Académique Documents
Professionnel Documents
Culture Documents
Amphi2 MA105
Amphi2 MA105
Jérémie Bigot
1 Vecteurs aléatoires
2 Indépendance et covariance
3 Calcul de loi
1200
1150
1100
1050
1000
950
900
850
800
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1200
1150
1100
1050
1000
950
900
850
800
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1200
1150
1100
1050
1000
950
900
850
800
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1200
1150
1100
1050
1000
950
900
850
800
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Questions ?
Caractérisation de la loi de X et de ses composantes Xi ?
“Lien” entre Xi et Xj (i 6= j) ? Notions d’indépendance et de
corrélation.
Espérance et (co)variance d’un vecteur aléatoire X ∈ Rn ?
Amphi 2
Vecteurs aléatoires
Définition
Les v.a. X et Y sont appelées v.a. marginales du couple (X, Y) ; les
lois des v.a. X et Y sont appelées lois marginales du couple (X, Y).
Lois marginales de X et Y
X X
P(X = xi ) = pi. = pij et P(Y = yj ) = p.j = pij .
j i
Amphi 2
Vecteurs aléatoires
X1 / Y 1 2 3 4 5 6 P(X1 = xi ) = pi.
1 1 1 1 1 1 1
1 36 36 36 36 36 36 6
2 1 1 1 1 1
2 0 36 36 36 36 36 6
3 1 1 1 1
3 0 0 36 36 36 36 6
4 1 1 1
4 0 0 0 36 36 36 6
5 1 1
5 0 0 0 0 36 36 6
6 1
6 0 0 0 0 0 36 6
1 3 5 7 9 11
P(Y = yj ) = p.j 36 36 36 36 36 36
Amphi 2
Vecteurs aléatoires
X ∈ R et Y ∈ R.
Définition
La loi du couple (X, Y) est dite absolument continue s’il existe une
application fX,Y de R2 sur R, positive et borélienne (c’est-à-dire que,
−1
pour tout B ∈ BR , fX,Y (B) ∈ BR2 ), appelée densité du couple (X, Y),
telle que, pour tout (x, y) ∈ R2 :
Z x Z y
FX,Y (x, y) = P([X ≤ x] ∩ [Y ≤ y]) = fX,Y (u, v)dudv.
−∞ −∞
Amphi 2
Vecteurs aléatoires
Proposition
R +∞ R +∞ R +∞ R +∞
1) −∞
f (u, v)du
−∞ X,Y
dv = −∞
f (u, v)dv
−∞ X,Y
du = 1.
∂ 2 FX,Y
fX,Y (x0 , y0 ) = (x0 , y0 ).
∂x∂y
Amphi 2
Vecteurs aléatoires
Modélisation d’un projectile ponctuel tirée sur une cible selon une
probabilité uniformément répartie sur la cible
1
fX,Y (x, y) = 1ID(O,R) (x, y).
πR2
- Lois marginales : en utilisant que x2 + y2 ≤ R2 pour
(x, y) ∈ D(O, R), on obtient que
√ p
2 R2 − x2 2 R2 − y2
fX (x) = 1I[−R,R] (x) et fY (y) = 1I[−R,R] (y).
πR2 πR2
Amphi 2
Indépendance et covariance
1 Vecteurs aléatoires
2 Indépendance et covariance
3 Calcul de loi
Indépendance
X ∈ Rn et Y ∈ Rm .
Définition
Indépendance des vecteurs aléatoires X et Y si
Proposition
Deux v.a.r. discrètes X et Y sont dites indépendantes ssi, pour tout
(i, j) ∈ I × J, on a :
c’est-à-dire
pij = pi. p.j .
Amphi 2
Indépendance et covariance
Proposition
Les v.a.r. X et Y sont dites indépendantes ssi, pour tout (x, y) ∈ R2 ,
on a :
fX,Y (x, y) = fX (x)fY (y).
Amphi 2
Indépendance et covariance
Indépendance - Exemple
Covariance et corrélation
cov(Xi , Xj )
ρ(Xi , Xj ) = p p ∈ [−1, 1]
var(Xi ) var(Xj )
Amphi 2
Indépendance et covariance
Covariance et corrélation
Exemple 1 : Y = X + avec X ∼ N(0, 1) et ∼ N(0, 0.12 )
−1
−2
−3
−3 −2 −1 0 1 2 3
Covariance et corrélation
Exemple 2 : Y = X 3 + X 2 + X + avec X ∼ N(0, 1) et ∼ N(0, 0.12 )
25
20
15
10
−5
−10
−2.5 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5
Covariance et corrélation
Exemple 3 : Y = X + avec X ∼ N(0, 1) et ∼ N(0, 52 )
15
10
−5
−10
−15
−3 −2 −1 0 1 2 3
Proposition
Soit (X, Y) un couple aléatoire (discret ou continu). Si X et Y sont
indépendantes, alors
E(XY) = E(X)E(Y).
Definition
Soit X une v.a.r. discrète à valeurs dans N. La fonction génératrice
de X est définie par
X
GX (t) = tn P([X = n]) = E(tX ), t ∈ [−1, 1].
n≥0
Consequence : Z ∼ P(λ + µ) !
Amphi 2
Indépendance et covariance
Covariance et indépendance
Proposition
Si Xi et Xj sont des v.a. indépendantes alors E (Xi Xj ) = E(Xi )E(Xj ) et
donc
cov(Xi , Xj ) = E (Xi Xj ) − E(Xi )E(Xj ) = 0.
Matrice de covariance
Définition
Soit X = (X1 , . . . , Xn )0 un vecteur aléatoire de dimension n. On appelle
matrice de covariance de X, la matrice carrée de taille n × n, notée
ΣX , dont les coefficients (Σi,j )1≤i,j≤n sont donnés par
Σi,j = cov(Xi , Xj ).
Remarques
- La diagonale de ΣX est le vecteur (var(X1 ), . . . , var(Xn )).
- Si les coordonnées de X sont indépendantes, alors ΣX est une
matrice diagonale.
Amphi 2
Indépendance et covariance
Proposition
Soient (X, Y) ∈ R2 un couple de v.a.r. (discret ou continu). Alors,
1 Vecteurs aléatoires
2 Indépendance et covariance
3 Calcul de loi
Alors X
PY (yj ) = P(Y = yj ) = P(X = xi )
{i : ϕ(xi )=yj }
P(Y = y) = 0,
√
pour tout y ∈ N∗ tel que y∈
/N
Amphi 2
Calcul de loi
Finalement
1 √ √
fX 2 (y) = √ (fX ( y) + fX (− y)) 1I]0,+∞[ (y).
2 y
Amphi 2
Calcul de loi
Proposition
Soit ϕ : Rn → Rn un C1 difféomorphisme de D dans son image ϕ(D).
Alors, le vecteur aléatoire Y = ϕ(X) admet pour densité
où
∂ϕ−1
1 (y) ∂ϕ−1
1 (y)
∂y1 ··· ∂yn
Jac(ϕ−1 )(y) = .. ..
. ··· .
∂ϕ−1
n (y) ∂ϕ−1
n (y)
∂y1 ··· ∂yn
Proposition
Si X et Y sont indépendantes, alors fX,Y (u − v, v) = fX (u − v)fY (v) et
donc Z +∞
fX+Y (u) = fX (u − v)fY (v)dv = fX ? fY (u).
−∞
Amphi 2
Lien entre théorie de la mesure et probabilités
1 Vecteurs aléatoires
2 Indépendance et covariance
3 Calcul de loi
où
1 si xn ∈ B
δxn (B) =
0 si xn ∈
/ B,
est la mesure de Dirac au point xn .
Sa fonction de répartition peut s’écrire sous la forme
X X
FX (x) = P([X ≤ x]) = PX (] − ∞, x]) = pn = pn δxn (] − ∞, x]).
xn ≤x n∈N
1
Exemple : p0 = p1 = 2 et x0 = 0, x1 = 1.
Amphi 2
Lien entre théorie de la mesure et probabilités
0.8
0.6
0.4
0.2
1 1
P
x 7→ FX (x) = pn δxn (] − ∞, x]) = 211[0,+∞[ (x) + 211[1,+∞[ (x).
n∈N
Amphi 2
Lien entre théorie de la mesure et probabilités
où
1 si xn ∈ B
δxn (B) =
0 si xn ∈
/ B,
est la mesure de Dirac au point xn .
Son espérance est donnée par
Z X
E(X) = xdPX (x) = pn xn .
R n∈N
Amphi 2
Lien entre théorie de la mesure et probabilités
0.8
0.6
0.4
0.2
−4 −3 −2 −1 0 1 2 3 4
1 1
x 7→ FX (x) = 211[0,+∞[ (x) + 2 FN (0,1) (x).