ∈ X(Ω) et ∀y ∈
∀xi ∈ X(Ω) et ∀yj ∈ Y (Ω). Y (Ω).
P [X = xi | Y = y] = P [X = xi ], ∀xi ∈ X(Ω). fX|Y (x | y) = fX (x), ∀x ∈ X(Ω).

F(X,Y ) (x, y) = FX (x) × FY (y); F(X,Y ) (x, y) = FX (x) × FY (y);


∀x ∈ X(Ω) et ∀y ∈ Y (Ω). ∀x ∈ X(Ω) et ∀y ∈ Y (Ω).

Comme exemple, on a trouvé dans l’exemple 3, la loi conditionnelle de Y sachant X = 1 est :


y2
fY |X (y | 1) = ye− 2 = fY (y), ∀y ≥ 0,

ce qui implique l’indépendance des deux variables aléatoires X et Y dans ce cas.


Remarque 3

Cas Discret Cas Continu


(X, Y ) est un couple aléatoire Discret (X, Y ) est un couple aléatoire Continu
X(Ω) = (xi )i∈I et Y (Ω) = (yj )j∈J . X(Ω) = I et Y (Ω) = J ; où I et J sont des
intervalles de R.
X X Z Z
1. E(X.Y ) = xi yj P [X = xi , Y = E(X.Y ) = x.yf(X,Y ) (x, y)dxdy.
R2
xi ∈X(Ω) yj ∈Y (Ω)
yj ].

E(g(X).h(Y )) E(g(X).h(Y ))
X X Z Z
= g(xi )h(yj )P [X = xi , Y = yj ]. = g(x).h(y)f(X,Y ) (x, y)dxdy.
xi ∈X(Ω) yj ∈Y (Ω) R2

2. Si X et Y sont indépendantes (continues ou discrètes), alors :

E(X.Y ) = E(X) × E(Y ).

et
E(g(X).h(Y )) = E(g(X)) × E(h(Y )).

Enseignante responsable: Mariem Tounsi -8-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

VII Transformation d’un couple aléatoire

VII.1 Cas Discret

Soient X et Y deux variables aléatoires telles que X(Ω) = (xi )i∈I et Y (Ω) = (yj )j∈J .
1. Somme : X + Y est une variable aléatoire discrète telle que :

(X + Y )(Ω) = {n ∈ Z/n = xi + yj , i ∈ I et yj ∈ J},

et X
P [X + Y = n] = P [X = xi , Y = yj ].
xi +yj =n

2. Produit : X.Y est une variable aléatoire discrète telle que :

(X.Y )(Ω) = {v ∈ Z/v = xi .yj , i ∈ I et yj ∈ J},

et X
P [X.Y = v] = P [X = xi , Y = yj ].
xi .yj =v

Applications :
1. Soient X et Y deux variables aléatoires indépendantes telles que X ∼ P(λ) et Y ∼ P(µ).
Déterminer la loi de X + Y .
2. Soient X et Y deux variables aléatoires indépendantes telles que X ∼ B(n, p) et Y ∼ B(m, p).
Déterminer la loi de X + Y .
Réponse :
1. Méthode 1 : On a (X + Y )(Ω) = N.
∀n ∈ N,
X
P [X + Y = n] = P [X = xi , Y = yj ]
xi +yj =n
Xn
= P [X = k, Y = n − k]
k=0
Xn
= P [X = k] × P [Y = n − k]
k=0
n
X e−λ λk e−µ µn−k
= ×
k=0 k! (n − k)!
e−(λ+µ) (λ + µ)n
= :
n!
C’est la loi de Poisson de paramètre λ + µ. Conclusion : X + Y ∼ P(λ + µ).
Méthode 2 : En utilisant la fonction génératrice de X + Y , on a GX+Y (z) = E[z X+Y ] =
E[z X ] × E[z Y ] = GX (z) × GY (z) = eλ(z−1) × eµ(z−1) = e(λ+µ)(z−1) : C’est la fonction Génératrice
du loi de Poisson de paramètre λ + µ. Conclusion : X + Y ∼ P(λ + µ).
2. On a (X + Y )(Ω) = {0, 1, ..., n + m}. La fonction génératrice du v.a X + Y est : GX+Y (z) =
E[z X+Y ] = E[z X ]×E[z Y ] = GX (z)×GY (z) = (1+p(z−1))n ×(1+p(z−1))m = (1+p(z−1))n+m :
C’est la fonction Génératrice du loi Binomiale de paramètres n + m et p. Conclusion : X + Y ∼
B(n + m, p).

Enseignante responsable: Mariem Tounsi -9-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

VII.2 Cas Continu

Théorème 1
Soit (X, Y ) un couple aléatoire absolument continu de densité de probabilité f(X,Y ) et φ : R2 → R2
un diffémorphisme de classe C 1 . Alors la densité de probabilité du couple (U, V ) = φ(X, Y ) est :

f(U,V ) (u, v) = f(X,Y ) ◦ φ−1 (u, v) | Jφ−1 (u, v) |,

Où | Jφ−1 | est la valeur absolue du déterminant du Jacobien de φ−1 .


Remarque : Jφ−1 = (Jφ ◦ φ−1 )−1 .

Applications : Soit (X, Y ) un couple aléatoire absolument continu de densité de probabilité f(X,Y ) .
1. La densité de probabilité de la somme X + Y est la fonction
Z +∞
fX+Y (u) = f(X,Y ) (u − v, v)dv.
−∞

En effet :
Soit la transformation : φ : R2 → R2 ; (X, Y ) 7−→ (U, V ) = (X + Y, Y ) un diffémorphisme de
classe C 1 . On a donc :
 

 u=x+y 
 x=u−v
=⇒ =⇒ φ−1 (u, v) = (u − v, v).
v = y. y = v.

 

D’après le Théorème 1, on obtient

f(X+Y,Y ) (u, v) = f(X,Y ) (u − v, v),

car | Jφ−1 (u, v) |= 1. On conclut que la densité marginale de X + Y est


Z +∞
fX+Y (u) = f(X,Y ) (u − v, v)dv.
−∞

2. Si on ajoute une autre hypothèse sur le premier point de l’application, c’est que X et Y sont
indépendantes, alors la densité de probabilité de X + Y est :
Z +∞
fX+Y (u) = fX (u − v)fY (v)dv = (fX ? fY )(u),
−∞

où fX et fY sont les densités de probabilités marginales et ? est le produit de convolution.


0 0
3. Si X ∼ N (m, σ) et Y ∼ N (m , σ ) sont indépendantes, alors :
q
0
X + Y ∼ N (m + m , σ 2 + σ 0 2 ).
q
0
X − Y ∼ N (m − m , σ 2 + σ 0 2 ).
En effet, pour démontrer ces deux points, on peut utiliser la fonction caractéristique car elle
caractérise la loi.

Enseignante responsable: Mariem Tounsi -10-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

1 2 2 0 1 02 2
ϕX+Y (t) = E[eit(X+Y ) ] = E[eitX ] × E[eitY ] = ϕX (t) × ϕY (t) = eimt− 2 σ t × eim t− 2 σ t =
0 1 2 02 2 0
e√i(m+m )t− 2 (σ +σ )t : C’est la fonction caractéristique
√ du loi Normale de paramètres m + m et
0
σ 2 + σ 0 2 . Conclusion : X + Y ∼ N (m + m , σ 2 + σ 0 2 ).
De même, on obtient ϕX−Y (t) = E[eit(X−Y ) ] = E[eitX ] × E[e−itY ] = ϕX (t) × ϕY (−t) =
1 2 2 0 1 02 2 0 1 2 02 2
eimt− 2 σ t ×e−im t− 2 σ t =√ei(m−m )t− 2 (σ +σ )t : C’est la fonction caractéristique du loi Normale
0 0 √
de paramètres m − m et σ + σ . Conclusion : X + Y ∼ N (m − m , σ + σ 0 2 ).
2 02 2

4. Si X ∼ γ(a, λ) et Y ∼ γ(b, λ) sont indépendantes, alors :

X + Y ∼ γ(a + b, λ).

En effet, pour démontrer ce point, on peut utiliser la fonction caractéristique car elle caractérise
la loi.
λ λ λ
ϕX+Y (t) = E[eit(X+Y ) ] = E[eitX ] × E[eitY ] = ϕX (t) × ϕY (t) = ( λ−it )a × ( λ−it )b = ( λ−it )a+b :
C’est la fonction caractéristique du loi Gamma de paramètres a + b et λ. Conclusion : X + Y ∼
γ(a + b, λ).

Théorème 2
(Théorème de Transfert) Soit (X, Y ) un couple aléatoire absolument continu de densité de pro-
babilité f(X,Y ) et φ : R2 → R2 . Alors : est :
Z Z
E(φ(X, Y )) = φ(x, y)f(X,Y ) (x, y)dxdy.
R2

En particulier,
E(X + Y ) = E(X) + E(Y ).

VIII Covariance d’un couple aléatoire

Définition 6
Soient X et Y deux variables aléatoires définies sur le même espace de probabilité (Ω, T , P ). On
appelle covariance de X et Y , la quantité losqu’elle existe :

Cov(X, Y ) = E[(X − E(X))(Y − E(Y ))].

Propriétés 2
1. Cov(X, Y ) = Cov(Y, X).
2. Soient a, b ∈ R et X1 , X2 et Y sont trois variables aléatoires :

Cov(aX1 + bX2 , Y ) = aCov(X1 , Y ) + bCov(X2 , Y ).

Enseignante responsable: Mariem Tounsi -11-


ENIS-DGIMA-G.I.1 Probabilités : Vecteurs aléatoires 2020-2021

3. Cov(X, X) = V (X).
4. Cov(X, Y ) = E(X.Y ) − E(X).E(Y )
5. Si X et Y sont indépendantes, alors Cov(X, Y ) = 0.

Remarque 4
Soient ai ∈ R ; ∀i = {1, 2, .., n} et (Xi )i={1,2,..,n} , sont n variables aléatoires, alors :
n n
a2i V (Xi ) + 2
X X X
V( ai X i ) = ai aj Cov(Xi , Xj ).
i=1 i=1 1≤i<j≤n

Si de plus, les Xi sont deux à deux indépendantes, alors :


n n
a2i V (Xi ).
X X
V( ai X i ) =
i=1 i=1

Définition 7
Soient X et Y deux variables aléatoires admettant, chacune, une espérance et une
variance non nulles. On appelle coefficient de corrélation linéaire de X et Y , le
réel :
Cov(X, Y )
r(X, Y ) = .
σ(X)σ(Y )

Remarque 5
• Numériquement, r(X, Y ) est compris dans [−1, 1].
• Si X et Y sont indépendantes, alors r(X, Y ) = 0.

Enseignante responsable: Mariem Tounsi -12-

Vous aimerez peut-être aussi