Vous êtes sur la page 1sur 24

MOOC Statistique pour ingénieur

Thème 1 : Notions de probabilités


Vidéo 2 : Couples de variables aléatoires

Christelle Garnier
Institut Mines-Télécom
Télécom Lille

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Introduction

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Sommaire

1 Loi conjointe et lois marginales

2 Indépendance, covariance et corrélation

3 Somme de 2 variables aléatoires

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Couple de variables aléatoires
Définition
On appelle couple de variables
aléatoires (v.a.) une application Z :

Ω −−−→ R2
ω 7−−−→ (X(ω), Y(ω))

où X et Y sont des v.a. définies sur Ω.


On note Z = (X, Y).

• Couples de v.a. discrètes


• Couples de v.a. continues

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Loi conjointe
• Cas discret

Définition
La loi conjointe d’un couple (X, Y) de v.a. discrètes est définie par :
• l’ensemble des valeurs possibles du couple : {(xi , yj ), i ∈ I, j ∈ J},
• et les probabilités associées :
pi,j = PX,Y (xi , yj ) = P ((X, Y) = (xi , yj )) = P ({X = xi } ∩ {Y = yj }).

X\Y y1 … yj …
x1 p1,1 … p1,j … ∀i ∈ I, ∀j ∈ J pi,j ≥ 0
… … … … … ∑∑
pi,j = 1
xi pi,1 … pi,j … i∈I j∈J
… … … … …
MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités
Loi conjointe
• Cas continu

Définition
La loi conjointe d’un couple (X, Y) de v.a. conjointement continues est définie
par une densité de probabilité fX,Y (x, y) telle que :
• ∀(x, y) ∈ R2 fX,Y (x, y) ≥ 0,
∫∫
• f (x, y) dx dy = 1 .
R2 X,Y

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Loi conjointe
• Cas continu
Exemple : Densité conjointe d’un couple Gaussien (X, Y) formé par le poids
et la longueur des pièces fabriquées sur une chaîne de production.

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Lois marginales
• Cas discret

Définition
X\Y • Loi de X :
y1 … yj … ∑
x1 p1,1 … p1,j … ∀i ∈ I, PX (xi ) = pi,j
j∈J
… … … … …
xi pi,1 … pi,j …
… … … … …

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Lois marginales
• Cas discret

Définition
X\Y • Loi de X :
y1 … yj … ∑
x1 p1,1 … p1,j … ∀i ∈ I, PX (xi ) = pi,j
j∈J
… … … … … • Loi de Y :
xi pi,1 … pi,j … ∑
∀j ∈ J, PY (yj ) = pi,j
… … … … … i∈I

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Lois marginales
• Cas continu

Définition
• Densité de X : ∫
∀x ∈ R fX (x) = R fX,Y (x, y)dy

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Lois marginales
• Cas continu

Définition
• Densité de X : ∫
∀x ∈ R fX (x) = R fX,Y (x, y)dy

• Densité de Y : ∫
∀y ∈ R fY (y) = f (x, y)dx
R X,Y

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Sommaire

1 Loi conjointe et lois marginales

2 Indépendance, covariance et corrélation

3 Somme de 2 variables aléatoires

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Indépendance
Définition
• Deux v.a. discrètes X et Y sont indépendantes ssi :

∀i ∈ I, ∀j ∈ J PX,Y (xi , yj ) = PX (xi )PY (yj )

• Deux v.a. conjointement continues X et Y sont indépendantes ssi :

∀(x, y) ∈ R2 fX,Y (x, y) = fX (x)fY (y)

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Covariance et corrélation
Définition (Covariance)
Cov (X, Y) = E ((X − E (X)) (Y − E (Y))) = E (XY) − E (X) E (Y)

Définition (Coefficient de corrélation)


Cov (X, Y)
ρ(X, Y) = où σ(X) et σ(Y) sont les écarts-types (non nuls) de X et Y.
σ(X) σ(Y)

• −1 ≤ ρ(X, Y) ≤ 1.
• X et Y sont presque sûrement liées par une relation affine : Y = aX + b
ssi | ρ(X, Y) |= 1.
• X et Y sont dites non corrélées ssi ρ(X, Y) = 0 ou Cov (X, Y) = 0.

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Vecteur moyenne
[ ]
et matrice de covariance
X
Soit Z = la représentation vectorielle d’un couple de v.a.
Y

Définition (Vecteur moyenne)


[ ]
E (X)
µ = E (Z) =
E (Y)

Définition (Matrice de covariance)


[ ]
( ) V (X) Cov (X, Y)
Λ = E (Z − E (Z))(Z − E (Z)) =
T
Cov (X, Y) V (Y)

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Exemple
Un couple de vecteur moyenne µ et de matrice de covariance Λ est dit
Gaussien ssi sa densité conjointe s’écrit :
1 1
fX,Y (x, y) = √ exp − (z − µ)T Λ−1 (z − µ)
2π det (Λ) 2

[ ]
0
µ=
0

[ ]
25 0
Λ=
0 25

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Exemple
Un couple de vecteur moyenne µ et de matrice de covariance Λ est dit
Gaussien ssi sa densité conjointe s’écrit :
1 1
fX,Y (x, y) = √ exp − (z − µ)T Λ−1 (z − µ)
2π det (Λ) 2

[ ]
0
µ=
0

][
25 20
Λ=
20 25

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Liens entre indépendance et corrélation

Indépendance ⇒ Non corrélation


Corrélation ⇒ Dépendance

Cas Gaussien :
Indépendance ⇔ Non corrélation

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Sommaire

1 Loi conjointe et lois marginales

2 Indépendance, covariance et corrélation

3 Somme de 2 variables aléatoires

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Moments de la somme de 2 v.a.

• Espérance :
E (X + Y) = E (X) + E (Y)

• Variance :
V (X + Y) = V (X) + V (Y) + 2 Cov (X, Y)
Si X et Y sont non corrélées ou indépendantes :
V (X + Y) = V (X) + V (Y)

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Loi de la somme de 2 v.a. indépendantes
• Cas discret

Théorème
Soient X et Y deux v.a. discrètes indépendantes de lois PX (xi ) et PY (yj ).
La loi de la somme S=X+Y est donnée par :
• l’ensemble des valeurs possibles de S : {sk = xi + yj , i ∈ I, j ∈ J},
• et les probabilités associées, égales au produit de convolution discret des
lois de X et Y :

PS (sk ) = (PX ∗ PY ) (sk ) = PX (xi )PY (sk − xi )
i∈I

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Loi de la somme de 2 v.a. indépendantes
• Cas continu

Théorème
Soient X et Y deux v.a. continues indépendantes de densités fX (x) et fY (y).
La densité de la somme S=X+Y est donnée par le produit de convolution de ces
2 densités :

fS (s) = (fX ∗ fY ) (s) = fX (x)fY (s − x)dx
R

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités


Quelques lois usuelles stables

• La somme de 2 v.a. binomiales indépendantes de paramètres


respectifs (n, p) et (m, p) est une v.a. binomiale de paramètres
(n + m, p).

• La somme de 2 v.a. de Poisson indépendantes de paramètres


respectifs λ et µ est une v.a. de Poisson de paramètre λ + µ.

• La somme de 2 v.a. Gaussiennes indépendantes de paramètres


respectifs (µ1 , σ1 2 ) et (µ2 , σ2 2 ) est une v.a. Gaussienne de paramètres
(µ1 + µ2 , σ1 2 + σ2 2 ).

MOOC Statistique pour ingénieur Thème 1 : Notions de probabilités