Louv14x – Exercice formatif de la section 1.

4 – Compléments
Question 1
Soit X une variable aléatoire continue de densité
 4
 3 x si 0 < x < 12
4
f (x) = si 12 ≤ x < 1
 3
0 ailleurs

1. Représentez cette fonction graphiquement

2. Calculez son espérance, E(X) (réponse sous forme de fraction simplifiée)
3. Calculez sa variance, V ar(X) (réponse sous forme de fraction simplifiée)

Solutions
1. Cf JPEG ci-joint
2. Calcul de l’espérance :
Z ∞
E(X) = xf (x)dx
−∞
Z 1/2 Z 1
4 2 4
= x dx + xdx
0 3 1/2 3
1 1 5
= + =
18 2 9
3. Calcul de la variance :

V ar(X) = E(X 2 ) − [E(X)]2

 2
2 5
= E(X ) −
9

Nous devons ici calculer E(X 2 ).

Z ∞
E(X 2 ) = x2 f (x)dx
−∞
Z 1/2 Z 1
4 3 4 2
= x dx + x dx
0 3 1/2 3
1 7 59
= + =
48 18 144
Finalement
 2
59 5 32 × 59 + 52 × 24 931
V ar(X) = − = =
144 9 34 24 1296

1
Question 2
Soient X et Y deux variables aléatoires discrètes dont la distribution conjointe, p(x, y), est
donnée au tableau suivant :
x
0 1
0 0, 45 0, 35
y 1 0, 13 0, 02
2 0, 02 0, 03
(a) Vérifier que p(x, y) est bien une densité de probabilité.
(b) Calculer pX (x) ; E(X) ; V ar(X).
(c) Calculer pY (y) ; E(Y ) ; V ar(Y ).
(d) Calculer E(X − Y ) et V ar(X − Y ).
(e) Pour X = 1, trouver p(y|X = 1) ; E(Y |X = 1) V ar(Y |X = 1).
(f ) X et Y sont elles indépendantes ?
(g) Calculer Cov(X, Y ).

Solutions
(a) Il faut tout d’abord noter que chaque entrée du tableau est une probabilité valide
comprise entre 0 et 1. Ensuite, on note que la somme de toutes ses probabilités est égale
à1:

0, 45 + 0, 13 + 0, 02 + 0, 35 + 0, 02 + 0, 03 = 1

(b) La distribution marginale pX (x) est, par définition,

X
pX (x) := p(x, y)
y

où la somme sur y est prise sur toutes les valeurs possibles de la variable aléatoire Y .
En utilisant cette formule :

pX (0) = 0, 45 + 0, 13 + 0, 02 = 0, 6
pX (1) = 0, 35 + 0, 02 + 0, 03 = 0, 4

Par conséquent la distribution de X est donnée par


 0, 6 si x = 0
pX (x) = 0, 4 si x = 1
0 pour toute autre valeur de x


Pour le calcul de l’espérance de X on utilise la formule

X
E(X) = xpX (x)
x

laquelle, appliquée à notre situation particulière, donne

E(X) = 0 × 0, 6 + 1 × 0, 4 = 0, 4

2
 Le calcul de la variance se base sur la définition de la variance, var(X) = E(X 2 )−(EX)2 .
Nous devons au préalable calculer E(X 2 ) en utilisant la formule
X
E(X 2 ) = x2 pX (x)
x

qui donne dans notre cas

E(X 2 ) = 02 × 0, 6 + 12 × 0, 4 = 0, 4

Finalement, la variance est

var(X) = E(X 2 ) − (EX)2 = 0, 4 − (0, 4)2 = 0, 4 − 0, 16 = 0, 24.

(c) Suivre le raisonnement tenu en (b). Réponses finales :


 0, 8
 si y = 0
0, 15 si y = 1

pY (y) =

 0, 05 si y = 2
0 pour toute autre valeur de y


E(Y ) = 0, 25; E(Y 2 ) = 0, 35; var(Y ) = 0, 2875

(d) Par linéarité de l’espérance :

E(X − Y ) = E(X) − E(Y ) = 0, 4 − 0, 25 = 0, 15

Par la formule de la variance d’une somme :

var(X − Y ) = var(X) + var(Y ) − 2Cov(X, Y )

= 0, 24 + 0, 2875 − 2(E(XY ) − E(X)E(Y ))
= 0, 5275 − 2(E(XY ) − 0, 1)

Il nous faut encore calculer E(XY ). En utilisant la formule

XX
E(XY ) = xyp(x, y)
x y

nous obtenons
E(XY ) = 1 × 1 × 0, 02 + 1 × 2 × 0, 03 = 0, 08
Finalement,

var(X − Y ) = 0, 5275 − 2(0, 08 − 0, 1) = 0, 5675

(e) La formule générale à utiliser est celle de la probabilité conditionnelle :

pXY (x, y)
p(y|X = x) =
pX (x)

3
 En appliquant cette formule on obtient
 0,35 7

 0,4 = 8 si y = 0
 0,02 = 1

si y = 1
p(y|X = 1) = 0,4 20
0,03 3
= si y = 2
 0,4 40



0 pour toute autre valeur de y
L’espérance conditionnelle :
X
E(Y |X = 1) = yp(y|X = 1)
y
1 3 1
=1× +2× =
20 40 5
La variance conditionnelle est var(Y |X = 1) = E(Y 2 |X = 1) − [E(Y |X = 1)]2 . On
calcule tout d’abord E(Y 2 |X = 1) :
X
E(Y 2 |X = 1) = y 2 p(y|X = 1)
y
1 3 7
=1× + 22 × =
20 40 20
Finalement
var(Y |X = 1) = E(Y 2 |X = 1) − [E(Y |X = 1)]2
 2
7 1 31
= − =
20 5 100
(f ) Pour répondre à cette question, il faut vérifier les identités
pXY (x, y) = pX (x)pY (y) pour tout x et y.
La réponse à la questions est négative, puisque, par exemple, cette identité n’est pas
vérifiée pour les valeurs particulières x = 0 et y = 0 :
pXY (0, 0) = 0, 45
pX (0) = 0, 6
pY (0) = 0, 8
et 0, 45 6= 0, 6 × 0, 8.
(g) Cette covariance a été calculée dans l’exercice (d) : Cov(X, Y ) = −0, 02.

Question 3
Soit des variables Y et X telles que E(Y |X) = 1 + 3X, E(X) = 0 et V ar(X) = 4. Calculez
E(Y − 3X + 4X 2 − XY |X) et E(Y − 3X + 4X 2 − XY ).
Supposons de plus que V ar(Y |X) = 3X 2 . Calculez ou simplifiez au maximum les expressions
suivantes :
V ar(Y − 3X + 4X 2 − XY |X) et V ar(Y ).

4
Hint
Important à retenir pour le calcul d’espérances conditionnelles : Conditionnellement à X,
la variable X n’est plus aléatoire. Il faut donc la traiter comme une constante et lui appliquer
les règles usuelles du calcul des espérances concernant les constantes. Par exemple :
E(4Y ) = 4E(Y ) (car 4 est une constante)

donc :

E(XY |X) = XE(Y |X) (car X est une constante conditionnellement à X)

ou encore :

E(Y + 7) = E(Y ) + 7

donc :

E(Y + X|X) = E(Y |X) + X.

Solutions
(a) E(Y − 3X + 4X 2 − XY |X)
= E(Y |X) − E(3X|X) + E(4X 2 |X) − E(XY |X) (linéarité de l’espérance)
= E(Y |X) − 3X + 4X 2 − XE(Y |X) (idem, en utilisant X comme une constante)
2
= 1 + 3X − 3X + 4X − X(1 + 3X) (car E(Y |X) = 1 + 3X)
2
=X −X +1

(b) (Attention, dans le calcul de l’espérance non conditionnelle, la variable X est une va-
riable aléatoire !) E(Y − 3X + 4X 2 − XY )
= E(Y ) − 3E(X) + 4E(X 2 ) − E(XY ) (linéarité de l’espérance)
2
= E(Y ) + 4E(X ) − E(XY ) (car E(X) = 0)

On peut aller plus loin dans le calcul.

(i) Calcul de E(X 2 ). En utilisant
V ar(X) = E(X 2 ) − (EX)2
et sachant que V ar(X) = 4 et EX = 0, on déduit E(X 2 ) = 4.
(ii) Calcul de E(Y ). En utilisant la formule des espérances itérées :
E(Y ) = E(E(Y |X))
et sachant que E(Y |X) = 1 + 3X, on obtient :
E(Y ) = E(1 + 3X)
= 1 + 3E(X)
= 1
car E(X) = 0.

5
 (iii) Calcul de E(XY ). En utilisant à nouveau la formule des espérances itérées :

E[XY ] = E]E(XY |X)]

L’espérance dans la parenthèse étant une espérance conditionnelle à X, on peut

traiter X comme une constante (seulement à l’intérieur du crochet !)
En conséquence,
E[E(XY |X)] = E[X · E(Y |X)]
Comme E(Y |X) = 1 + 3X, on obtient finalement

E[XY ] = E[X(1 + 3X)] = E[X + 3X 2 ] = E[X] + 3E[X 2 ] = 12

en utilisant E]X[= 0 et E[X 2 ] = 4.

(iv) Conclusion de l’exercice :

E(Y − 3X + 4X 2 − XY ) = E(Y ) + 4E(X 2 ) − E(XY ) = 1 + 16 − 12 = 5

(c) V ar(Y − 3X + 4X 2 − XY |X)

= V ar(Y − XY |X) (car conditionnellement à X, l’expression (−3X + 4X 2 ) est une constante)

= V ar (1 − X)Y |X
= (1 − X)2 V ar(Y |X) (idem)
= 3X 2 (1 − X)2

(d) On utilise la décomposition de la variance :

V ar(Y ) = E[V ar(Y |X)] + V ar[E(Y |X)]

Les deux expressions entre crochets sont donnés dans l’énoncé. On a donc :

V ar(Y ) = E[3X 2 ] + V ar[1 + 3X]

Sachant, d’après l’énoncé, que E(X) = 0 et V ar(X) = 4 on conclut que E(X 2 ) = 4. Le

deuxième terme est égal à 9V ar(X) = 36. Finalement :

V ar(Y ) = 3 × 4 + 36 = 48