Vous êtes sur la page 1sur 9

Cours de probabilités Ce document présente un résumé de cours, sans détails superflus, sans

(Chapitre 4 : Variables aléatoires discrètes) démonstration, avec parfois des exemples.


n N
Programme
Pr. A. IFZARNE
1 Chap. I : Analyse Combinatoire,
a.ifzarne@usms.ma
2 Chap. II : Notions de Probabilités,
3 Chap. III : Variables aléatoires,
2021
cbna 4 Chap. IV : Variables aléatoires discrètes,
5 Chap. V : Lois discrètes classiques,
6 Chap. VI : Variables aléatoires continues,
7 Chap. VII : Lois continues classiques,
Université Sultan Moulay Slimane

Pr. A. IFZARNE | cbna 2 / 45

| Loi de probabilité d’une variable aléatoire discrète

Plan du chapitre

1 Loi de probabilité d’une variable aléatoire discrète


Généralités
Loi de probabilité
Fonction de répartition
Loi d’une fonction d’une v.a.d.

2 Paramètres d’une loi discrète


Espérance mathématique
Loi de probabilité d’une variable aléatoire discrète
Moments
Variance - Ecart-type

3 Loi de probabilité d’un couple de v.a.d


Lois marginales
Lois conditionnelles
Indépendance
Loi de la somme
Loi du produit
Covariance - Corrélation

Pr. A. IFZARNE | cbna 3 / 45 Pr. A. IFZARNE | cbna 4 / 45

| Loi de probabilité d’une variable aléatoire discrète | Généralités | Loi de probabilité d’une variable aléatoire discrète | Loi de probabilité

Définition 1.1 (Variable aléatoire discrète)


Soit un espace probabilisé (Ω, 𝒫(Ω), 𝑃 ) associé à une expérience
aléatoire. On appelle variable aléatoire discrète, une application 𝑋, de Ω
dans 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ..., 𝑥n , ...♢, ensemble fini ou dénombrable : Définition 1.2 (Loi de probabilité)
La loi de probabilité (ou distribution) de la v.a. discrète 𝑋 est la
𝑋 : Ω ⊃ 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ..., 𝑥n , ...♢ fonction :
æ ⊃ 𝑋(æ)
𝑃 : 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ..., 𝑥n , ...♢ ⊃ [0, 1]
𝑋(Ω) est appelé ensemble des observables. 𝑥i ⊃ 𝑃 (𝑋 = 𝑥i )

On note généralement 𝑃 (𝑋 = 𝑥i ) = 𝑝i ,
Exemple 1.1

≈ On jette deux fois un dé ; on s’intéresse à la somme des numéros


obtenus.
≈ On s’intéresse au nombre de lancers d’une pièces pour obtenir "pile".

Pr. A. IFZARNE | cbna 5 / 45 Pr. A. IFZARNE | cbna 6 / 45


| Loi de probabilité d’une variable aléatoire discrète | Loi de probabilité | Loi de probabilité d’une variable aléatoire discrète | Loi de probabilité

et on a
1 Si 𝑋 une v.a discrète finie, 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ..., 𝑥n ♢. La loi de de 𝑋
est définie par :
∏︁ Exemple 1.2
⋁︁
⋁︁ 𝑝k = 𝑃 (𝑋 = 𝑥k ), où 0 ⊘ 𝑝k ⊘ 1 ∀𝑘 ∈ ¶1, 2, ..., 𝑛♢
⨄︁ ∑︀n On lance un dé. On appelle 𝑋 le numéro obtenu et 𝑌 son complément à
⋁︁ k=1 𝑝k = 1 6 et 𝑍 = sup(𝑋, 𝑌 ).
⋃︁ 𝑃 (𝐴) = ∑︀
x∈A 𝑃 (𝑋 = 𝑥), ∀𝐴 ⊆ 𝑋(Ω)
⋁︁
1 Déterminer les ensemble des observables de 𝑋, 𝑌 et 𝑍.
2 Si 𝑋 est une v.a discrète infinie, sa loi de probabilité est définie par la 2 Déterminer les lois des v.a 𝑋 et 𝑌 et 𝑍.
suite infinie :
∮︁
𝑝k = 𝑃 (𝑋 = 𝑥k ), où 0 ⊘ 𝑝k ⊘ 1 ∀𝑘 ∈ ¶1, 2, ..., 𝑛, ...♢ = N
∑︀+∞
k=1 𝑝k = 1

Pr. A. IFZARNE | cbna 7 / 45 Pr. A. IFZARNE | cbna 8 / 45

| Loi de probabilité d’une variable aléatoire discrète | Loi de probabilité | Loi de probabilité d’une variable aléatoire discrète | Loi de probabilité

Théorème 1.1 Théorème 1.1


¶(𝑥i , 𝑃i )/1 ⊘ 𝑖 ⊘ 𝑛♢ est la loi de probabilité d’une v.a ¶(𝑥i , 𝑃i )/1 ⊘ 𝑖 ⊘ 𝑛♢ est la loi de probabilité d’une v.a
∮︁ ∮︁
0 ⊘ 𝑃i ⊘ 1 pout tout 𝑖 ∈ ¶1, 2, ..., 𝑛♢ 0 ⊘ 𝑃i ⊘ 1 pout tout 𝑖 ∈ ¶1, 2, ..., 𝑛♢
si et seulement si ∑︀n (1) si et seulement si ∑︀n (1)
i=1 𝑃i = 1 i=1 𝑃i = 1

Remarque 1.1 Remarque 1.1


La loi de probabilité d’une v.a discrète 𝑋 est entièrement déterminée La loi de probabilité d’une v.a discrète 𝑋 est entièrement déterminée
par : par :
𝑋(Ω) 𝑒𝑡 ¶𝑃 (𝑋 = 𝑥i ), 𝑥i ∈ 𝑋(Ω)♢ 𝑋(Ω) 𝑒𝑡 ¶𝑃 (𝑋 = 𝑥i ), 𝑥i ∈ 𝑋(Ω)♢

Pr. A. IFZARNE | cbna 9 / 45 Pr. A. IFZARNE | cbna 9 / 45

| Loi de probabilité d’une variable aléatoire discrète | Loi de probabilité | Loi de probabilité d’une variable aléatoire discrète | Fonction de répartition

Définition 1.3 (Fonction de répartition)


Exemple 1.3 On appelle fonction de répartition de la v.a. discrète 𝑋, la fonction
On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d 𝑋
𝐹 : R = ⊃ [0, 1]
représentant le nombre de faces obtenues après ces 2 lancements.
𝑥 ⊃ 𝐹 (𝑥) = 𝑃 (𝑋 ⊘ 𝑥)
1 Donner les valeurs de 𝑋.
2 Définir la loi de probabilité de 𝑋. Autrement dit, ∑︁
𝐹 (𝑥) = 𝑃 (𝑋 = 𝑥i ).
xi ∈X(Ω),xi ≤x

Pr. A. IFZARNE | cbna 10 / 45 Pr. A. IFZARNE | cbna 11 / 45


| Loi de probabilité d’une variable aléatoire discrète | Fonction de répartition | Loi de probabilité d’une variable aléatoire discrète | Fonction de répartition

Propriété 1.1 Propriété 1.1


Soit 𝑋 une v.a finie de fonction de répartition 𝐹 et de loi Soit 𝑋 une v.a finie de fonction de répartition 𝐹 et de loi
¶𝑝1 , 𝑝2 , ..., 𝑝n ♢. 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ..., 𝑥n ♢, (𝑥1 < 𝑥2 < ≤ ≤ ≤ < 𝑥n ), alors ¶𝑝1 , 𝑝2 , ..., 𝑝n ♢. 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ..., 𝑥n ♢, (𝑥1 < 𝑥2 < ≤ ≤ ≤ < 𝑥n ), alors
1 ∀𝑥 ∈] ⊗ ∞, 𝑥1 [, 𝐹 (𝑥) = 0 1 ∀𝑥 ∈] ⊗ ∞, 𝑥1 [, 𝐹 (𝑥) = 0
2 ∀𝑥 ∈ [𝑥k , 𝑥k+1 [, 𝐹 (𝑥) = 𝑝1 + ... + 𝑝k 1 ⊘ 𝑘 ⊘ 𝑛 ⊗ 1 2 ∀𝑥 ∈ [𝑥k , 𝑥k+1 [, 𝐹 (𝑥) = 𝑝1 + ... + 𝑝k 1 ⊘ 𝑘 ⊘ 𝑛 ⊗ 1
3 ∀𝑥 ∈ [𝑥n , +∞[, 𝐹 (𝑥) = 1 3 ∀𝑥 ∈ [𝑥n , +∞[, 𝐹 (𝑥) = 1
4 𝑝k = 𝑃 (𝑋 = 𝑥k ) = 𝐹 (𝑥k ) ⊗ 𝐹 (𝑥k−1 ) 4 𝑝k = 𝑃 (𝑋 = 𝑥k ) = 𝐹 (𝑥k ) ⊗ 𝐹 (𝑥k−1 )

Remarque 1.2 Remarque 1.2


Il est parfois plus simple de déterminer la loi d’une v.a. d à partir de sa Il est parfois plus simple de déterminer la loi d’une v.a. d à partir de sa
fonction de répartition en utilisant la propriété 𝑖𝑣. fonction de répartition en utilisant la propriété 𝑖𝑣.

Pr. A. IFZARNE | cbna 12 / 45 Pr. A. IFZARNE | cbna 12 / 45

| Loi de probabilité d’une variable aléatoire discrète | Fonction de répartition | Loi de probabilité d’une variable aléatoire discrète | Fonction de répartition

Exemple 1.4 Exemple 1.5

On lance successivement 2 fois une pièce de monnaie. Soit la v.a.d 𝑋 Soit la v.a.d 𝑋 définie par 𝑋(Ω) = ¶1, 2, 3♢.
représentant le nombre de faces obtenues après ces 2 lancements. 1 1 1
Déterminer la fonction de répartition de 𝑋. 𝑝1 = 𝑃 (𝑋 = 1) = , 𝑝2 = 𝑃 (𝑋 = 2) = , 𝑝3 = 𝑃 (𝑋 = 3) =
2 3 6

Pr. A. IFZARNE | cbna 13 / 45 Pr. A. IFZARNE | cbna 14 / 45

| Loi de probabilité d’une variable aléatoire discrète | Loi d’une fonction d’une v.a.d. | Loi de probabilité d’une variable aléatoire discrète | Loi d’une fonction d’une v.a.d.

Exemple 1.6
Soit 𝑋 une v.a. discrète de loi de probabilité donnée par le tableau
Définition 1.4 (Loi d’une fonction d’une v.a.d.) suivant :
Soit 𝑋 une v.a. discrète et 𝑔 une fonction. Alors 𝑌 = 𝑔(𝑋) est une v.a.d. 𝑥 -2 -1 0 1 2
𝑃 (𝑋 = 𝑥) 0.1 0.1 0.3 0.2 0.3

Cherchons la loi de 𝑌 = 𝑋 2 + 1

Pr. A. IFZARNE | cbna 15 / 45 Pr. A. IFZARNE | cbna 16 / 45


| Paramètres d’une loi discrète | Paramètres d’une loi discrète | Espérance mathématique

Définition 2.1 (Espérance mathématique)


Soit 𝑋 une v.a discrète avec 𝑋(Ω) = ¶𝑥1 , ..., 𝑥n ♢.
On appelle espérance mathématique de 𝑋 l’expression suivante :
n
∑︁
𝐸(𝑋) = 𝑥k 𝑃 (𝑋 = 𝑥k )
Paramètres d’une loi discrète k=1

L’espérance mathématique de 𝑋 représente sa valeur moyenne.

Définition 2.2
Une v.a 𝑋 est dite centrée si et seulement si son espérance est nulle :
𝐸(𝑋) = 0. Si 𝑋 admet une espérance alors la v.a 𝑋 ⊗ 𝐸(𝑋) est centrée.

Pr. A. IFZARNE | cbna 17 / 45 Pr. A. IFZARNE | cbna 18 / 45

| Paramètres d’une loi discrète | Espérance mathématique | Paramètres d’une loi discrète | Espérance mathématique

Définition 2.1 (Espérance mathématique)


Soit 𝑋 une v.a discrète avec 𝑋(Ω) = ¶𝑥1 , ..., 𝑥n ♢.
On appelle espérance mathématique de 𝑋 l’expression suivante :
n
∑︁ Exemple 2.1
𝐸(𝑋) = 𝑥k 𝑃 (𝑋 = 𝑥k )
k=1 Soit 𝑋(Ω) = ¶1, 2, 3♢, 𝑃 (𝑋 = 1) = 12 , 𝑃 (𝑋 = 2) = 31 , 𝑃 (𝑋 = 3) = 16 .
Calculer l’espérance de 𝑋
L’espérance mathématique de 𝑋 représente sa valeur moyenne.

Définition 2.2
Une v.a 𝑋 est dite centrée si et seulement si son espérance est nulle :
𝐸(𝑋) = 0. Si 𝑋 admet une espérance alors la v.a 𝑋 ⊗ 𝐸(𝑋) est centrée.

Pr. A. IFZARNE | cbna 18 / 45 Pr. A. IFZARNE | cbna 19 / 45

| Paramètres d’une loi discrète | Espérance mathématique | Paramètres d’une loi discrète | Moments

Définition 2.3 (Moments)

Propriété 2.1 Soit 𝑋 une v.a discrète.


≈ On appelle moment d’ordre 𝑟 de 𝑋 l’expression suivante :
Soit 𝑋 une v.a discrète
n
≈ Si 𝑔 est une application, alors 𝑌 = 𝑔(𝑋) est une v.a et on a : 𝑚r = 𝐸(𝑋 r ) = 𝑥rk 𝑃 (𝑋 = 𝑥k )
∑︁

n k=1
∑︁
𝐸(𝑌 ) = 𝑔(𝑥k )𝑃 (𝑋 = 𝑥k ) Remarquons que le moment d’ordre 1 est l’espérance mathématique
k=1
𝑚1 = 𝐸(𝑋).
≈ Propriété de linéarité : Si 𝑋 et 𝑌 sont deux v.a, alors on a ≈ On appelle moment centré d’ordre 𝑟 de 𝑋 l’expression suivante :

𝐸(𝑎𝑋 + 𝑏𝑌 ) = 𝑎𝐸(𝑋) + 𝑏𝐸(𝑌 ), ∀𝑎, 𝑏 ∈ R n


Ûr (𝑋) = 𝐸[(𝑋 ⊗ 𝐸(𝑋))r ] = (𝑥k ⊗ 𝐸(𝑋))r 𝑃 (𝑋 = 𝑥k )
∑︁

k=1

Remarquons que le moment centré d’ordre 1 est nulle Û1 = 0.

Pr. A. IFZARNE | cbna 20 / 45 Pr. A. IFZARNE | cbna 21 / 45


| Paramètres d’une loi discrète | Variance - Ecart-type | Paramètres d’une loi discrète | Variance - Ecart-type

Définition 2.4 (Variance )


On appelle variance de la v.a 𝑋 le réel positif

𝑉 (𝑋) = 𝐸[(𝑋 ⊗ 𝐸(𝑋))2 ] = 𝐸(𝑋 2 ) ⊗ 𝐸(𝑋)2 = à 2 (𝑋) = Û2


Propriété 2.2
La variance n’est autre que Û2 le moment centré d’ordre 2 de la v.a. 𝑋.
Soit 𝑋 v.a et 𝑎, 𝑏 ∈ R.
Une v.a 𝑋 est dite réduite si et seulement si sa variance est égale à 1 :
𝑉 (𝑋) = 1. ≈ Si 𝑋 est une constante alors 𝑉 (𝑋) = 0.
≈ 𝑉 (𝑎𝑋 + 𝑏) = 𝑎2 𝑉 (𝑋).
Définition 2.5 (Ecart-type) ≈ à(𝑎𝑋 + 𝑏) = ♣𝑎♣à(𝑋).

On appelle écart-type de la v.a 𝑋 le réel positif


√︁ √︁
à(𝑋) = 𝑉 (𝑋) = 𝐸[(𝑋 ⊗ 𝐸(𝑋))2 ]

X
Si 𝑋 admet une variance alors la v.a σ(X) est réduite. De plus on a la
X−E(X)
v.a σ(X) est centrée réduite.
Pr. A. IFZARNE | cbna 22 / 45 Pr. A. IFZARNE | cbna 23 / 45

| Paramètres d’une loi discrète | Variance - Ecart-type | Loi de probabilité d’un couple de v.a.d

Exemple 2.2
Soient 𝑋 et 𝑌 deux v.a.d
𝑥 0 1
𝑃 (𝑋 = 𝑥) 3/10 7/10
Loi de probabilité d’un couple de v.a.d
𝑦 0 1 2
𝑃 (𝑌 = 𝑦) 1/3 1/2 1/6

Calculer 𝐸(𝑋), 𝐸(𝑌 ), 𝑉 (𝑋), 𝑉 (𝑌 )

Pr. A. IFZARNE | cbna 24 / 45 Pr. A. IFZARNE | cbna 25 / 45

| Loi de probabilité d’un couple de v.a.d | Loi de probabilité d’un couple de v.a.d

Soient 𝑋, 𝑌 deux v.a telles que : 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ≤ ≤ ≤ , 𝑥r ♢ et


𝑌 (Ω) = ¶𝑦1 , 𝑦2 , ≤ ≤ ≤ , 𝑦s ♢.
𝑋∖𝑌 𝑦1 ≤≤≤ 𝑦l ≤≤≤ 𝑦s
Définition 3.1 (Loi de probabilité d’un couple de v.a.d) 𝑥1 𝑝11 ≤≤≤ 𝑝1l ≤≤≤ 𝑝1s
.. .. .. ..
On appelle loi de probabilité du couple (𝑋, 𝑌 ) ou loi conjointe de 𝑋 et . . . .
𝑌 l’ensemble 𝑥k 𝑝k1 ≤≤≤ 𝑝kl ≤≤≤ 𝑝ks
.. .. .. ..
. . . .
¶𝑝kl , 𝑘 = 1, 2, ≤ ≤ ≤ , 𝑟 et 𝑙 = 1, 2, ≤ ≤ ≤ , 𝑠♢
𝑥r 𝑝r1 ≤≤≤ 𝑝rl ≤≤≤ 𝑝rs
où et on a s
r ∑︁ s ∑︁
r
𝑝kl = 𝑃 ((𝑋 = 𝑥k ) ∩ (𝑌 = 𝑦l )) = 𝑃 (𝑋 = 𝑥k , 𝑌 = 𝑦l ), ∑︁ ∑︁
𝑝kl = 𝑝kl = 1.
avec 𝑥k ∈ 𝑋(Ω) et 𝑦l ∈ 𝑌 (Ω) et 𝑝kl ’est la probabilité pour que 𝑋 k=1 l=1 l=1 k=1
prenne la valeur 𝑥k et 𝑌 prenne la valeur 𝑦l ,

Pr. A. IFZARNE | cbna 26 / 45 Pr. A. IFZARNE | cbna 27 / 45


| Loi de probabilité d’un couple de v.a.d | Loi de probabilité d’un couple de v.a.d

Exemple 3.1 Théorème 3.1


Un sac contient 4 boules numérotées de 1 à 4. On tire successivement ¶((𝑥i , 𝑦j ), 𝑃ij )/1 ⊘ 𝑖 ⊘ 𝑟 et 1 ⊘ 𝑗 ⊘ 𝑠♢ est la loi de probabilité d’un
deux boules avec remise et on note 𝑋1 et 𝑋2 les nombres obtenus. Soient couple de v.a.d si et seulement si :
les v.a 𝑋 = 𝑋1 et 𝑌 = 𝑋1 ⊗ 𝑋2 . 𝑋1 (Ω) = 𝑋2 (Ω) = 𝑋(Ω) = ¶1, 2, 3, 4♢ ∮︁
et 𝑌 (Ω) = ¶⊗3, ⊗2, ⊗1, 0, 1, 2, 3♢ et 𝑃 la probabilité uniforme sur Ω. 0 ⊘ 𝑃ij ⊘ 1 pout tout (𝑖, 𝑗) ∈ ¶1, 2, ≤ ≤ ≤ , 𝑟♢ × ¶1, 2, ≤ ≤ ≤ , 𝑠♢
∑︀r ∑︀s
Déterminer les lois conjointes de (𝑋1 , 𝑋2 ) et de (𝑋, 𝑌 ) i=1 j=1 𝑃ij = 1

Pr. A. IFZARNE | cbna 28 / 45 Pr. A. IFZARNE | cbna 29 / 45

| Loi de probabilité d’un couple de v.a.d | Lois marginales | Loi de probabilité d’un couple de v.a.d | Lois marginales

Propriété 3.1
Si 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ≤ ≤ ≤ , 𝑥r ♢ et 𝑌 (Ω) = ¶𝑦1 , 𝑦2 , ≤ ≤ ≤ , 𝑦s ♢, alors
Définition 3.2 (Lois marginales)
s
≈ Les v.a 𝑋 et 𝑌 sont appelées variables marginales du couple (𝑋, 𝑌 ). ∑︁
∀𝑖 ∈ ¶1, 2, ≤ ≤ ≤ , 𝑟♢ , 𝑝i = 𝑃 (𝑋 = 𝑥i ) = 𝑃 (𝑋 = 𝑥i , 𝑌 = 𝑦j )
≈ La loi de la v.a 𝑋 (resp. 𝑌 ) du couple (𝑋, 𝑌 ) est appelée la loi j=1
marginale de 𝑋 (resp. 𝑌 ).
r
∑︁
∀𝑗 ∈ ¶1, 2, ≤ ≤ ≤ , 𝑠♢ , 𝑝j = 𝑃 (𝑌 = 𝑦j ) = 𝑃 (𝑋 = 𝑥i , 𝑌 = 𝑦j )
Notation : La probabilité 𝑃 (𝑋 = 𝑥i ) est noté 𝑝i et 𝑃 (𝑌 = 𝑦j ) est noté i=1
𝑝j . r,s
∑︁
𝑃 (𝑋 = 𝑥i , 𝑌 = 𝑦j ) = 1
i,j=1

Pr. A. IFZARNE | cbna 30 / 45 Pr. A. IFZARNE | cbna 31 / 45

| Loi de probabilité d’un couple de v.a.d | Lois marginales | Loi de probabilité d’un couple de v.a.d | Lois conditionnelles

Définition 3.3 (Lois conditionnelles)


Exemple 3.2 Soient 𝑋 une v.a.d sur Ω telle que 𝑋(Ω) = ¶𝑥1 , 𝑥2 , ≤ ≤ ≤ , 𝑥r ♢ et soit 𝐴
un événement de probabilité non nulle, 𝑃 (𝐴) > 0.
Reprenons l’exemple (3.1) précédent. Déterminer es lois marginales de 𝑋
Pour 𝑘 = 1, ..., 𝑟, la loi conditionnelle de (𝑋 = 𝑥k ) sachant 𝐴 est :
et 𝑌
𝑃 [(𝑋 = 𝑥k ) ∩ 𝐴]
𝑃 [(𝑋 = 𝑥k )/𝐴] = , pour tout 𝑘 ∈ ¶1, ..., 𝑛♢
𝑃 (𝐴)

Pr. A. IFZARNE | cbna 32 / 45 Pr. A. IFZARNE | cbna 33 / 45


| Loi de probabilité d’un couple de v.a.d | Lois conditionnelles | Loi de probabilité d’un couple de v.a.d | Lois conditionnelles

Remarque 3.1
On a r
Exemple 3.3
∑︁
𝑃 [(𝑋 = 𝑥k )/𝐴] = 1.
k=1
Reprenons l’exemple (3.1). Déterminer la loi conditionnelle de 𝑋 sachant
(Y = -2)
Cas particulier : Si 𝑌 est une v.a sur Ω telle que 𝑌 (Ω) = ¶𝑦1 , 𝑦2 , ≤ ≤ ≤ , 𝑦s ♢,
pour 𝑘 = 1, ..., 𝑟, la loi conditionnelle de (𝑋 = 𝑥k ) sachant (𝑌 = 𝑦l ) est

𝑃 (𝑋 = 𝑥k , 𝑌 = 𝑦l )
𝑃 [(𝑋 = 𝑥k )/(𝑌 = 𝑦l )] = , pour tout 𝑘 ∈ ¶1, ..., 𝑛♢
𝑃 (𝑌 = 𝑦l )

Pr. A. IFZARNE | cbna 34 / 45 Pr. A. IFZARNE | cbna 35 / 45

| Loi de probabilité d’un couple de v.a.d | Indépendance | Loi de probabilité d’un couple de v.a.d | Indépendance

Deux v.a.d sont indépendantes si la loi de l’une n’est pas influencée par la Exemple 3.4
loi de l’autre.
≈ Les v.a 𝑋1 et 𝑋2 de l’exemple (3.1) sont indépendantes ! car les
Définition 3.4 (Indépendance) deux tirages sont indépendants puisqu’ils se font avec remise.
≈ Les v.a 𝑋 et 𝑌 de l’exemple (3.1) ne sont pas indépendantes ! car
Les v.a.d 𝑋 et 𝑌 sont dites indépendantes si ∀(𝑥, 𝑦) ∈ 𝑋(Ω) × 𝑌 (Ω)
1 1
𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) = 𝑃 (𝑋 = 𝑥)𝑃 (𝑌 = 𝑦) 𝑃 (𝑋 = 3, 𝑌 = 3) = 0, et 𝑃 (𝑋 = 3)𝑃 (𝑌 = 3) = × ̸= 0
4 16

Pr. A. IFZARNE | cbna 36 / 45 Pr. A. IFZARNE | cbna 37 / 45

| Loi de probabilité d’un couple de v.a.d | Indépendance | Loi de probabilité d’un couple de v.a.d | Indépendance

Exemple 3.4 Exemple 3.4


≈ Les v.a 𝑋1 et 𝑋2 de l’exemple (3.1) sont indépendantes ! car les ≈ Les v.a 𝑋1 et 𝑋2 de l’exemple (3.1) sont indépendantes ! car les
deux tirages sont indépendants puisqu’ils se font avec remise. deux tirages sont indépendants puisqu’ils se font avec remise.
≈ Les v.a 𝑋 et 𝑌 de l’exemple (3.1) ne sont pas indépendantes ! car ≈ Les v.a 𝑋 et 𝑌 de l’exemple (3.1) ne sont pas indépendantes ! car
1 1 1 1
𝑃 (𝑋 = 3, 𝑌 = 3) = 0, et 𝑃 (𝑋 = 3)𝑃 (𝑌 = 3) = × ̸ 0
= 𝑃 (𝑋 = 3, 𝑌 = 3) = 0, et 𝑃 (𝑋 = 3)𝑃 (𝑌 = 3) = × ̸= 0
4 16 4 16

Pr. A. IFZARNE | cbna 37 / 45 Pr. A. IFZARNE | cbna 37 / 45


| Loi de probabilité d’un couple de v.a.d | Indépendance | Loi de probabilité d’un couple de v.a.d | Loi de la somme

Définition 3.5 (Loi de la somme)


Exemple 3.4
Soient 𝑋 et 𝑌 deux v.a. La loi de 𝑋 + 𝑌 est définie par :
≈ Les v.a 𝑋1 et 𝑋2 de l’exemple (3.1) sont indépendantes ! car les
deux tirages sont indépendants puisqu’ils se font avec remise.
∑︁ ∑︁
𝑃 (𝑋 + 𝑌 = 𝑧) = 𝑃 (𝑋 = 𝑥, 𝑌 = 𝑧 ⊗ 𝑥) = 𝑃 (𝑋 = 𝑧 ⊗ 𝑦, 𝑌 = 𝑦)
≈ Les v.a 𝑋 et 𝑌 de l’exemple (3.1) ne sont pas indépendantes ! car x∈X y∈Y

1 1 Si 𝑋 et 𝑌 sont indépendantes
𝑃 (𝑋 = 3, 𝑌 = 3) = 0, et 𝑃 (𝑋 = 3)𝑃 (𝑌 = 3) = × ̸= 0
4 16 ∑︁ ∑︁
𝑃 (𝑋+𝑌 = 𝑧) = 𝑃 (𝑋 = 𝑥)𝑃 (𝑌 = 𝑧⊗𝑥) = 𝑃 (𝑋 = 𝑧⊗𝑦)𝑃 (𝑌 = 𝑦)
x∈X y∈Y

Pr. A. IFZARNE | cbna 37 / 45 Pr. A. IFZARNE | cbna 38 / 45

| Loi de probabilité d’un couple de v.a.d | Loi de la somme | Loi de probabilité d’un couple de v.a.d | Loi du produit

Définition 3.6 (Loi du produit)


Soient 𝑋 et 𝑌 deux v.a. La loi de 𝑋 × 𝑌 est définie par
Exemple 3.5 ∑︁
𝑃 (𝑋 × 𝑌 = 𝑧) = 𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
Reprenons l’exemple (3.1) et cherchons la loi de 𝑍 = 𝑋1 + 𝑋2 , x×y=z/(x,y)∈X×Y
𝑍(Ω) = ¶2, 3, 4, 5, 6, 7, 8♢
Si 𝑋 et 𝑌 sont indépendantes
∑︁
𝑃 (𝑋 × 𝑌 = 𝑧) = 𝑃 (𝑋 = 𝑥)𝑃 (𝑌 = 𝑦)
x×y=z/(x,y)∈X×Y

Pr. A. IFZARNE | cbna 39 / 45 Pr. A. IFZARNE | cbna 40 / 45

| Loi de probabilité d’un couple de v.a.d | Loi du produit | Loi de probabilité d’un couple de v.a.d | Covariance - Corrélation

Définition 3.7 (Covariance)


On appelle covariance des v.a 𝑋 et 𝑌 le réel
Exemple 3.6 𝐶𝑜𝑣(𝑋, 𝑌 ) = 𝐸[(𝑋 ⊗ 𝐸(𝑋))(𝑌 ⊗ 𝐸(𝑌 ))] = 𝐸(𝑋𝑌 ) ⊗ 𝐸(𝑋)𝐸(𝑌 )
Reprenons l’exemple (3.1) et cherchons la loi de 𝑍 = 𝑋1 × 𝑋2 ,
𝑍(Ω) = ¶1, 2, 3, 4, 6, 8, 9, 12, 16♢
Définition 3.8 (Coefficient de corrélation)
On appelle coefficient de corrélation des v.a 𝑋 et 𝑌 le réel compris entre
⊗1 et 1
𝐶𝑜𝑣(𝑋, 𝑌 )
𝜌(𝑋, 𝑌 ) =
à(𝑋)à(𝑌 )

Pr. A. IFZARNE | cbna 41 / 45 Pr. A. IFZARNE | cbna 42 / 45


| Loi de probabilité d’un couple de v.a.d | Covariance - Corrélation | Loi de probabilité d’un couple de v.a.d | Covariance - Corrélation

Propriété 3.2
Soient 𝑋 et 𝑌 deux v.a et 𝑎, 𝑏 ∈ R.
Exemple 3.7
≈ 𝐸(𝑎𝑋 + 𝑏𝑌 ) = 𝑎𝐸(𝑋) + 𝑏𝐸(𝑌 ), ∀𝑎, 𝑏 ∈ R Propriété de linéarité Soit (𝑋, 𝑌 ) un couple de loi conjointe
≈ Si 𝑋 et 𝑌 sont deux v.a indépendantes, alors on a :
𝑋∖𝑌 0 1 2 𝑃 (𝑋 = 𝑥)
𝐸(𝑋𝑌 ) = 𝐸(𝑋)𝐸(𝑌 )
0 1/20 1/4 0 3/10
≈ 𝑉 (𝑋 + 𝑌 ) = 𝑉 (𝑋) + 𝑉 (𝑌 ) + 2𝐶𝑜𝑣(𝑋, 𝑌 ). 1 17/60 1/4 1/6 7/10
≈ 𝑉 (𝑋 ⊗ 𝑌 ) = 𝑉 (𝑋) + 𝑉 (𝑌 ) ⊗ 2𝐶𝑜𝑣(𝑋, 𝑌 ). 𝑃 (𝑌 = 𝑦) 1/3 1/2 1/6
≈ 𝑉 (𝑎𝑋 + 𝑏𝑌 ) = 𝑎2 𝑉 (𝑋) + 𝑏2 𝑉 (𝑌 ) + 2𝑎𝑏𝐶𝑜𝑣(𝑋, 𝑌 ).
Calculer 𝐸(𝑋), 𝐸(𝑌 ), 𝑉 (𝑋), 𝑉 (𝑌 ), 𝑉 (𝑋 + 𝑌 ) et 𝐶𝑜𝑣(𝑋, 𝑌 )
≈ 𝐶𝑜𝑣(𝑎𝑋1 + 𝑏𝑋2 , 𝑌 ) = 𝑎𝐶𝑜𝑣(𝑋1 , 𝑌 ) + 𝑏𝐶𝑜𝑣(𝑋2 , 𝑌 ).
≈ ⊗1 ⊘ 𝜌(𝑋, 𝑌 ) ⊘ 1.

Pr. A. IFZARNE | cbna 43 / 45 Pr. A. IFZARNE | cbna 44 / 45

| Loi de probabilité d’un couple de v.a.d | Covariance - Corrélation

Propriété 3.3
Si deux v.a 𝑋 et 𝑌 sont indépendantes, alors 𝐶𝑜𝑣(𝑋, 𝑌 ) = 0,
𝐸(𝑋𝑌 ) = 𝐸(𝑋)𝐸(𝑌 ) et 𝑉 (𝑋 + 𝑌 ) = 𝑉 (𝑋) + 𝑉 (𝑌 ). La réciproque est
fausse.

Pr. A. IFZARNE | cbna 45 / 45

Vous aimerez peut-être aussi