Académique Documents
Professionnel Documents
Culture Documents
CHAPITRE 2
Vecteurs Aléatoires Absolument Continus
1. Rappels d’intégration.
Soit une fonction à deux variables f : R2 ! R intégrable et soit un domaine D borné du plan R2 et
contenue dans le domaine de dé…nition de f:
Théorème 1.3.
Soit un domaine D = f(x; y) 2 R2 ; a x b; h(x) y g(x)g où h et g sont deux fonctions dé…nies sur
R, alors on a:
ZZ Z b "Z g(x)
#
f (x; y)dx dy = f (x; y)dy dx
a h(x)
D
Théorème 1.4.
Soit un domaine D = f(x; y) 2 R2 ; c y d; u(y) x v(y)g où u et v sont deux fonctions dé…nies sur
R, alors on a:
ZZ Z "Z #
d v(y)
f (x; y)dx dy = f (x; y)dx dy
c u(y)
D
2. Densité conjointe.
Dé…nition 2.1. Un vecteur aléatoire (X; Y ) est absolument continu si sa fonction de répartition F(X;Y )
est continue à droite et à gauche sur R par rapport à chacune des deux variables et possède une dérivée
seconde.
@ 2 F(X;Y ) (x; y)
f(X;Y ) (x; y) = est appelée la densité conjointe du vecteur (X; Y ):
@x@y
Proposition 2.1.
Une application f dé…nie sur R2 est une fonction de densité conjointe si et seulement si:
2
1/- R8(x;
R y) 2 R ; f(X;Y ) (x; y) 0:
2/- f
R2 (X;Y )
(x; y) dx dy = 1:
1
Chap2. Proba2. 2022-2023.
Proposition 2.2.
Pour tout domaine D de R2 ; on peut déterminer la probabilité suivante:
Z Z
P [(X; Y ) 2 D] = f(X;Y ) (x; y) dx dy
D
3. Densités marginales.
Proposition 3.1.
Soit (X; Y ) un vecteur aléatoire absolument continu, alors les v.a X et Y sont absolument continues et la
densité conjointe détermine les densités marginales fX (x) et fY (y) :
Z
fX (x) = f(X;Y ) (x; y)dy
R
Z
fY (y) = f(X;Y ) (x; y)dx:
R
Les fonctions de répartition marginales associées au vecteur (X; Y ) sont données par:
5. Densités conditionnelles.
Supposons que le vecteur (X; Y ) admet une densité conjointe f(X;Y ) (x; y), alors:
8y tel que fY (y) > 0, la loi conditionnelle X j Y = y admet une densité qui vaut:
f(X;Y ) (x; y)
fXjY =y (x j y) = fXjY (x j y) =
fY (y)
8x tel que fX (x) > 0, la loi conditionnelle Y j X = x admet une densité qui vaut:
f(X;Y ) (x; y)
fY jX=x (y j x) = fY jX (y j x) =
fX (x)
2
Chap2. Proba2. 2022-2023
6. L’espérance mathématique.
Dé…nition 6.1.
Soit (X; Y ) un vecteur aléatoire absolument continu, l’espérance mathématique du couple (X; Y ) est le
vecteur (E(X); E(Y )):
Z Z
E [h(X; Y )] = h(x; y) fX;Y (x; y)dxdy
R2
Z Z
E [XY ] = xy fX;Y (x; y)dxdy:
R2
7. L’espérance conditionnelle.
Dé…nitions 7.1.
Soit (X; Y ) un vecteur aléatoire absolument continu.
L’espérance conditionnelle de Y j X = x est donnée par :
Z
E [Y j X = x] = y fY jX (y j x) dy
R
Dé…nition 7.2.
L’espérance conditionnelle notée E [Y j X] est une variable aléatoire à valeurs E [Y j X = x] et de densité
fX (x):
3
Chap2. Proba2. 2022-2023
8.Indépendance et Covariance.
Dé…nition 8.1.
Deux v.a X et Y absolument continues sont indépendantes si et seulement si l’une des propriétés suivantes
équivalentes est véri…ée:
1- 8(x; y) 2 R2 ; fX;Y (x; y) = fX (x) fY (y):
2- 8(x; y) 2 R2 ; FX;Y (x; y) = FX (x) FY (y):
Dé…nition 8.2.
La covariance entre deux variables aléatoires absoluments continus X et Y est donnée par:
= E(XY ) E(X)E(Y )
Z Z Z Z
= xy fX;Y (x; y)dxdy xfX (x)dx y fY (y)dy
R2 R R
Proposition 8.1.
Soit X et Y deux v.a absoluments continues indépendantes, alors on a:
1- E(XY ) = E(X)E(Y ):
2- Cov(X; Y ) = 0:
Cov(X;Y )
3- Le coé¢ cient de corrélation linéaire: XY =
p p = 0:
V ar(X) V ar(Y )
Propriétés 8.1.
Soient X , Y et Z des v.a absoluments continues et soient a; b; c; d des réels; on a:
1- Cov(aX + b; cY + d) = a c Cov(X; Y ):
Preuve. Exercice
4
Chap2. Proba2. 2022-2023
T = g 1 (X; Y ) et Z = g 2 (X; Y )
Où: g1 et g2 sont deux fonctions dé…nies sur R2 véri…ant les deux conditions suivantes:
@h1 @h1
@t @z @h1 @h2 @h2 @h1
J(t; z) = = 6= 0
@h2 @h2 @t @z @t @z
@t @z
On peut montrer que le vecteur (T; Z) admet la densité conjointe suivante:
Proposition 10.1.
La variable aléatoire somme Z = X + Y admet pour densité fZ (z) dé…nie par:
Z
fZ (z) = fX;Y (x; z x) dx ,avec y = z x
R
Z
= fX;Y (z y; y) dy ,avec x = z y
R
Z
fZ (z) = fX (x) fY (z x) dx
R
Z
= fX (z y) fY (y) dy
R
5
Chap2. Proba2. 2022-2023
Proposition 10.3.
Soit MX (t) la fonction génératrice des moments de la v.a absolument continue X,
Soit MY (t) la fonction génératrice des moments de la v.a absolument continue Y;
Si X et Y sont indépendantes alors
= MX (t) MY (t):
Proposition 10.4
2 2
1- Soit X et Y deux v.a réelles indépendantes de lois Normales i.e X ! N (m1 ; 1) et Y ! N (m2 ; 2)
alors:
2 2
X + Y ! N (m1 + m2 ; 1 + 2)
X + Y ! G( 1+ 2; )
3- Soit X et Y deux v.a réelles indépendantes de lois du Chi-deux i.e X ! 2 (n1 ) et Y ! 2 (n2 ) alors:
Preuves.
X et Y sont indépendantes alors: M X+Y (t) = M X (t) M Y (t):
2 2
1- On a: X ! N (m1 ; 1) et Y ! N (m2 ; 2) :
t2 t2
( 21 ) + m1 t ( 22 ) + m2 t
Avec: MX (t) = e 2 et MY (t) = e 2 donc:
t2 t2
( ) +m1 t 2
1 ( ) +m2 t
2
2
= e 2 e 2
t2
( 2
1 + 2
2 ) +(m1 +m2 )t
= e 2 :
6
Ainsi on reconnait la fonction génératrice de la loi Normale, donc:
2 2
X + Y ! N (m1 +m2 ; 1+ 2)
2- On a: X ! G( 1; ) et Y ! G( 2; )
1 2
Avec: MX (t) = t
et MY (t) = t
: avec t>0
Donc:
1 2
=
t t
1+ 2
=
t
X + Y ! G( 1 + 2; )
n1 1 n2 1
3- On a: X ! 2 (n1 ) G( ; ) et Y ! 2 (n2 ) G( ; )
2 2 2 2
Ainsi:
n1 + n2 1
X + Y ! G( ; ) 2 (n1 +n2 )
2 2
Remarque 10.1.
1- On peut facilement généraliser les résultats de la proposition 10.4 à la somme de n v.a réelles indépen-
dantes et identiquement distribuées X1 ; X 2 ; :::; X n i:e (i:i:d):
2- Toutes combinaison linéaire des n v.a X1 ; X 2 ; :::; X n indépendantes Normales suit la loi Normale.