Chapitre 6 Introduction A La Theorie Des Variables Aleatoires Reelles Continues A 2 Dimensions

Ecole Supérieure des Sciences de Gestion d’Annaba.
Cours préparé par M. Noureddine Arfaoui pour la seconde année des classes préparatoires
1. Notions générales
1.1 Définition de l’évènement élémentaire
C’est le produit : dx dy tel que :
dx   x, x  dx dx  0
dy   y, y  dy  dy  0
Géométriquement, l’évènement élémentaire est représenté par la surface élémentaire du rectangle élémentaire.
1.2 Définition de la loi de probabilité conjointe
a-Le support
( X , Y ) ()  X () x Y ()
b-La fonction de densité conjointe
Notée f ( x, y) ou f X Y ( x, y )
f : IR 2  IR 
( x, y )  IR 2  f ( x, y )  IR 
f vérifie les propriétés connues :
 Continue sur IR sauf en quelques points dont le nombre est limité
 f ( x, y )  0 ( x, y )  IR 2
 
 P ( )    f ( x, y) dx dy  1
 
 2 F ( x, y )
f ( x, y ) 
x y
d 2 F ( x, y )

dx dy
 d 2 F ( x, y)  f ( x, y ) dx dy
 P {( x  X  x  dx)  ( y  Y  y  dy )}
Lecture de f ( x, y ) dx dy : probabilité de réalisation de l’évènement élémentaire représentée géométriquement par le
volume élémentaire du parallépipède élémentaire

Graphique
f ( x, y)
y
dx
Remarque : dans le cas de variables aléatoires réelles continues, nous avons :

P ( X  x  Y  y)  0
|P a g e 1
1.3. La fonction de répartition conjointe

F ( x, y )  P ( X  x  Y  y )
x y
   f (t, u) dt du
 
a. Propriétés de la fonction de répartition
 0  F ( x, y )  1 ( x, y )  IR 2
  x j  xi  F ( x j , y)  F ( xi , y) xi , x j  IR ( i  j )
  y j  y i  F ( x, y j )  F ( x, y i ) y i , y j  IR ( i  j )
 lim F ( x, y )  0
x  
 lim F ( x, y )  0
y 
 lim F ( x, y )  0
x
y 
 lim F ( x, y )  FX ( x)
y 
 lim F ( x, y )  FY ( y)
x
 lim F ( x, y)  1
x
y 
b. Utilisation de la fonction de répartition dans le calcul des probabilités

Quelques cas :
1er cas : ( xi  x j )  ( yi  y j ) (i  j )
P [( xi  X  x j )  ( yi  Y  y j )]  F ( x j , y j )  F ( x j , yi )  F ( xi , y j )  F ( xi , yi )
2ème cas : ( xi  x j )  ( yi  y j ) (i  j )
P [( xi  X  x j )  ( yi  Y  y j )]  1  FX ( xi )  FX ( x j )  FY ( yi )  FY ( y j )  FX Y ( xi , yi )  FX Y ( xi , y j )  FX Y ( x j , yi )  FX Y ( x j , y j )
3ème cas :
P ( X  xi  Y  y j )  1  FX ( xi )  FY ( y j )  FX Y ( xi , y j )
Exemple 1
Soit la fonction de densité f définie comme suit :

0 ( x  b)  ( y  b)

f ( x, y )   (1  xy) (b  x  b)  (b  y  b)   IR * ; b0
0 ( x  b)  ( y  b )

1. Préciser l’ensemble des valeurs possibles

2. Déterminer le paramètre 
3. Calculer la fonction de répartition conjointe
|P a g e 2
Solution
1. Support
X ()    b b  Y ()    b b 
( X , Y ) ()    b b 2
2. Calcul du paramètre 
b b
   f ( x, y ) dx dy  1
b b
 b b

P ()  1     (1  xy ) dx dy  1
 b b
 bb 
  (1  xy ) dy  dx  1
  
 b  b 
 b b b 

  
 dy  x y dy  dx  1
  
  b  b b 
 b



  y  b 
 
b x
2
b 
y 2  b  dx  1

 

P ()  1    b
 b  x 
 b 
  2 b    (0)  dx  1
2 
 b


 b

 2 b dx  1
 b
2 b
 b
dx  1 


P ()  1  2 b  x bb  1

4b 2  1    1  0 (b  0)
 4b 2


0 ( x  b)  ( y  b)
 (1  xy)

f ( x, y )   2
( b  x  b)  (b  y  b)
 4b

0 ( x  b)  ( y  b)
3. Calcul de la fonction de répartition conjointe

( x  b)  ( y  b)
F1 ( x, y )  P( X  x  Y  y )
x  b y   b
   f (t, u) dt du 0
 
F1 ( x, y )  0
|P a g e 3
( x  b)  ( y  b)
F2 ( x, y )  P( X  x  Y  y )
xb yb
   f ( x, y) dx dy
 
 b   b  xb yb
  
 
f (t , u ) dt du 
b
  f (t, u) dt du
b
x  b y  b 
 
1 
 F1 (b   ,b   )  (1  tu ) du  dt
4b 2  
b  b 
x  b y  b 
 
1 
 0 (1  tu ) du  dt
4b 2
 
b  b 
x b y b yb 
  
1 
F2 ( x, y )  du  t udu  dt
4b 2  
b  b b 
xb

1
4b 2 

 u  b  u

y t 2
2
  y
b

 dt

b
xb
 2

1 t
 ( y  b)  2 ( y  b  dt
2
4b 2 b
 
xb xb
 y 2  b2 
 
1 1   t dt
 ( y  b) dt 
4b 2 4b 2  2 
b b  
xb 2 xb
yb y b
2

4b 2  dt 
b
8b 2  t dt
b
yb
 t  x b  y  b2 t 2 b  
2 2
x
 2
4b 16b
( y  b)( x  b) ( y 2  b 2 )( x 2  b 2 )
 
4b 2 16b 2
( x  b)( y  b) ( y 2  b 2 )( x 2  b 2 )
F2 ( x, y )  
4b 2 16 b 2
( x   )  ( y   )
F3 ( x, y )  P ( X  x  Y  y )
x   y  


  f (t , u ) dt du

b b x   y  
 
 
f (t , u ) dt du    f (t , u ) dt du
b  b
 F2 (b, b)  0
(b 2  b 2 ) (b 2  b 2 ) (b  b) (b  b)
 2

16b 4b 2
2
4b
 1
4b 2
F3 ( x, y )  1
|P a g e 4
0 ( x  b)  ( y  b)

 ( x  b)( y  b) ( x  b )( y  b )
2 2 2 2
F ( x, y )    (b  x  b)  (b  y  b)
 4b 2 16 b 2
1 ( x  b)  ( y  b)

Vérification :
0 ( x  b)  ( y  b)
 F ( x, y ) 
2
 (1  xy)
f ( x, y )   (b  x  b)  (b  y  b)
 x y  4b
2

0 ( x  b)  ( y  b)
2.Les lois de probabilité marginales

2.1 Loi de probabilité marginale de la variable aléatoire réelle X
a. Le support
X ()   x : x  IR 
b. La fonction de densité marginale
f X : IR  IR 
x  IR  f X ( x)  IR 
f X ( x)   yY (  )
f ( x, y ) dy
2.2 Loi de probabilité marginale de la variable aléatoire réelle Y

a. Le support
Y ()   y : y  IR 
b. La fonction de densité marginale
Notée f Y ( y )
fY : IR  IR 
y  IR  fY ( y )  IR 
fY ( y )  x X (  )
f ( x, y ) dx
3.La fonction de répartition marginale

3.1 Fonction de répartition marginale de la variable aléatoire réelle X
1ère méthode
FX ( x)  P( X  x)
 lim FXY ( x, y )
y  
2ème méthode
FX ( x)  P ( X  x)
x
 f

T (t ) dt
|P a g e 5
3.2 Fonction de répartition marginale de la variable aléatoire réelle Y

1ère méthode
2ème méthode
FY ( y )  P (Y  y )
y
 f

U (u ) du
4.La loi de probabilité conditionnelle

4.1 Loi de probabilité conditionnelle de la variable aléatoire réelle X
a. Le support
X ()   x : x  IR 
b. La fonction de densité conditionnelle

f ( x, y )
f X \Y  y ( x )  ; f Y ( y)  0
f Y ( y)
f ( x, y )
f X \Y  y ( x )   f ( x, y )  f Y ( y ) f X \ Y  y ( x )
f Y ( y)
4.2 Loi de probabilité marginale de la variable aléatoire réelle Y
a. Le support
Y ()   y : y  IR 
b. La fonction de densité conditionnelle
f ( x, y )
fY \ X  x ( y )  ; f X ( x)  0
f X ( x)
f ( x, y )
fY \ X  x ( y )   f ( x, y )  f X ( x ) f Y \ X  x ( y )
f X ( x)
Remarque :
f ( x, y )  f Y \ X  x ( y ) f X ( x )
 f X \ Y  y ( x ) fY ( y )
5. L’indépendance en probabilité
X  Y  f ( x, y )  f X ( x) f Y ( y ) ( x, y )  IR 2
Corollaire :
f X \ Y  y ( x)  f X ( x) ; fY ( y )  0
fY \ X  x ( y )  f y ( y ) ; f X ( x)  0
|P a g e 6
Exemple 2
On considère l’exemple 1 précédent.
1. Calculer la loi de probabilité marginale de chaque variable et reconnaitre la loi obtenue
2. Calculer la fonction de répartition marginale de chaque variable
3. Calculer la loi de probabilité conditionnelle de chaque varaible
4. Les variables sont-elles indépendantes en probabilité
Solution
1. Calcul des lois de probabilité marginales
a. De la variable aléatoire réelle X
 Support
X ()    b b 
 Fonction de densité marginale
f X ( x)   yY (  )
f ( x, y ) dy
b
f X ( x)   f ( x, y) dy
b
b
 (1  xy) dy
1

4b 2 b
1  
b b

4b  b
2 
 dy  xy dy 
b



1  b x 2 b 
 2   y   b  y b 
4b  2 
 
2b 1
 2 
4b 2b
1
 b  x  b
f X ( x)   2b
0 sinon
La loi obtenue est la loi uniforme X ~ U (b, b)
b. De la variable aléatoire réelle Y

 Support
Y ()    b b 
fY ( y )  x X (  )
f ( x, y ) dx
|P a g e 7
b
fY ( y)   f ( x, y) dx
b
b
 (1  xy) dx
1

4b 2 b
1  
b b
4b  b b

 2  dx  xy dx 



fY ( y ) 
1  b y 2
 x   b  x
4b 2  2
  b 
b 

2b 1
 
4b 2 2b
1
 b  y  b
f Y ( y )   2b

0 sinon
La loi obtenue est la loi uniforme Y ~ U (b, b)
2. Calcul des fonctions de répartition marginales

 1ère méthode
FX ( x)  P ( X  x)
 lim F ( x, y )
y  
( x  b)( y  b) ( x 2  b 2 )( y 2  b 2 )
F ( x, y )  
4b 2 16 b 2
( x  b) ( y  b) ( x2  b2 ) ( y 2  b2 )
lim F ( x, y )  lim 
y  y  4b 2 16 b 2
( x  b) ( y  b) ( x2  b2 ) ( y 2  b2 )
 lim 2

y b 4b 16 b 2
( x  b) ( y  b) xb
 lim 2

y b 4b 2b
0 x  b

 ( x  b)
FX ( x)   b  x  b
 2b
1 xb
 2ème méthode
FX ( x )  P ( X  x )
x
 f

T (t ) dt
{x  b}
x  b
FX ( x)  f

T (t ) dt
0
|P a g e 8
{x  b}
x  b
FX ( x)  f

T (t ) dt
b  xb
 

f T (t ) dt  f
b
T (t ) dt
xb
1
 FX (b   ) 
2b  dt
b
0
1
t  x b
2b
xb

2b
xb
FX ( x ) 
2b
{x   }
x 
FX ( x ) 

f T (t ) dt
b x  
 f

T (t ) dt 
b 
f T (t ) dt
x  
 FX (  b )   0.dt
b 
2b
  0 1
2b
FX ( x )  1
0 x  b

x  b
FX ( x)   b xb
 2b

1 xb
 3ème méthode
0 x  b

x  a xb
X ~ U (b, b)  FX ( x)    b  x b
 b  a 2b

1 xb
On vérifie que
1
FX ( x)  b  x  b
f X ( x)   2b
dx 0
 if not

 1ère méthode
FY ( y )  P (Y  y )
 lim F ( x, y )
x  
|P a g e 9
( x  b) ( y  b) ( x2  b2 ) ( y 2  b2 )
F ( x, y )  2

4b 16 b 2
( x  b) ( y  b) ( x 2  b 2 ) ( y 2  b 2 )
lim F ( x, y )  lim 
x  x  4b 2 16 b 2
( x  b) ( y  b) ( x 2  b 2 ) ( y 2  b 2 )
 lim 
x b 4b 2 16 b 2
( x  b) ( y  b)
 lim
x b 4b 2
yb

2b
0 y  b

 ( y  b)
FY ( y )   b  y  b
 2b
1 yb
 2ème méthode
y
FY ( y )  f

U (u ) du
{ y  b}
y b
FY ( y )  f

U (u ) du 0
{ y  b}
y  b
FY ( y )  f

U (u ) du
b  y b
 

fU (u ) du  f
b
U (u ) du
y b
1
 FY (b   ) 
2b  du
b
0
1
u  yb
2b
yb

2b
yb
FY ( y ) 
2b
{ y   }
y  
FY ( y )  f

U (u ) du
b y  
 

fU (u ) du  f
b 
U (u ) du
y  
 FY (b)   0.du
b 
2b
 0
2b
1
FY ( y)  1
| P a g e 10
0 y  b

yb
FY ( y )   b  y  b
 2b
1 yb
 3ème méthode :
0 y  b

ya yb
Y ~ U ( b, b)  FY ( y )    b  y  b
 b  a 2b

1 yb
On vérifie que
1
FY ( y )  b  y  b
f Y ( y)   2b
dy 0
 sinon
3. Calcul des lois de probabilité conditionnelles
 Support
X ()    b b 
 Fonction de densité conditionnelle
f ( x, y )
f X \ Y  y ( x)  fY ( y)  0
fY ( y )
 (1  xy)
f ( x, y )  (b  x  b)  (b  y  b)
f X \Y  y ( x)    2b
fY ( y ) 
0 sinon

 Support
Y ()    b b
f ( x, y ) f X ( x)  0
fY \ X  x ( y ) 
f X ( x)
 (1  xy)
f ( x, y )  ( b  x  b)  ( b  y  b)
fY \ X  x ( y )    2b
fX (X ) 
0 sinon
4. Examen de l’indépendance en probabilité
X  Y  f ( x, y )  f X ( x) fY ( y ) ( x, y )  IR 2
 1  1 
f X ( x) f Y ( y )     
 2b  2b 
1
  f ( x, y )  f X ( x ) f Y ( y )
4b2
Les variables aléatoires réelles ne sont pas indépendantes en probabilité
| P a g e 11
5.Les caractéristiques numériques

5.1 L’espérance mathématique du couple de variables aléaoires
Théorème de transfert
E  ( X , Y )     ( x, y ) f ( x, y ) dx dy
x y
 : IR 2  IR
( x, y )  IR 2   ( x, y )  IR
Quelques formes de la fonction 
 ( X , Y )  aX  bY
E  ( X , Y )  E (aX  bY )  aE ( X )  bE (Y )
 ( X , Y )  aX  bY
E  ( X , Y )  E (aX  bY )  aE ( X )  bE (Y )
 ( X , Y )  X .Y
X  Y  E ( X , Y )  E ( X .Y )
 E ( X ).E (Y )
5.2 L’espérance mathématique conditionnelle
a-De la variable aléatoire réelle X
E( X \ Y )   x f X \Y  y ( x) dx
x X (  )
b-De la variable aléatoire réelle Y
E (Y \ X )   y fY \ X  x ( y ) dy
yY (  )
Remarque : E ( X \ Y ) et E (Y \ X ) représentent des variables aléatoires réelles
Théorème 1
E E ( X \ Y )  E ( X ) et E E (Y \ X )  E (Y )
Théorème 2
E ( X \ Y )  E ( X )
X Y  
 E (Y \ X )  E (Y )
5.3 La variance du couple de variables aléatoires réelles

 
Var  ( X , Y )  E  2 ( X , Y )   E  ( X , Y )  2
 : IR 2  IR
( x, y )  IR 2   ( x, y )  IR
5.4 La variance conditionnelle

Var ( X \ Y )  E X  E ( X \ Y ) 2 \ Y 
 E( X 2
\ Y )  E ( X \ Y ) 2
| P a g e 12
E ( X 2 \ Y )   x 2 f X \Y  y ( x) dx
x


Var (Y \ X )  E Y  E (Y \ X ) 2 \ X 
 E (Y \ X )  E (Y \ X ) 2
2
E (Y 2 \ X )   y 2 fY \ X  x ( y ) dy
y
Théorème 3
Var ( X )  E Var ( X \ Y )  Var E ( X \ Y )
Var (Y )  E Var (Y \ X )  Var E (Y \ X )
Théorème 4
Var ( X \ Y )  Var ( X )
X Y  
Var (Y \ X )  Var (Y )
5.5 La covariance
Cov( X , Y )  E X  E ( X )Y  E (Y ) 
Relation de Huyguens-Koning
Cov( X , Y )  E ( XY )  E ( X ) E (Y )
 Propriétés de la covariance
1. Cov ( X , Y )  IR
2. Cov ( X , Y )  Cov (Y , X )
3. X  Y  Cov ( X , Y )  0
4. Cov ( X , X )  Var ( X )
5. Cov (aX , Y )  aCov ( X , Y ) (a  0)
6. Cov ( X , a)  0 (a  0)
7. Cov ( X , aY )  aCov ( X , Y ) (a  0)
8. Cov (aX , aY )  a 2Cov ( X , Y ) (a  0)
9. Cov (aX , bY )  ab Cov ( X , Y ) (a, b)  (0,0)
10. Cov (aX  b, cY  d )  ac Cov ( X , Y ) (a, b, c, d )  (0,0,0,0)
5.6 La matrice des variances-covariances

 Var ( X ) Cov ( X , Y ) 
 x, y  
Cov ( X , Y ) Var (Y )  
 Propriétés de la variance
1. Var ( X  Y )  Var ( X )  Var (Y )  2Cov ( X , Y )
2. Si X  Y  Cov ( X , Y )  0 et Var ( X  Y )  Var ( X )  Var (Y )

3. Var ( X  Y )  Var ( X )  Var (Y )  2Cov ( X , Y )
Si X  Y  Cov ( X , Y )  0 et Var ( X  Y )  Var ( X )  Var (Y )

4.
 Var ( X  Y )
| P a g e 13
5.7 Le coefficient de corrélation linéaire simple
;  X  0  Y  O ;  x , y  - 1,1
Cov ( X , Y )
 x, y 
 x . y
Donne une mesure de l’intensité de la liaison entre les 2 variables aléatoires réelles
 Cov ( X , Y )  0   x, y  0,1 ; les variables varient dans le même sens (exemple : l’offre et le prix
dans la fonction d’offre)
 Cov ( X , Y )  0   x, y  0 (il est très peu probable qu’il existe un lien entre les 2 variables)
 Cov ( X , Y )  0   x, y   1,0 ; les variables varient en sens inverse (exemple : la demande et le
prix dans la fonction de demande)
Remarque
1. Si (  x, y  0) la liaison est jugée très faible
2. Si  x, y 
 1 la liaison est jugée très forte
Inégalité de Schwartz
Cov ( x, y )   X  Y
6.Les moments
6.1 Le moment simple conjoint
Noté mrs ; (r , s)  IN
2
mrs  E ( X r Y s )
   x r y s f ( x, y ) dx dy
x y
(r  1  s  1)  m11  E ( XY )   x y f ( x, y) dx dy
x y
6.2 Le moment simple marginal

a. D’ordre r de la variable aléatoire réelle X
(r  0  s  0)  mr 0  E ( X r )
  x r f X ( x) dx
x
(r  1  s  0)  m10  E ( X )
(r  2  s  0)  m20  E ( X 2 )
b. D’ordre s de la variable aléatoire réelle Y
(r  0  s  0)  m0 s  E (Y s )
 y
s
fY ( y ) dy
y
(r  0  s  1)  m01  E (Y )
(r  0  s  2)  m02  E (Y 2 )
| P a g e 14
6.3 Le moment centré conjoint

Noté u r s
u rs  E  X  E( X ) Y  E(Y ) 
r s
(r  1  s  1)  u11  Cov ( X , Y )
Cov( X , Y )  E ( XY )  E ( X ) E (Y )
u11  m11  m10 m01
6.4 Le moment centré marginal
(r  0  s  0)  u r 0  E X  E ( X )  r

(r  2  s  0)  u 20  Var ( X )
u 20  m 20  m10 2


(r  0  s  0)  u0 s  E Y  E (Y ) s 
(r  0  s  2)  u 02  Var (Y )
u 02  m02  m01 2
Exemple 3
Soit la fonction de densité conjointe ci-après :
e  x e  y ( x  0)  ( y  0)
f ( x, y )  
0 sinon
Calculer :
1. La fonction de répartition conjointe
2. La probabilité : P ( X  3  Y  4)
3. La loi de probabilité marginale ; concluer

4. La fonction de répartition marginale
5. La loi de probabilité conditionnelle de chaque variable ; concluer
6. La moyenne conditionnelle de chaque variable
7. La variance conditionnelle de chaque variable
8. La moyenne marginale de chaque variable
9. La variance marginale de chaque variable
10. Le coefficient de corrélation linéaire simple
Soit la variable aléatoire réelle Z tel que Z   ( X , Y )  X  Y ; calculer :
11. La moyenne de Z
12. La variance de Z
| P a g e 15
Solution
1. Calcul de la fonction de répartition conjointe
F ( x, y )  P ( X  x  Y  y )
x y
   f (t , u ) dt du
  
 ( x  0)  ( y  0)
F1 ( x, y)  0

( x   )  ( y  )
F2 ( x, y )  P ( X  x  Y  y )
x   y  


 
 f (t , u ) dt du
0  0  x   y  
  
 
f (t , u ) dt du  
0

0
f (t , u ) dt du
x   y  
 F1 (0   ,0   )   e
t
e  u dtdu
0 0
x  
 t y   u 
0  e

 e du  dt

0  0 
x  
  e e 
t u y
 0 dt
0
x  
e
t
 (e  y  1) dt
0
x  

  e y  1  e t
dt
0
 1)  e 
x
 (e  y t
0
 (e  y  1) (e  x  1)
0 ( x  0)  ( y  0)
F ( x, y )    x y
(e  1) (e  1) ( x  0)  ( y  0)
On vérifie que :
 F ( x, y ) e  x e  y
2
( x  0)  ( y  0)
f ( x, y )  
 x y 0 sinon
2. Calcul de P ( X  3  Y  4)
F (3,4)  P ( X  3  Y  4)
 (e  3  1)(e  4  1)
 0.9328
| P a g e 16
3. Calcul des lois marginales

 Support
X ()  IR 
f X ( x)   f ( x, y) dy
y

f X ( x)   f ( x, y) dy
0

e
x  y
 e dy
0
 e  x e  y   
0
 e  x (0  1)
 e x
e  x x0
f X ( x)  
0 sinon
X ~ Exp (1)

 Support
Y ()  IR 
fY ( y)   f ( x, y) dx
x

fY ( y)   f ( x, y) dx
0

  e  x e  y dx
0
 e  y e  x   
0
 e  y (0  1)  e  y
e  y y0
fY ( y )  
0 sinon
Y ~ Exp (1)
4. Fonction de répartition marginale
1ère méthode
FX ( x)  P( X  x)
 lim F ( x, y )
y  
| P a g e 17
F ( x, y)  (e  x  1) (e  y  1) ( x  0)  ( y  0)
lim F ( x, y )  lim (e  x  1) (e  y  1)
y  y 
 (e  x  1) lim (e  y  1)
y 
x
 1 e
0 x0
FX ( x)   x
1  e x0
2ème méthode
FX ( x )  P ( X  x )
x
 f

T (t ) dt
{x  0 }
x0
FX ( x)  f

T (t ) dt
0
{x   }
x  
FX ( x)  f

T (t ) dt
0 x  
 

f T (t ) dt  f
0
T (t ) dt
x  
 FX (0   )  e
t
.dt
0
 0   e t  x
0
 1  ex
0 x0
FX ( x)    x
1 - e x0
 3ème méthode
0 x0
X ~ Exp (1)  FX ( x)  
1 - e
 x
x0 (   1)
On vérifie que
dFX ( x) e  x x0
f X ( x)  
dx 0 sinon

1ère méthode
FY ( y )  P (Y  y )
 lim F ( x, y )
x  
| P a g e 18
lim F ( x, y )  lim (e  x  1) (e  y  1)
x  x
 (e  y  1) lim (e  x  1)
x
y
 1 e
0 y0
FY ( y)   y
1  e y0
ème
2 méthode
y
FY ( y )  f

U (u ) du
{ y  0}
y 0
FY ( y ) 

f U (u ) du
0
{ y   }
y  
FY ( y )  f

U (u ) du
0  y  


 fU (u ) du  f
0
U (u ) du
y  
 FY (0   )  e
u
.du
0
 0   eu  
y
0
y
1 e
0 y0
FY ( y)    y
1 - e y0
 3ème méthode
0 y0
Y ~ Exp (1)  FY ( y )  
1 - e
 y
y0 (   1)
On vérifie que
dFY ( y) e  y y0
fY ( y)  
dy 0 sinon
5. Calcul des lois de probabilité conditionnelles
 Support
X ()  IR 
f ( x, y )
f X \Y  y ( x) 
fY ( y )
e  x x0

0 sinon
| P a g e 19

 Support
Y ()  IR 
f ( x, y )
fY \ X  x ( y ) 
f X ( x)
e  y y0

0 sinon
f X \Y  y ( x)  f X ( x)  e  x 
 X Y
fY \ X  x ( y )  fY ( y )  e  y 
f ( x, y)  f X ( x) fY ( y)  X  Y
6. Calcul des moyennes conditionnelles
 1ère méthode

E( X \ Y )  x f
0
X \Y  y ( x) dx

 x f
0
X ( x) dx

 xe
x
 dx
0
  u dv
u v  v du
 
 u  x  du  dx
dv  e  x dx  v  e  x


 x 
E( X \ Y )   x e   e  x dx
0
0
0 e  
 x 
0
1
ème
 2 méthode
X ~ Exp (1)  E ( X \ Y )  E ( X ) (X  Y)
1


1
| P a g e 20
 3ème méthode
E( X \ Y )  E( X )

 xe
x
 dx
0

x
2 1
 e  x dx
0
  (2)
 (2  1)!
1
 1ère méthode

E (Y \ X )  y f
0
Y\X  x ( y ) dy

 y f
0
Y ( y ) dy

 ye
y
 dy
0
  u dv
u v  v du
 

 u  y  du  dy
dv  e  y dy  v  e  y




E (Y \ X )   y e  y e
y
 dy
0
0

 0   ey 
0
1
 2ème méthode
Y ~ Exp (1)  E (Y \ X )  E (Y ) (X  Y)
1


1
 3ème méthode
E (Y \ X )  E (Y )

 ye
y
 dy
0

y
2 1
 e  y dy
0
  (2)
 (2  1)!
1
| P a g e 21
7. Calcul des variances conditionnelles

 1ère méthode
Var ( X \ Y )  E ( X 2 \ Y )  E ( X \ Y )
2
E ( X 2 \ Y )   x 2 f X \Y  y ( x) dx
x
  x 2 f X ( x) dx (X  Y)
x

x e
2 x
 dx
0
 E( X 2 )
  u dv
u v  v du
 

 u  x 2  du  2 xdx
dv  e  x dx  v  e  x




E ( X 2 \ Y )   x 2 ex  2  x e  x dx
0
0
 0  2 E (X )
2
Var ( X \ Y )  E ( X 2 \ Y )  E ( X \ Y )
2
 E ( X 2 )  E ( X )
2
 Var ( X )
 2 1
1
 2ème méthode
X ~ Exp (1)  Var ( X \ Y )  Var ( X ) (X  Y)
1
 2

1
 3ème méthode
Var ( X \ Y )  E ( X 2 \ Y )  E ( X \ Y )
2
 E ( X 2 )  E ( X )
2
  2  x 
  x e dx   1
 
 0 
 

 x
 e  x dx 
31
 1
 0 
Var ( X \ Y )   (3)  1
 (3  1)!1
 2 1
1
| P a g e 22

 1ère méthode
Var (Y \ X )  E (Y 2 \ X )  E (Y \ X )
2
E (Y 2 \ X )   y 2 fY \ X  x ( y ) dy
y
  y 2 fY ( y ) dy (X  Y)
y

y e
2 y
 dy
0
 E (Y 2 )

E (Y 2 \ X )  u dv
u v  v du
 

 u  y 2  du  2 ydy
 y y
dv  e dy  v  e



E (Y 2 \ X )   y 2 e  y  2  y e  y dy
0
0
 0  2 E (Y )
2
Var (Y \ X )  E (Y 2 \ X )  E (Y \ X )2
 E (Y 2 )  E (Y )2
 Var (Y )
 2 1  1
 2ème méthode
Y ~ Exp (1)  Var (Y \ X )  Var (Y ) (X  Y)
1
 2

1
 3ème méthode
Var (Y \ X )  E (Y 2 \ X )  E (Y \ X )
2
 E (Y 2 )  E (Y )
2
  
   y 2 e  y dy   1
 0 
 

   y 31 e  y dy   1
 0 
  (3)  1
 (3  1) !1
 2 1
1
| P a g e 23
8. Calcul des moyennes marginales

X  Y  E (X )  E (X \ Y)
1

X  Y  E (Y )  E (Y \ X )
1
9. Calcul des variances conditionnelles
X  Y  Var ( X )  Var ( X \ Y )
1
X  Y  Var (Y )  Var (Y \ X )
1
10. Calcul du coefficient de corrélation linéaire simple
a. Calcul de la covariance
Cov( X , Y )  E ( XY )  E ( X ) E (Y )
E ( XY )    xy f ( x, y) dx dy
x y
X  Y  E ( XY )  E ( X ) E (Y )
Cov( X , Y )  0
b. Calcul du coefficient de corrélation libnéaire simple
Cov ( X , Y )
 x, y 
 x . y
0
11. Calcul de la moyenne de Z
E  ( X , Y )    ( x, y) f ( x, y) dx dy
x y
Z   ( X ,Y )
 X Y
1ère méthode

  ( x  y) e
x  y
E (Z )  e dx dy
0 0
     
  xe   ye
x  y x  y
 e dx dy  e dx dy
0 0 0 0

 
 y 
 
 x
0  0    y e dy  e dx
x y
 x e dx  e dy 
 0  0 
 
 E ( X )e dy   E (Y )e dx
y x

0 0
| P a g e 24
 
E ( Z )  E ( X )  e  y dy  E (Y )  e  x dx
0 0
 E ( X ) * 1  E (Y ) * 1
2
2ème méthode
E ( Z )  E ( X )  E (Y )
11
2
12. Calcul de la variance de Z
1ère méthode
 
Var  ( X , Y )  E  2 ( X , Y )   E  ( X , Y )  2
Var (Z)  E ( Z )   E ( Z ) 
2 2

E (Z 2 )    ( x  y) e  x e  y dx dy
2
0 0
     
  x e e dx dy   y
2 x  y
 2
e  x e  y dx dy
0 0 0 0
  
2  x ye
x
e  y dx dy
0 0
 2 x
 
 y 
 

    x e dx  e dy     y 2 e  y dy  e  x dx
0  0  0  0 
 2 E ( XY )
 
 2e dy   2e dx  2
y x
E (Z 2 ) 
0 0
 
 2  e  y dy  2  e  x dx  2
0 0
 2 *1  2 *1  2
6
 Var ( Z )  E ( Z 2 )  E ( Z )
2
 6  22
2
2ème méthode
Var ( Z )  Var ( X )  Var (Y )  2Cov ( X , Y )
 11 0
2
| P a g e 25
7.La fonction génératrice conjointe des moments

7.1 Définition
 yY
M ( x ,  y )  E (e  x X e )
yy
   e x x e f ( x, y ) dx dy
x y
 h  1 h  x, y
7.2 Définition de la condition de normalisation
 x   y  0  M (0,0)  1
7.3 Définition du moment simple conjoint
mrs  E ( X r Y s )
  r  s M ( x ,  y ) 
 

  xr  ys   x 00
 y
( r , s )  IN 2
  M ( x ,  y ) 
2
Si r  1  s  1  m 11   
  x  y
   x 00
 y
 E ( XY )
7.4 Définition du moment simple marginal
mr 0  E ( X r Y 0 )
 E( X r )
 d r M ( x ,  y ) 
  ( s  0)
 d xr   x00 y
 dM ( x ,  y ) 
m10  E ( X )     0
 d x   xy 0
 d 2 M ( x ,  y ) 
m20  E ( X 2 )   
 d x2   x 00 y
m0 s  E ( X 0Y s )
 E (Y s )
 d s M ( x ,  y ) 
  (r  0)
 d ys  x 00
y
 dM ( x ,  y ) 
m01  E (Y )   
 d y   x 00
y
 d 2 M ( x ,  y ) 
m02  E (Y 2 )   
 d y2   x 00
y
| P a g e 26
7.5 Etude du cas de l’indépendance en probabilité

 yY
X  Y  M ( x ,  y )  E (e x X e )
xx  y y
 e
x y
e f ( x, y ) dx dy
xx  y y
 e
x y
e f X ( x) f Y ( y ) dx dy
yy
  e x x f X ( x) dx  e f Y ( y ) dy
x y
 Y
 E (e x X ) E (e y )
 M X ( x ) M Y ( y )
M ( x ,  y )  M X ( x ) M Y ( y )
8.La fonction génératrice des moments de la fonction 

 : IR 2  IR
( x, y )  IR 2   ( x, y )  IR

M  ( X ,Y ) ( )  E e   ( X ,Y ) 
   e   ( x , y ) f ( x, y ) dx dy
x y
 ( X , Y )  aX  bY
E   ( X , Y )  E ( aX  bY )  aE ( X )  bE (Y )
 ( X , Y )  aX  bY
E   ( X , Y )  E (aX  bY )  aE ( X )  bE (Y )
 ( X , Y )  XY
E   ( X , Y )  E ( XY )  E ( X ) E (Y )
X Y
a. Définition du moment simple de la fonction 

mk  E  ( X , Y ) k 
 d M  ( X ,Y ) ( ) 
k
  (k  IN * )
 d k   0
 dM  ( X ,Y ) ( ) 
m1  E  ( X , Y )   
 d   0
 d 2 M  ( X ,Y ) ( ) 

m2  E  ( X , Y ) 2    d 2

   0
| P a g e 27
Exemple 4
Soit la fonction de densité conjointe ci-après :
e  x e  y ( x  0)  ( y  0)
f ( x, y )  
0 sinon
X Y
Calculer :
1. La fonction génératrice des moments conjointe
2. Le moment simple conjoint en utilisant la fonction génératrice conjointe des moments
3. Le moment simple marginal d’ordre 1 et d’ordre 2 en utilisant la fonction génératrice conjointe des moments
Soit la variable aléatoire réelle Z tel que : Z   ( X , Y )  X  Y ; calculer :
4. La fonction génératrice des moments de la variable Z
5. La moyenne de la variable Z
6. La variance de la variable Z
Solution
1. Calcul de la fonction génératrice conjointe des moments
1ère méthode :
 yY
M ( x ,  y )  E (e x X e )
yy
   e x x e f ( x, y ) dx dy
x y

xx  y y
  e
0 0
e f ( x, y ) dx dy

 xx  y y x  y
   e
0 0
e e e dx dy

y ( y 1)
 e
x ( x 1)
 e dx dy
0 0
 
 y ( y 1) 
   e
x ( x 1)
 e dy  dx
0 0 
e 
 x ( x 1)
e y ( y 1) 
 
0 y 1 0 dx
y ( y 1)
lim e 0
y 
( y 1)  0
y ( y 1)
lim e 1
y 0

1
 y  1 0
M ( x ,  y )  e x ( x 1) dx

1
( y  1)( x  1)
e x ( x 1)   
0
lim e x ( x 1)  0
x
( x 1)  0
lim e x ( x 1)  1
x0
1
M ( x ,  y ) 
( x  1)( y  1)
| P a g e 28
2ème méthode

M ( x ,  y )  M X ( x ) M Y ( y )
  Y  Y
X  Y   E (e  x X e y )  E (e  x X ) E (e y )
 xx  y y yy
  e e f ( x, y ) dx dy   e f X ( x) dx  e f Y ( y ) dy
xx
x y x y
M X ( x )   e x x f X ( x) dx
x

e
 xx x
 e dx
0

e
x ( x 1)
 dx
0
M X ( x ) 
1
( x  1)

e x ( x 1)  
0
1

( x  1)
1
M X ( x ) 
 x 1
yy
M Y ( y )  e
x
f Y ( y ) dy

yy
 e 0
e  y dy

y ( y 1)
 e 0
dy

1
( y  1)
y ( 1)
e y   
0
1

( y  1)
1
M Y ( y ) 
 y 1
M ( x ,  y )  M X ( x ) M Y ( y )
1

( x  1) ( y  1)
2. Calcul du moment simple conjoint

  2 M ( x ,  y ) 
m11  E ( XY )   
  x  y   x 00y
 1 
 2 
 ( x  1) ( y  1)   x00
2
1
| P a g e 29
3. Calcul du moment simple marginal d’ordre 1 et 2

a. D’ordre 1 de la variable aléatoire réelle X
1ère méthode : utilisation de la fonction génératrice conjointe des moments
m10  E ( X )
 dM ( x ,  y ) 
   0
 d x   xy  0
 -1 
 
 ( x  1) ( y  1) 
2
   x 00
y
1
2ème méthode : utilisation de la fonction génératrice marginale des moments
m10  E ( X )
 dM X ( x ) 
 
 d x   x  0
 1 
 2
 ( x  1)   x  0
1
b. D’ordre 2 de la variable aléatoire réelle X
m20  E ( X 2 )
 d 2 M ( x ,  y ) 
 
 d x2   x 00
y
 2 
 
 ( x  1) ( y  1)   x 00
3
2
ème
2 méthode : utilisation de la fonction génératrice marginale des moments
m20  E ( X 2 )
 d 2 M X (1 ) 
 
 d x2  x  0
 2 
 3
 ( x  1)   x  0
2
De manière générale, nous avons :
 (1) r 1 r ! 
mr 0   r 1 
 (1   x )   x 0
c. D’ordre 1 de la variable aléatoire réelle Y
m01  E (Y )
 dM ( x ,  y ) 
 
 d y   x 00
y
 -1 
 
 ( y  1) ( x  1)   x 00
2
1
| P a g e 30

m01  E (Y )
 dM Y ( y ) 
 
 d y   y  0
 1 
 2
 ( y  1)   y  0
1
d. D’ordre 2 de la variable aléatoire réelle Y

ère
1 méthode : utilisation de la fonction génératrice conjointe des moments
m02  E (Y 2 )
 d 2 M ( x ,  y ) 
 

 d 2y 
  xy 00
 2 
 
 y
 (  1) 3
( x  1)   x 00
 y
2

m02  E (Y 2 )
 d 2 M Y ( y ) 
 
 d y2   y  0
 2 
 3
 ( y  1)   y  0
2
De manière générale, nous avons :

 (1) r 1 s ! 
m0 s   s 1 
 (1   y )   y  0
4. Calcul de la fonction génératrice des moments de la variable Z

M Z ( )  E (e   ( X ,Y )
)
e
  ( x, y )
 f ( x, y ) dx dy
x y
 
 e
 ( X Y )
 e  x e  y dx dy
0 0
 
 e
 x  y
 e e  x e  y dx dy
0 0
 
 e
 x x  y y
 e dx dy
0 0
 
 e
x ( 1)
 e y ( 1) dx dy
0 0
| P a g e 31

 

M Z ( )     e
x ( 1)
e y ( 1) dy  dx
0 0 

 

  e x ( 1)   e y ( 1) dy  dx
0 0   

e x ( 1)
   1

e y ( 1) dx 
0


1
 1

e y ( 1)  e

0
x ( 1)
dx
0

1
  12

e y ( 1)  e

0 0

x ( 1)  
lim e y ( 1)  0
y 
( 1)  0
lim e y ( 1)  1
y 0
lim e x ( 1)  0
x
( 1)  0
lim e x ( 1)  1
x0
1
M Z ( ) 
  12
5. Calcul de la moyenne de la variable Z
 d M Z ( ) 
m1   
 d   0
 E (Z )
 2 
m1   3
 (   1)    0
2
6. Calcul de la variance de la variable Z

Var ( Z )  E ( Z 2 )  E ( Z )  2
 m 2  m 21
m 2  E (Z 2 )
 d 2 M Z ( ) 
m2   
 d 2   0
 6 
 4 
 (  1)    0
6
Var ( Z )  6  2 2
2
| P a g e 32

Chapitre 6 Introduction A La Theorie Des Variables Aleatoires Reelles Continues A 2 Dimensions

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 6 Introduction A La Theorie Des Variables Aleatoires Reelles Continues A 2 Dimensions

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Supérieure des Sciences de Gestion d’Annaba.

Lecture de f ( x, y ) dx dy : probabilité de réalisation de l’évènement élémentaire représentée géométriquement par le

volume élémentaire du parallépipède élémentaire

Remarque : dans le cas de variables aléatoires réelles continues, nous avons :

1.3. La fonction de répartition conjointe

a. Propriétés de la fonction de répartition

b. Utilisation de la fonction de répartition dans le calcul des probabilités

Soit la fonction de densité f définie comme suit :

1. Préciser l’ensemble des valeurs possibles

3. Calcul de la fonction de répartition conjointe

2.Les lois de probabilité marginales

b. La fonction de densité marginale

2.2 Loi de probabilité marginale de la variable aléatoire réelle Y

3.La fonction de répartition marginale

3.2 Fonction de répartition marginale de la variable aléatoire réelle Y

4.La loi de probabilité conditionnelle

b. La fonction de densité conditionnelle

b. De la variable aléatoire réelle Y

La loi obtenue est la loi uniforme Y ~ U (b, b)

2. Calcul des fonctions de répartition marginales

b. De la variable aléatoire réelle Y

b. De la variable aléatoire réelle Y

4. Examen de l’indépendance en probabilité

Les variables aléatoires réelles ne sont pas indépendantes en probabilité

5.Les caractéristiques numériques

b-De la variable aléatoire réelle Y

Remarque : E ( X \ Y ) et E (Y \ X ) représentent des variables aléatoires réelles

5.3 La variance du couple de variables aléatoires réelles

b. De la variable aléatoire réelle Y

5. Cov (aX , Y )  aCov ( X , Y ) (a  0)

8. Cov (aX , aY )  a 2Cov ( X , Y ) (a  0)

9. Cov (aX , bY )  ab Cov ( X , Y ) (a, b)  (0,0)

10. Cov (aX  b, cY  d )  ac Cov ( X , Y ) (a, b, c, d )  (0,0,0,0)

5.6 La matrice des variances-covariances

2. Si X  Y  Cov ( X , Y )  0 et Var ( X  Y )  Var ( X )  Var (Y )

Si X  Y  Cov ( X , Y )  0 et Var ( X  Y )  Var ( X )  Var (Y )

5.7 Le coefficient de corrélation linéaire simple

6.2 Le moment simple marginal

b. D’ordre s de la variable aléatoire réelle Y

6.3 Le moment centré conjoint

b. D’ordre s de la variable aléatoire réelle Y

3. La loi de probabilité marginale ; concluer

Soit la variable aléatoire réelle Z tel que Z   ( X , Y )  X  Y ; calculer :

3. Calcul des lois marginales

b. De la variable aléatoire réelle Y

b. De la variable aléatoire réelle Y

b. De la variable aléatoire réelle Y

7. Calcul des variances conditionnelles

b. De la variable aléatoire réelle Y

8. Calcul des moyennes marginales

b. De la variable aléatoire réelle Y

11. Calcul de la moyenne de Z

7.La fonction génératrice conjointe des moments

b. D’ordre s de la variable aléatoire réelle Y

7.5 Etude du cas de l’indépendance en probabilité

8.La fonction génératrice des moments de la fonction 

2. Calcul du moment simple conjoint

3. Calcul du moment simple marginal d’ordre 1 et 2

2ème méthode : utilisation de la fonction génératrice marginale des moments

d. D’ordre 2 de la variable aléatoire réelle Y

2ème méthode : utilisation de la fonction génératrice marginale des moments

De manière générale, nous avons :

4. Calcul de la fonction génératrice des moments de la variable Z