Académique Documents
Professionnel Documents
Culture Documents
Skander HACHICHA
skander.hachicha@enit.utm.tn
On suppose dans la suite que toutes les v.a sont définies sur le même
espace probabilisé (Ω, A, P).
Proposition
Une application X : Ω → Rd d’applications coordonnées
X1 , X2 , · · · , Xd est une variable aléatoire (vecteur aléatoire) si et
seulement si chaque application coordonnée Xi : Ω → R est une v.a
réelle.
Un vecteur aléatoire X à valeurs dans Rd est un d−uplet
(X1 , X2 , · · · , Xd ) de v.a réelles.
Définition
Soit X = (X1 , X2 , · · · , Xd ) une variable aléatoire à valeurs dans
Rd .
1 On appelle loi conjointe des v.a réelles X1 , X2 , · · · , Xd , la loi
du v.a X = (X1 , X2 , · · · , Xd ) dans Rd .
2 On appelle lois marginales, les lois PX1 , · · · , PXd des v.a
réelles X1 , X2 , · · · , Xd .
Définition
Soit X = (X1 , X2 , · · · , Xd ) une variable aléatoire à valeurs dans
Rd . On appelle fonction de répartition de X la fonction
FX : Rd → [0, 1] telle que pour tout x = (x1 , x2 , · · · , xd ) ∈ Rd ,
FX (x1 , x2 , · · · , xd ) = P( di=1 {Xi ∈] − ∞, xi ]}) =
T
P(X1 ≤ x1 , X2 ≤ x2 , · · · , Xd ≤ xd ).
Proposition
Soit X = (X1 , X2 , · · · , Xd ) une variable aléatoire à valeurs dans Rd
de fonction de répartition FX , alors
1 FX est croissante par rapport à chaque variable.
2 Pour tout i = 1, · · · , d
(a)
lim FX (x1 , · · · , xi , · · · , xd ) = 0
xi →−∞
(b)
lim FX (x1 , · · · , xd ) = 1
x1 →+∞,··· ,xd →+∞
Proposition
Soit X = (X1 , X2 , · · · , Xd ) une variable aléatoire à valeurs dans Rd
de fonction de répartition FX . Pour tout k ∈ {1, · · · , d}, la v.a
(X1 , X2 , · · · , Xk ) à pour fonction de répartition
Définition
La v.a (X1 , X2 , · · · , Xd ) est une v.a discrète (vecteur aléatoire) si et
seulement si chaque application coordonnée Xi : Ω → R est une v.a
réelle discrète.
Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a discrète dans Rd . La loi de la v.a
X est caractérisée par la donnée de l’ensemble
Lois marginales :
On peut déterminer la loi marginale de Xi à partir de la loi de
X = (X1 , X2 , · · · , Xd ). Quitte à permuter i par 1, il suffit de calculer
la loi marginale X1 .
Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a discrète vectorielle. Pour tout
y ∈ R, on a
P(X1 = y) =
X
P(X1 = y, X2 = x2 , · · · , Xd = xd )
{x2 ∈X2 (Ω),··· ,xd ∈Xd (Ω)}
Exemple
(Loi discrète du couple (X, Y ))
Soient X et Y deux v.a réelles discrètes. Ainsi,
P
x∈X(Ω),y∈Y (Ω) P(X = x, Y = y) = 1.
Les lois marginales PX et PY sont données par :
X
P(X = x) = P(X = x, Y = y)
y∈Y (Ω)
X
P(Y = y) = P(X = x, Y = y).
x∈X(Ω)
Exemple
On considère le lancer de deux dés, modélisé par l’espace probabilisé
Ω = ({1, 2, · · · , 6})2 muni de la probabilité uniforme. Si X est la
v.a.d qui représente le résultat du premier dé et Y celui du second, on
a pour ω = (ω1 , ω2 ) ∈ Ω, X(ω) = ω1 et Y (ω) = ω2 .
On a : £(X) = £(Y ), c’est la loi uniforme sur {1, 2, · · · , 6}.
1
Mais on a P(X = 5, X = 6) = 0 et P(X = 5, Y = 6) = 36 .
Ainsi les v.a.d (X, Y ) et (X, X) n’ont pas la même loi alors que
toutes les lois marginales sont égales.
Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a à valeurs dans Rd de fonction de
répartition FX et de densité fX . Alors
1 pour tout (x1 , · · · , xRd ) ∈ RdR, on a
x1 xd
FX (x1 , · · · , xd ) = −∞ · · · −∞ f (y1 , · · · , yd )dy1 · · · dyd
2 FX est continue sur Rd .
3 FX est dérivable presque partout sur Rd et telle que pour tout
(x1 , · · · , xd ) où fX est continue
∂ d FX
(x1 , · · · , xd ) = fX (x1 , · · · , xd )
∂x1 · · · ∂xd
Exemple
La densité conjointe de (X, Y ) est donnée par :
(
e−(x+y) , si x > 0 et y > 0;
f(X,Y ) (x, y) =
0, si non.
X
Déterminer la fonction densité de probabilité fZ de la v.a.r Z = Y .
FZ (z) = P(Z ≤ z) = P( X
Y ≤ z), on pose Ωz = {(x, y) /
x
y ≤ z}
et
x
Ω ∩ Ωz = {(x, y) /x > 0, y > 0 et ≤ z}
y
RR
FZ (z) = P((X, Y ) ∈ Ω ∩ Ωz ) = Ωz f(X,Y ) (x, y)dxdy =
−(x+y) dxdy.
RR
Ω∩Ωz e
Si z ≤ 0, Ω ∩ Ωz =R∅.
Si z > 0, FZ (z) = 0+∞ e−y ( 0yz e−x dx)dy = 1 − 1+z
1
R
1
(
fZ (z) = F ′ (z) = (1+z)2 , si z > 0;
0, si z ≤ 0.
Démonstration
Il suffit de calculer P(X ∈ B) où B = A × Rd−k avec A ∈ BRk
Skander HACHICHA Vecteurs aléatoires I 15 / 32 15 / 32
V.a absolument continues
Lois marginales
Remarque
À partir de la loi du couple (X, Y ), on peut donc calculer la loi de X
et la loi de Y. La réciproque est fausse comme le montre l’exercice
suivant.
Exercice
Soit deux couples (X1 , Y1 ), dont la loi pour densité
f (x, y) = (x + y)1{(x,y)∈[0,1]2 }
Changement de variable :
Proposition
Soient ∆ et D deux ouverts de Rd . Soient X = (X1 , · · · , Xd ) une v.a
à valeurs dans ∆ de densité f(X1 ,··· ,Xd ) et g : ∆ → D
C 1 −difféomorphisme de ∆ dans D. Alors Y = g(X) est une v.a de
densité
fY (y) = fX (h(y))|J(h(y))|1D (y)
où h = g−1 est la bijection réciproque de g et où J(h(y)) est le
jacobien de l’application h = (h1 , · · · , hd ) en y = (y1 , · · · , yd ) :
∂h1 ∂h1
∂y1 (y1 , · · ·
, yd ) · · · ∂yd (y1 , · · · , yd )
J(h(y)) = det ··· ··· ···
∂hd ∂hd
∂y1 (y1 , · · · , yd ) · · · ∂yd (y1 , · · · , yd )
Changement de variable :
Exemple
On considère le couple de v.a.r (X, Y ) de densité conjointe f(X,Y )
définie par :
( x+1
ky 2 e−( 2
)
, si 0 < y < x + 1;
f(X,Y ) (x, y) =
0, sinon.
Déterminer k.
On pose U = X − Y + 1 et V = 21 Y.
Déterminer la densité conjointe f(U,V ) de (U, V ) et les densités
marginales fU et fV .
Changement de variable :
Indication :
Ω = {(x, y) ∈ R2 / 0 < y < x + 1}
RR R +∞ 2 R +∞ −( x+1 ) 1
R2 f (x, y)dxdy = k 0 y ( y−1 e 2 dx)dy = 1 ⇔ k = 32
1
u = x − y + 1 et v = 2 y ⇒ x = h1 (u, v) = u + 2v − 1 et
y = h2 (u, v) = 2v
(x, y) varie dans Ω ⇔ u > 0 et v > 0
det Jh (u, v) = 2 d’où
(
1 2 −( u+2v )
4v e , si u > 0 et v > 0
2
f(U,V ) (u, v) =
0, sinon.
Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a. Soit g : Rd → R une fonction
mesurable. Alors g(X1 , X2 , · · · , Xd ) est une v.a réelle.
- Si la v.a X est discrète et
X
|g(x1 , · · · , xd )|P(X1 = x1 , · · · , Xd = xd ) < +∞,
x1 ∈X1 (Ω)···xd ∈Xd (Ω)
on a alors
E(g(X)) =
X
g(x1 , · · · , xd )P(X1 = x1 , · · · , Xd = xd )
x1 ∈X1 (Ω)···xd ∈Xd (Ω)
Proposition
- Si la v.a X est absolument continue et
Z +∞ Z +∞
··· |g(x)|fX (x)dx1 · · · dxd < ∞
−∞ −∞
on a alors
Z +∞ Z +∞
E(g(X)) = ··· g(x)fX (x)dx1 · · · dxd
−∞ −∞
Proposition
Soient X et Y deux v.a réelles intégrables,
1 Pour tout α ∈ R, la v.a αX + Y est intégrable et on a :
E(αX + Y ) = αE(X) + E(Y )
2 Si X ≤ Y p.s alors E(X) ≤ E(Y )
Démonstration
x2 +y 2 (X 2 +Y 2 )
∀x, y ∈ R, |xy| ≤ 2 . Donc |XY | ≤ 2 . Comme X 2 et Y 2
(X 2 +Y 2 )
sont intégrables, par linéairité, 2 est intégrable.
2
- Si E(Y ) = 0 ⇒ Y = 0 p.s ⇒ XY = 0 p.s et l’inégalité est triviale.
- Si E(Y 2 ) > 0, on a : ∀λ ∈ R
Définition
Soient X et Y deux v.a réelles admettant des moments d’ordre 2. On
appelle covariance de X et Y le réel
cov(X, Y ) = E[(X − E(X))(Y − E(Y ))] = E(XY ) − E(X)E(Y )
Si cov(X, Y ) = 0, on dit que X et Y sont non corrélées.
Exemple
Soient X et Y deux v.a.r conjointement continues de fonction densité
conjointe f(X,Y ) définie par :
(
4
5 (x + 2y)e−x−2y , si x ≥ 0 et y ≥ 0;
f(X,Y ) (x, y) =
0, sinon.
Définition
Soient X et Y deux v.a réelles admettant des moments d’ordre 2. On
appelle coefficient de corrélation entre X et Y le réel :
cov(X, Y )
ρ(X, Y ) = p
V(X)V(Y )
Proposition
Soient X et Y deux v.a réelles admettant des moments d’ordre 2.
Alors
1 −1 ≤ ρ(X, Y ) ≤ 1.
ac
2 ρ(aX + b, cY + d) = |ac| ρ(X, Y ) pour tous réels a, c ∈ R∗+ et
b, d ∈ R.
Exemple
Soit X = N (0, 1). On pose Y = a + bX + cX 2 où a, b, et c ∈ R∗ .
b
Montrer que ρ(X, Y ) = √b2 +2c 2
.
Définition
Soit X = (X1 , X2 , · · · , Xd ) une v.a à valeurs dans Rd tel que les v.a
réelles X1 , · · · , Xd admettent des moments d’ordre 2.
On appelle matrice de covariance la matrice réelle d’ordre d définie
par
ΣX = (cov(Xi , Xj ))1≤i,j≤d
V(X1 ) ··· cov(X1 , Xd )
cov(X2 , X1 ) ··· cov(X2 , Xd )
ΣX =
··· ··· ···
cov(Xd , X1 ) ··· V(Xd )
Conséquence
Soit X = (X1 , X2 , · · · , Xd ) une v.a de matrice de covariance ΣX .
Alors
1 Pour tout α ∈ R, ΣαX = α2 ΣX .
2 Pour tout u ∈ Rd , Σu+X = ΣX .
3 (ΣX )t = ΣX
4 Soit une matrice A ∈ Mq×d et Y une v.a à valeurs dans Rq tel
que Y = AX, alors
ΣY = AΣX At
Proposition
Soient X1 , X2 , · · · , Xn n v.a réelles admettant des moments d’ordre
2, alors
V(X1 + · · · + Xn ) = ni=1 V(Xi ) + 2 1≤i<j≤n cov(Xi , Xj )
P P
Définition
Soit X = (X1 , X2 , · · · , Xd ) une v.a à valeurs dans Rd . On appelle
fonction caractéristique de X, la fonction ΦX : Rd → C définie par
ΦX (s1 , · · · , sd ) = E(eis1 X1 +···+isd Xd ) = E( dk=1 eisk Xk ) En
Q
Remarque
1 Soit X = (X1 , · · · , Xd ) une v.a à valeurs dans Rd . On suppose
que pour tout i ∈ {1, 2, · · · , d}, E(|Xi |) < +∞. Alors ΦX
admet des dérivées partielles continues et l’on a :
∂ d ΦX (s1 , · · · , sd ) i
Pd
s X
= id E(X1 · · · Xd e j=1 j j )
∂s1 · · · ∂sd
2 La loi du v.a X = (X1 , · · · , Xd ) est déterminée par celles de
toutes les combinaisons linéaires de ces composantes.
3 Deux v.a X et Y à valeurs dans Rd ont la même loi ssi ΦX = ΦY