Académique Documents
Professionnel Documents
Culture Documents
Support de cours
Module : Probabilités 3
Maître de conférence B
Intoduction générale
Objectifs du module:
Le module vise à compléter les notions sur les variables aléatoires acquises en probabilités 2 en les
généralisant, d’abord, au cas de couples de variables aléatoires puis au cas mutidimensionnel, ainsi
qu’à introduire les principales notions nécessaires pour entamer la dernière phase du cours de
« Statistique et probabilités », à savoir la statistque mathématique
Pré-requis :
1
Public cible
Contenu du module
Références bibliographiques
Pour faciliter son apprentissage, l’étudiant peut consulter les références bibliographiques
suivantes:
2
Chapitre I
Couple aléatoire
et distribution conjointe
3
I- Couples aléatoires : Distributions conjointes, marginales et conditionnelles
On distingue les couples de variables aléatoires discrètes des couples de variables aléatoires
continues.
1.1. Loi conjointe (ou fonction de masse) d’un couple de variables aléatoires discrètes
Définition
Soit (X,Y) un couple de variables aléatoires discrètes. La loi conjointe du couple (X,Y) est
l’application qui associe à toute réalisation (x, y) ∊ X(Ω)×Y(Ω) la probabilité jointe notée
𝑃(𝑋 = 𝑥, 𝑌 = 𝑦), telle que pour tout ensemble E ⊂ X(Ω) × Y (Ω) :
P((𝑋, 𝑌) ∊ E) = ∑ ∑ 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦)
(𝑥,𝑦)∊ E
Propriétés :
𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) ≥ 0
∑ ∑ 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) = 1
𝑥 𝑦
4
Exemple1 :
On tire successivement 2 jetons sans remise d’urne contenant 3 jetons numérotés de 1 à 3.
X : la variable aléatoire qui associe le numéro du premier jeton tiré.
Y : la variable aléatoire qui associe le numéro du deuxième jeton tiré.
X(Ω) = {1,2,3}
Y(Ω) = {1,2,3}
X(Ω) × Y(Ω) = {(1,2), (1,3), (2,1), (2,3), (3,1), (3,2)}
On remarque que :
∀ (𝑥,y) ∊ 𝑋(Ω) × Y(Ω), 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) ≥ 0
∑ ∑ 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) = 1
𝑥 𝑦
Exemple2 :
On tire 2 nombres au hasard dans {-1, 1}, on note :
X : la variable aléatoire qui associe la somme des nombres obtenus.
Y : la variable aléatoire qui associe le produit des nombres obtenus
X(Ω) = {-2, 0, 2}
Y(Ω) = {-1, 1}
5
Déterminons la loi du couple (X,Y)
y -1 1 ∑
x
-2 0 1/4 1/4
0 1/2 0 1/2
2 0 1/4 1/4
∑ 1/2 1/2 1
On remarque que :
∀ (𝑥,y) ∊ 𝑋(Ω) × Y(Ω), 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) ≥ 0
∑ ∑ 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) = 1
𝑥 𝑦
Définition
Soit (X,Y) un couple de variables aléatoires continues définies sur le support X(Ω)×Y(Ω) ⊆ R2.
La fonction de densité conjointe du couple (X,Y) est la fonction positive ou nulle, notée 𝒇𝑿,𝒀 (𝒙, 𝒚)
définie sur X(Ω)×Y(Ω), intégrable et telle que pour tout ensemble E ⊂ X(Ω) ×Y (Ω) :
Cas particulier :
Si E = { (x,y) ∊ R 2 : a ≤ x ≤b, c ≤ y ≤ d }, on parle dans ce cas de rectangle, et on a :
𝑏 𝑑
P((𝑋, 𝑌) ∊ E) = P(𝑎 ≤ 𝑥 ≤ 𝑏 , 𝑐 ≤ 𝑦 ≤ 𝑑) = ∫ ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑦𝑑𝑥
𝑎 𝑐
Propriétés :
𝒇𝑿,𝒀 (𝒙, 𝒚) ≥ 0
+∞ +∞
∫ ∫ 𝒇𝑿,𝒀 (𝒙, 𝒚) 𝒅𝒙𝒅𝒚 = 𝟏
−∞ −∞
6
Exemple 1 :
Soit la fonction donnée par :
−𝒙−𝟐𝒚
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐𝒆 𝒔𝒊 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎
𝟎 𝒔𝒊𝒏𝒐𝒏
Vérifions qu’il s’agit d’une fonction de probabilité conjointe :
On a :
𝒇𝑿,𝒀 (𝒙, 𝒚) ≥ 0
+∞ +∞ +∞ +∞
∫ ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦 = ∫ ∫ 2𝑒−𝑥−2𝑦 𝑑𝑥𝑑𝑦
−∞ −∞ 0 0
+∞
= 2∫ 𝑒−2𝑦 [−𝑒−𝑥 ]+∞
0 𝑑𝑦
0
+∞
= 2∫ 𝑒−2𝑦 𝑑𝑦
0
−1 −2𝑦 +∞
= 2[ 𝑒 ] =1
2 0
Exemple 2 :
Soit la fonction donnée par :
𝟏
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟏, 𝟎 ≤ 𝒚 ≤ 𝟐
𝟎 𝒔𝒊𝒏𝒐𝒏
Vérifions qu’il s’agit d’une fonction de probabilité conjointe :
On a :
𝒇𝑿,𝒀 (𝒙, 𝒚) ≥ 0
+∞ +∞ 2 1
1
∫ ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦 = ∫ ∫ 𝑑𝑥𝑑𝑦
−∞ −∞ 0 0 2
2
1 1
= ∫ [ 𝑥] 𝑑𝑦
0 2 0
2
1 1 2
= ∫ 𝑑𝑦 = [ 𝑦] = 1
0 2 2 0
7
2. Les distributions marginales
Les distributions marginales sont déterminées à partir des lois conjointes comme suit :
Définition :
Soit (X,Y) un couple de variables aléatoires discrètes définies sur le support X(Ω) × Y(Ω) et ayant
pour fonction de masse jointe l’application P(X = x, Y = y)
On appelle lois de probabilité marginales ou fonctions de masse marginales de X et de Y, les
applications respectivement définies par :
𝐏(𝑿 = 𝒙) = ∑𝒚 𝑷(𝑿 = 𝒙, 𝒀 = 𝒚) 𝐏(𝒀 = 𝒚) = ∑𝒙 𝑷(𝑿 = 𝒙, 𝒀 = 𝒚)
Exemple1 :
y 1 2 3 P(X= x) = ∑𝑦
x
1 0 1/6 1/6 1/3
2 1/6 0 1/6 1/3
3 1/6 1/6 0 1/3
P(Y= y) = ∑𝑥 1/3 1/3 1/3 1
Loi marginale de X
x 1 2 3 ∑
P(X= x) 1/3 1/3 1/3 1
Loi marginale de Y
y 1 2 3 ∑
P(Y= y) 1/3 1/3 1/3 1
Exemple2 :
y -1 1 P(X= x) = ∑𝑦
x
-2 0 1/4 1/4
0 1/2 0 1/2
2 0 1/4 1/4
P(Y= y) = ∑𝑥 1/2 1/2 1
8
Loi marginale de X
x -2 0 2 ∑
P(X= x) 1/4 1/2 1/4 1
Loi marginale de Y
y -1 1 ∑
P(Y= y) 1/2 1/2 1
Définition :
Soit (X,Y) un couple de variables aléatoires continues défini sur le support X(Ω) × Y(Ω) ⊆ R2
et ayant pour densité conjointe la fonction𝒇𝑿,𝒀 (𝒙, 𝒚) .
Les fonctions de densité marginales des variables X et Y, notées 𝒇𝑿 (𝒙) et 𝒇𝒀 (𝒚)sont définies par :
+∞ +∞
𝒇𝑿 (𝒙) = ∫−∞ 𝒇𝑿,𝒀 (𝒙, 𝒚) 𝒅𝒚 𝒇𝒀 (𝒚) = ∫−∞ 𝒇𝑿,𝒀 (𝒙, 𝒚) 𝒅𝒙
Exemple1 :
Soit la fonction de densité conjointe donnée par :
−𝒙−𝟐𝒚
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐𝒆 𝒔𝒊 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎
𝟎 𝒔𝒊𝒏𝒐𝒏
Densité marginale de X :
+∞
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑦
−∞
+∞
−1
=∫ 2𝑒 −𝑥−2𝑦 𝑑𝑦 = 2𝑒 −𝑥 ( 2 ) [𝑒 −2𝑦 ]+∞
0 = 𝑒 −𝑥
0
𝒆−𝒙 𝒔𝒊 𝒙 ≥ 𝟎
𝒇𝑿 (𝒙) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
9
Densité marginale de Y :
+∞
𝑓𝑌 (𝑦) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑥
−∞
+∞
=∫ 2𝑒 −𝑥−2𝑦 𝑑𝑥 = 2𝑒 −2𝑦 (−1)[𝑒 −𝑦 ]+∞
0 = 2𝑒 −2𝑦
0
−𝟐𝒚
𝒇𝒀 (𝒚) = { 𝟐𝒆 𝒔𝒊 𝒚 ≥ 𝟎
𝟎 𝒔𝒊𝒏𝒐𝒏
Exemple 2 :
Soit la fonction de densité conjointe donnée par :
𝟏
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟏, 𝟎 ≤ 𝒚 ≤ 𝟐
𝟎 𝒔𝒊𝒏𝒐𝒏
Densité marginale de X :
+∞ 2
1 1 2
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑦 = ∫ 𝑑𝑦 = [ 𝑦] = 1
−∞ 0 2 2 0
𝟏 𝟎≤𝒙≤𝟏
𝒇𝑿 (𝒙) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
Densité marginale de Y :
+∞ 1
1 1 1 1
𝑓𝑌 (𝑦) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑥 = ∫ 𝑑𝑥 = [ 𝑥] =
−∞ 0 2 2 0 2
𝟏/𝟐 𝒔𝒊 𝟎 ≤ 𝒚 ≤ 𝟐
𝒇𝒀 (𝒚) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
10
3. Les distributions conditionnelles
Définition :
Soit (X,Y) un couple de variables aléatoires discrètes défini sur le support X(Ω) × Y(Ω) et ayant
pour fonction de masse jointe l’application P(X = x, Y = y) et pour fonctions de masse marginales
de X et de Y respectivement P(X = x) et P(Y = y).
La loi conditionnelle de X sachant Y= y définie pour tout y ∊ Y (Ω) tel que P(Y = y) ≠0 est
l’application qui associe à tout x ∊ X (Ω) la probabilité :
𝐏(𝑿 = 𝒙 , 𝒀 = 𝒚)
𝐏(𝑿 = 𝒙 \ 𝒀 = 𝒚) =
𝐏(𝒀 = 𝒚)
La loi conditionnelle de Y sachant X= x définie pour tout x ∊ X (Ω) tel que P(X = x) ≠0 est
l’application qui associe à tout y ∊ Y (Ω) la probabilité :
𝐏(𝑿 = 𝒙 , 𝒀 = 𝒚)
𝐏(𝒀 = 𝒚 \ 𝑿 = 𝒙) =
𝐏(𝑿 = 𝒙)
Exemple :
Reprenons l’exemple précédent de l’urne contenant 3 jetons et déterminons les lois
conditionnelles de X sachant Y=3 et de Y sachant X=2
y 1 2 3 P(X= x) = ∑𝑦
x
1 0 1/6 1/6 1/3
2 1/6 0 1/6 1/3
3 1/6 1/6 0 1/3
P(Y= y) = ∑𝑥 1/3 1/3 1/3 1
𝐏(𝑿 = 𝟏 , 𝒀 = 𝟑) 𝟏/𝟔 𝟏
𝐏(𝑿 = 𝟏 \ 𝒀 = 𝟑) = = =
𝐏(𝒀 = 𝟑) 𝟏/𝟑 𝟐
11
𝐏(𝑿 = 𝟐 , 𝒀 = 𝟑) 𝟏/𝟔 𝟏
𝐏(𝑿 = 𝟐\ 𝒀 = 𝟑) = = =
𝐏(𝒀 = 𝟑) 𝟏/𝟑 𝟐
𝐏(𝑿 = 𝟑 , 𝒀 = 𝟑) 𝟎
𝐏(𝑿 = 𝟑 \ 𝒀 = 𝟑) = = =𝟎
𝐏(𝒀 = 𝟑) 𝟏/𝟑
x 1 2 3 ∑
P(X= x\ Y=3) 1/2 1/2 0 1
𝐏(𝑿 = 𝟐 , 𝒀 = 𝟏) 𝟏/𝟔 𝟏
𝐏(𝒀 = 𝟏 \ 𝑿 = 𝟐) = = =
𝐏(𝑿 = 𝟐) 𝟏/𝟑 𝟐
𝐏(𝑿 = 𝟐 , 𝒀 = 𝟐) 𝟎
𝐏(𝒀 = 𝟐 \ 𝑿 = 𝟐) = = =𝟎
𝐏(𝑿 = 𝟐) 𝟏/𝟑
𝐏(𝑿 = 𝟐 , 𝒀 = 𝟑) 𝟏/𝟔 𝟏
𝐏(𝒀 = 𝟑 \ 𝑿 = 𝟐) = = =
𝐏(𝑿 = 𝟐) 𝟏/𝟑 𝟐
y 1 2 3 ∑
P(Y= y \ X=2 1/2 0 1/2 1
)
3.2. Cas d’un couple de variables continues
Définition :
Soit (X,Y) un couple de variables aléatoires continues défini sur le support X(Ω) × Y(Ω) ⊆ R2
et ayant pour densité conjointe la fonction𝒇𝑿,𝒀 (𝒙, 𝒚) et pour fonctions de densité marginales
𝒇𝑿 (𝒙) et 𝒇𝒀 (𝒚).
La fonction de densité conditionnelle de X sachant Y= y définie pour tout y ∊ Y (Ω), tel que
𝒇𝒀 (𝒚) > 0 est donnée par :
𝒇𝑿,𝒀 (𝒙, 𝒚)
𝒇𝑿\𝒀 (𝒙\𝒚) =
𝒇𝒀 (𝒚)
La fonction de densité conditionnelle de Y sachant X= x définie pour tout x ∊ X (Ω), tel que
𝒇𝑿 (𝒙) > 0 est donnée par :
𝒇𝑿,𝒀 (𝒙, 𝒚)
𝒇𝒀\𝑿 (𝒚\𝒙) =
𝒇𝑿 (𝒙)
12
Exemple:
On reprend la fonction de densité conjointe donnée par :
−𝒙−𝟐𝒚
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐𝒆 𝒔𝒊 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎
𝟎 𝒔𝒊𝒏𝒐𝒏
Déterminons les fonctions de densité conditionnelles :
𝒆−𝒙 𝒔𝒊 𝒙 ≥ 𝟎
𝒇𝑿\𝒀 (𝒙\𝒚) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
NB : On remarque ici que 𝒇𝑿\𝒀 (𝒙\𝒚) = 𝒇𝑿 (𝒙) et que 𝒇𝒀\𝑿 (𝒚\𝒙) = 𝒇𝒀 (𝒚) ; il s’agit d’un cas
particulier où les deux variables X et Y sont indépendantes.
On revient sur cette notion d’indépendance dans la section III.
Définition :
Soient 𝑋 et 𝑌 deux variables aléatoires discrètes et soit la fonction de masse conditionnelle
(𝑌=𝑦|𝑋=𝑥)
L’espérance conditionnelle de la variable aléatoire X sachant Y=y est donnée par :
E[𝑋|𝑌 = y] = ∑ 𝑥. 𝑃(𝑋 = 𝑥|𝑌 = 𝑦)
𝑥
La variance conditionnelle de la variable aléatoire X sachant Y=y est donnée par :
13
avec: E[𝑋 2 |𝑌 = y] = ∑ 𝑥 2 . 𝑃(𝑋 = 𝑥|𝑌 = 𝑦)
𝑥
Exemple :
Reprenons l’exemple précédent de l’urne contenant 3 jetons.
Nous avons déjà déterminé les lois conditionnelles de X sachant Y=3 et de Y sachant X=2
X 1 2 3 ∑
P(X= x| Y=3) 1/2 1/2 0 1
Définition :
Soient 𝑋 et 𝑌 deux variables aléatoires continues et soit la fonction de densité conditionnelle
𝒇𝑿|𝒀 (𝒙|𝒚)
L’espérance conditionnelle de la variable aléatoire X sachant Y=y est donnée par :
+∞
E[𝑋|𝑌 = y] = ∫ 𝑥 𝑓𝑋|𝑌 (𝑥|𝑦) d𝑥
−∞
La variance conditionnelle de la variable aléatoire X sachant Y=y est donnée par :
14
+∞
2 |𝑌
avec: E[𝑋 = y] = ∫ 𝑥 2 𝑓𝑋|𝑌 (𝑥|𝑦) d𝑥
−∞
= ∫ 𝒇𝒀 (𝒚)𝐄[𝑿|𝒀] 𝒅𝒚
𝑫𝒀
1. La fonction de répartition
Définition :
Soit (X,Y) un couple de variables aléatoires discrètes défini sur le support X(Ω) × Y(Ω) et ayant
pour fonction de masse jointe l’application P(X = x, Y = y).
La fonction de répartition conjointe est définie sur ℝ × ℝ comme suit:
𝑥 y
Définition :
Soit (X,Y) un couple de variables aléatoires continues défini sur le support X(Ω) × Y(Ω) ⊆ R2
et ayant pour densité conjointe la fonction𝒇𝑿,𝒀 (𝒙, 𝒚)
La fonction de répartition conjointe est définie sur ℝ × ℝ comme suit:
𝑥 𝑦
15
Propriétés de la fonction de répartition conjointe :
• 𝑃(𝑎 < 𝑋 ≤ 𝑏, 𝑐 < 𝑌 ≤ 𝑑) = 𝐹𝑋,𝑌 (𝑏, 𝑑) − 𝐹𝑋,𝑌 (𝑏, 𝑐)− 𝐹𝑋,𝑌 (𝑎, 𝑑)+ 𝐹𝑋,𝑌 (𝑎, 𝑐)
Exemple 1 :
x 0 1 ∑
𝑃(𝑋 = 𝑥) 1/3 2/3 1
y 0 1 ∑
𝑃(𝑌 = 𝑦) 3/4 1/4 1
16
La fonction de répartition :
Si x <0, y <0 :
𝐹𝑋,𝑌 (𝑥, 𝑦) = 0
Si 0 ≤ x <1, 0 ≤ y <1 :
1
𝐹𝑋,𝑌 (𝑥, 𝑦) =
4
Si 0 ≤ x <1, y ≥1 :
1 1 1
𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝐹𝑋 (0) = + =
4 12 3
Si x ≥1 , 0 ≤ y <1:
1 1 3
𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝐹𝑌 (0) = + =
4 2 4
Si x ≥1 , y ≥1 :
1 1 1 1
𝐹𝑋,𝑌 (𝑥, 𝑦) = + + + =1
4 2 12 6
𝟎 𝒔𝒊 𝒙 < 𝟎, 𝒚 < 𝟎
𝟏/𝟒 𝒔𝒊 𝟎 ≤ 𝒙 < 𝟏, 𝟎 ≤ 𝒚 < 𝟏
𝑭𝑿,𝒀 (𝒙, 𝒚) = 𝟏/𝟑 𝒔𝒊 𝟎 ≤ 𝒙 < 𝟏, 𝒚 ≥ 𝟏
𝟑/𝟒 𝒔𝒊 𝒙 ≥ 𝟏, 𝟎 ≤ 𝒚 < 𝟏
{ 𝟏 𝒔𝒊 𝒙 ≥ 𝟏, 𝒚 ≥ 𝟏
Exemple 2
Reprenons l’exemple de la fonction de densité conjointe donnée par :
−𝒙−𝟐𝒚
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐𝒆 𝒔𝒊 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎
𝟎 𝒔𝒊𝒏𝒐𝒏
Si x <0 ou y <0
𝑥 𝑦
𝐹𝑋,𝑌 (𝑥, 𝑦) = ∫ ∫ 0 𝑑𝑠 𝑑𝑡 = 0
−∞ −∞
17
Si x ≥ 0, y ≥ 0
0 0 𝑥 𝑦 𝑥
−𝑡−2𝑠 −𝑡
−1 −2𝑠 𝑦
𝐹𝑋,𝑌 (𝑥, 𝑦) = ∫ ∫ 0 𝑑𝑠 𝑑𝑡 + ∫ ∫ 2𝑒 𝑑𝑠 𝑑𝑡 = 2 ∫ 𝑒 [ 𝑒 ] 𝑑𝑡
2 0
−∞ −∞ 0 0 0
𝑥
𝟎 𝒔𝒊 𝒙 < 𝟎 𝒐𝒖 𝒚 < 𝟎
𝑭𝑿,𝒀 (𝒙, 𝒚) = {
𝒆−𝒙−𝟐𝒚 − 𝒆−𝟐𝒚 − 𝒆−𝒙 + 𝟏 𝒔𝒊 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎
Exemple 3
𝟏
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟏, 𝟎 ≤ 𝒚 ≤ 𝟐
𝟎 𝒔𝒊𝒏𝒐𝒏
Si x <0, y <0
𝑥 𝑦
𝐹𝑋,𝑌 (𝑥, 𝑦) = ∫ ∫ 0 𝑑𝑠 𝑑𝑡 = 0
−∞ −∞
Si 0 ≤ x ≤ 1, 0 ≤ y ≤ 2
0 0 𝑥 𝑦 𝑥 𝑥
1 1 𝑦 1 1 𝑥
1
𝐹𝑋,𝑌 (𝑥, 𝑦) = ∫ ∫ 0 𝑑𝑠 𝑑𝑡 + ∫ ∫ 𝑑𝑠 𝑑𝑡 = ∫ [ 𝑠] 𝑑𝑡 = ∫ 𝑦 𝑑𝑡 = [ 𝑦 𝑡] = 𝑥𝑦
2 2 0 2 2 0 2
−∞ −∞ 0 0 0 0
Si 0 ≤ x ≤ 1, y > 2
Si x > 1, 0 ≤ y ≤ 2
1
𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝐹𝑋,𝑌 (1, 𝑦) = 𝐹𝑌 (𝑦) = 𝑦
2
18
Si x > 1, y > 2
𝟎 𝒔𝒊 𝒙 < 𝟎, 𝒚 < 𝟎
𝟏
𝒙𝒚 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟏, 𝟎 ≤ 𝒚 ≤ 𝟐
𝟐
𝑭𝑿,𝒀 (𝒙, 𝒚) = 𝒙 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟏, 𝒚 > 𝟐
𝟏
𝒚 𝒔𝒊 𝒙 > 𝟏, 𝟎 ≤ 𝒚 ≤ 𝟐
𝟐
{𝟏 𝒔𝒊 𝒙 > 𝟏, 𝒚 > 𝟐
2. Calcul de probabilités
Le calcul de probabilités peut se faire à partir de la loi de probabilité ou en utilisant les propriétés
de la fonction de répartition.
Exemple 1:
Reprenons l’exemple précédent de l’urne contenant 3 jetons et calculons les probabilités
suivantes :
(0 < 𝑋 ≤ 2, 𝑌 <3) ; (2 ≤ 𝑋 ≤ 3, 𝑌 ≥ 3) et 𝑃(𝑋 ≥ 3, 𝑌 ≥ 3)
y 1 2 3 P(X= x) = ∑𝑦
x
1 0 1/6 1/6 1/3
2 1/6 0 1/6 1/3
3 1/6 1/6 0 1/3
P(Y= y) = ∑𝑥 1/3 1/3 1/3 1
19
Exemple 2 :
Reprenons l’exemple précédant, où la loi du couple (X,Y) est donnée par :
y 0 1 ∑
x
0 1/4 1/12 1/3
∑ 3/4 1/4 1
(0 < 𝑋 ≤ 1, 0 < 𝑌 ≤ 1) = 𝐹𝑋,𝑌 (1,1) − 𝐹𝑋,𝑌 (1,0)− 𝐹𝑋,𝑌 (0,1)+ 𝐹𝑋,𝑌 (0,0)
= 1 – 3/4 – 1/3 + 1/4
= 1/6
Le calcul de probabilités peut être effectué en utilisant les propriétés de la fonction de répartition
jointe ou à travers la définition même de la fonction de densité jointe :
20
Exemple :
𝟏
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟏, 𝟎 ≤ 𝒚 ≤ 𝟐
𝟎 𝒔𝒊𝒏𝒐𝒏
1- E est un rectangle
𝟏
• Calculons 𝐏 (𝟎 ≤ 𝒙 ≤ 𝟏 , 𝟎 ≤ 𝒚 ≤ 𝟐)
1 1 1 1
1 1
1 2 1 2 1 21 1 2 1
P (0 ≤ 𝑥 ≤ 1 , 0 ≤ 𝑦 ≤ ) = ∫ ∫ 𝑑𝑥𝑑𝑦 = ∫ [ 𝑥] 𝑑𝑦 = ∫ 𝑑𝑦 = [ 𝑦] =
2 0 0 2 0 2 0 0 2 2 0 4
0 𝑠𝑖 𝑥 < 0, 𝑦 < 0
1
𝑥𝑦 𝑠𝑖 0 ≤ 𝑥 ≤ 1, 0 ≤ 𝑦 ≤ 2
2
𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝑥 𝑠𝑖 0 ≤ 𝑥 ≤ 1, 𝑦 > 2
1
𝑦 𝑠𝑖 𝑥 > 1, 0 ≤ 𝑦 ≤ 2
2
{1 𝑠𝑖 𝑥 > 1, 𝑦 > 2
1 1 1
P (0 ≤ 𝑥 ≤ 1 , 0 ≤ 𝑦 ≤ ) = 𝐹𝑋,𝑌 (1 , ) − 𝐹𝑋,𝑌 (1 , 0) − 𝐹𝑋,𝑌 (0 , ) + 𝐹𝑋,𝑌 (0 , 0)
2 2 2
1 1 1 1 1 1 1
= (1) ( ) − (1)(0) − (0) ( ) + (0)(0) =
2 2 2 2 2 2 4
21
On a : 0 ≤ x ≤1 et x < y
Mais comme y peut être supérieur à 1 ( car 0 ≤ y ≤ 2)
La borne supérieure de x va correspondre au Min (1,y)
Donc :
1 𝑦2 1
𝟏 𝟏
P(𝑋 < 𝑌) = ∫ ∫ 𝑑𝑥𝑑𝑦 + ∫ ∫ 𝑑𝑥𝑑𝑦
0 0 𝟐 1 0 𝟐
1
1 𝑦 2
1 1
= ∫ [ 𝑥] 𝑑𝑦 + ∫ [ 𝑥] 𝑑𝑦
0 2 0 1 2 0
1 2
1 1
= ∫ ( 𝑦) 𝑑𝑦 + ∫ 𝑑𝑦
0 2 1 2
1 2
1 2
1 1 1 3
= [ 𝑦 ] + [ 𝑦] = + 1 − =
4 0 2 1 4 2 4
Donc :
1 1
1
P(𝑋 > 𝑌) = ∫ ∫ 𝑑𝑥𝑑𝑦
0 𝑦 2
22
1
1 1 1
1 1
= ∫ [ 𝑥] 𝑑𝑦 = ∫ − 𝑦 𝑑𝑦
0 2 𝑦 0 2 2
1 1 21 1 1 1
=[ 𝑦− 𝑦 ] = − =
2 4 0 2 4 4
On a : 0 ≤ x ≤1 et x < 1– y
Comme 0 ≤ y ≤ 2, et donc : 1– y ≤ 1 , la borne supérieure de x (Min (1, 1– y) ) va correspondre
directement à 1:
Donc :
1 1– 𝑦
𝟏
𝐏(𝑿 + 𝒀 < 1) = ∫ ∫ 𝑑𝑥𝑑𝑦
0 0 𝟐
1 1−𝑦
1 1
1 1−𝑦 1
1 1
=∫ ∫ 𝑑𝑥𝑑𝑦 = ∫ [ 𝑥] 𝑑𝑦 = ∫ − 𝑦 𝑑𝑦
0 0 2 0 2 0 0 2 2
1 1 21 1 1 1
=[ 𝑦− 𝑦 ] = − =
2 4 0 2 4 4
23
Pour déterminer les bornes d’intégration, on a :
0 ≤ x ≤1 et x > 1– y
Mais comme 1– y peut être inférieur à 0 (puisque 0 ≤ y ≤ 2)
La borne inférieure de x va correspondre au Max (0, 1– y)
En résolvant l’équation 1– y = 0, on trouve que la valeur y =1 partage le domaine d’intégration en
deux:
Donc :
1 1 1 2 1
1 1
1 1 2
1 1
P(𝑋 + 𝑌 > 1) = ∫ ∫ 𝑑𝑥𝑑𝑦 + ∫ ∫ 𝑑𝑥𝑑𝑦 = ∫ [ 𝑥] 𝑑𝑦 + ∫ [ 𝑥] 𝑑𝑦
0 1−𝑦 2 1 0 2 0 2 1−𝑦 1 2 0
1
1 1 1 2
1 1 21 1 2 1 1 3
= ∫ ( − + 𝑦) 𝑑𝑦 + ∫ 𝑑𝑦 = [ 𝑦 ] + [ 𝑦] = + 1 − =
0 2 2 2 1 2 4 0 2 1 4 2 4
Définition :
Soit (X,Y) un couple de variables aléatoires discrètes défini sur le support X(Ω) × Y(Ω) et ayant
pour fonction de masse jointe l’application P(X = x, Y = y) et pour fonctions de masse marginales
de X et de Y respectivement P(X = x) et P(Y = y).
Propriété:
24
Exemple :
Reprenons l’exemple précédent de l’urne contenant 3 jetons et vérifions l’indépendance de X et Y
y 1 2 3 P(X= x) = ∑𝑦
x
1 0 1/6 1/6 1/3
2 1/6 0 1/6 1/3
3 1/6 1/6 0 1/3
P(Y= y) = ∑𝑥 1/3 1/3 1/3 1
Définition :
Soit (X,Y) un couple de variables aléatoires continues défini sur le support X(Ω) × Y(Ω) ⊆ R2
et ayant pour densité conjointe la fonction𝒇𝑿,𝒀 (𝒙, 𝒚) et pour fonctions de densité marginales
𝒇𝑿 (𝒙) et 𝒇𝒀 (𝒚).
Propriétés:
25
Exemple:
−𝒙−𝟐𝒚
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐𝒆 𝒔𝒊 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎
𝟎 𝒔𝒊𝒏𝒐𝒏
On a :
𝑓𝑋 (𝑥). 𝑓𝑌 (𝑦) = 𝑒 −𝑥 . 2𝑒 −2𝑦 = 2𝑒 −𝑥−2𝑦
X et Y sont bien indépendantes comme on l’a mentionné plus haut (puisque 𝑓𝑋\𝑌 (𝑥\𝑦) = 𝑓𝑋 (𝑥)
et 𝑓𝑌\𝑋 (𝑦\𝑥) = 𝑓𝑌 (𝑦) )
Définition :
Soient 𝑋 et 𝑌 deux variables aléatoires discrètes définies par la fonction de masse conjointe
(𝑋=𝑥,=𝑦).
L’espérance de la fonction ℎ(𝑋,𝑌) est donnée par :
Exemple :
Reprenons la distribution conjointe de l’exemple de l’urne contenant 3 jetons :
y 1 2 3 P(X= x) = ∑𝑦
x
1 0 1/6 1/6 1/3
2 1/6 0 1/6 1/3
3 1/6 1/6 0 1/3
P(Y= y) = ∑𝑥 1/3 1/3 1/3 1
26
Calculons E[XY] et E[ XY2 ]:
Définition :
Soient 𝑋 et 𝑌 deux variables aléatoires continues définies par la fonction de densité conjointe
𝒇𝑿,𝒀 (𝒙, 𝒚).
L’espérance de la fonction ℎ(𝑋,𝑌) est donnée par :
+∞ +∞
Exemple :
Reprenons l’exemple de la fonction de densité conjointe donnée par :
𝟏
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐 𝒔𝒊 𝟎 ≤ 𝒙 ≤ 𝟏, 𝟎 ≤ 𝒚 ≤ 𝟐
𝟎 𝒔𝒊𝒏𝒐𝒏
2]
2
11
2
1 2 2 1 1 2 2 1 2 1
E[𝑋𝑌 = ∫ ∫ 𝑥𝑦 . 𝑑𝑥𝑑𝑦 = ∫ 𝑦 ∫ 𝑥 𝑑𝑥𝑑𝑦 = ∫ 𝑦 [ 𝑥 ] 𝑑𝑦
0 0 2 2 0 0 2 0 2 0
2
1 2 2 1 1 8
= ∫ 𝑦 𝑑𝑦 = [ 𝑦 3 ] =
4 0 4 3 0 12
27
2.2. Covariance
Définition :
La covariance entre deux variables aléatoires 𝑋 et 𝑌 est donnée par :
L’expression générale de la covariance peut être développée, et réécrite sous la forme suivante:
En effet:
𝐶𝑜𝑣(𝑋,𝑌) = 𝐸[(𝑋−𝐸[𝑋])(𝑌−𝐸[𝑌])]
= 𝐸 [𝑋.Y – 𝑋.[Y] – 𝐸[𝑋].𝑌+ 𝐸[𝑋].𝐸[𝑌] ]
= [𝑋.Y] – 𝐸 [𝑋.[Y]] – 𝐸 [𝐸[𝑋].𝑌 ]+ 𝐸 [𝐸[𝑋].𝐸[𝑌]]
= 𝐸[𝑋.Y] – 𝐸[Y]𝐸[𝑋] – 𝐸[𝑋]𝐸[𝑌]+ 𝐸[𝑋].𝐸[𝑌]
= [𝑋.Y] – [𝑋][𝑌]
Propriétés de la covariance
• 𝑉(𝑋+𝑌)= 𝐸[(𝑋+𝑌)2]−(𝐸[𝑋+𝑌])2
= [ 2+2XY +𝑌 2]−(𝐸[𝑋]+𝐸[𝑌])2
= 𝐸[ 𝑋2]+2 𝐸[XY ]+ 𝐸[𝑌 2]−(𝐸[𝑋])2 − (2𝐸[𝑋].𝐸[𝑌])2 − (𝐸[𝑌])2
= 𝐸[ 𝑋2] −(𝐸[𝑋])2 + 𝐸[𝑌 2] − (𝐸[𝑌])2+2 𝐸[XY ]− 2(𝐸[𝑋])2 (𝐸[𝑌])2
=(𝑋)+𝑉(𝑌)+2𝐶𝑜𝑣(𝑋,𝑌)
28
Exemple1 :
y 1 2 3 P(X= x) = ∑𝑦
x
1 0 1/6 1/6 1/3
2 1/6 0 1/6 1/3
3 1/6 1/6 0 1/3
P(Y= y) = ∑𝑥 1/3 1/3 1/3 1
Exemple2 :
29
On a également déterminé les densités marginales de X et de Y :
𝟏 𝟎≤𝒙≤𝟏
𝒇𝑿 (𝒙) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
𝟏/𝟐 𝒔𝒊 𝟎 ≤ 𝒚 ≤ 𝟐
𝒇𝒀 (𝒚) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
Exemple3 :
−𝒙−𝟐𝒚
𝒇𝑿,𝒀 (𝒙, 𝒚) = {𝟐𝒆 𝒔𝒊 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎
𝟎 𝒔𝒊𝒏𝒐𝒏
𝒆−𝒙 𝒔𝒊 𝒙 ≥ 𝟎
𝒇𝑿 (𝒙) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
−𝟐𝒚
𝒇𝒀 (𝒚) = { 𝟐𝒆 𝒔𝒊 𝒚 ≥ 𝟎
𝟎 𝒔𝒊𝒏𝒐𝒏
+∞ +∞ +∞ +∞ +∞
−𝑥−2𝑦 −2𝑦 −𝑥
E[𝑋𝑌] = ∫ ∫ 𝑥. 𝑦. 2𝑒 𝑑𝑥𝑑𝑦 = ∫ 2𝑦𝑒 ∫ 𝑥𝑒 𝑑𝑥𝑑𝑦 = ∫ 2𝑦𝑒 −2𝑦 𝑑𝑦 = 1/2
0 0 0 0 0
30
Donc : Cov (X,Y) = 1/2 – (1)(1/2) = 0
Commentaire : on a montré précédemment que X et Y sont indépendantes, et donc : Cov (X,Y) est
forcément égale à zéro.
Définition :
Le coefficient de corrélation entre les deux variables aléatoires 𝑋 et 𝑌 est défini par :
Cov(𝑋, 𝑌)
𝜌 = Cor(𝑋, 𝑌) =
𝜎𝑋 𝜎𝑌
Avec :
𝜎𝑋 = √V(𝑋)
𝜎𝑌 = √V(𝑌)
Propriétés:
• 𝐶𝑜𝑟(𝑋,𝑌)=𝐶𝑜𝑟(𝑌,𝑋)
Cov(𝑋,𝑋) 𝑉(𝑋)
• 𝜌 = Cor(𝑋, 𝑌) = = 𝑉(𝑋) = 1
𝜎𝑋 𝜎𝑋
• −1 ≤ 𝐶(𝑋,𝑌) ≤ 1
Exemple :
31
1/- Densités marginales
Densité marginale de X :
𝑥+1 𝑥+1
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑦 = ∫ 1 𝑑𝑦 = [𝑦]𝑥𝑥+1 = 1
𝑥 𝑥
𝟏 𝒔𝒊 𝟎 < 𝒙 < 1
𝒇𝑿 (𝒙) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
Densité marginale de Y :
Domaine d’intégration
𝟎<𝒙<1
𝒙>0 𝒙<1
{𝒙 < 𝒚 ⟹{ 𝒆𝒕 {
𝒙>𝒚−𝟏 𝒙<𝒚
𝒙+𝟏>𝑦
Pour le domaine de Y, on a :
𝟎<𝒙<1
{ ⟹ 𝟎<𝒚<2
𝒙< 𝒚< 𝑥+1
𝒚 𝒔𝒊 𝟎 < 𝒚 < 1
𝒇𝒀 (𝒚) = { 𝟐 − 𝒚 𝒔𝒊 𝟏 < 𝒚 < 2
𝟎 𝒔𝒊𝒏𝒐𝒏
𝒇𝑿,𝒀 (𝒙, 𝒚) 𝟏
𝒇𝒀|𝑿 (𝒚|𝒙) = =
𝒇𝑿 (𝒙) 𝟏
32
𝟏 𝒔𝒊 𝒙 < 𝒚 < 𝑥 + 1
𝒇𝒀|𝑿 (𝒚|𝒙) = {
𝟎 𝒔𝒊𝒏𝒐𝒏
𝒙+𝟏 𝒙+𝟏
𝟏 𝟐 𝒙+𝟏 𝟏 𝟐
𝐄[𝒀|𝑿 = 𝒙] = ∫ 𝒚 . 𝒇𝒀|𝑿 (𝒚|𝒙)𝒅𝒚 = ∫ 𝒚 . 𝒅𝒚 = [𝒚 ]𝒙 = (𝒙 + 𝟐𝒙 + 𝟏 − 𝒙𝟐 )
𝒙 𝒙 𝟐 𝟐
𝟐𝒙 + 𝟏
=
𝟐
Comme on constate que X\Y suit une loi uniforme sur [x, x +1], on peut aussi déduire,
directement, que :
𝟐𝒙 + 𝟏
𝐄[𝒀|𝑿 = 𝒙] =
𝟐
𝟐 𝟏 𝟐 𝟏 𝟐
𝟏 𝟏 𝟏 𝟖 𝟏
𝐄[𝒀] = ∫ 𝒚 . 𝒇𝒀 (𝒚)𝒅𝒚 = ∫ 𝒚𝟐 𝒅𝒚 + ∫ 𝒚 (𝟐 − 𝒚)𝒅𝒚 = [ 𝒚𝟑 ] + [𝒚𝟐 − 𝒚𝟑 ] = + 𝟒 − − 𝟏 +
𝟎 𝟎 𝟏 𝟑 𝟎 𝟑 𝟏 𝟑 𝟑 𝟑
=𝟏
𝟐𝑿 + 𝟏 𝟏 𝟏 𝟏
𝐄[𝒀] = 𝐄[𝐄[𝒀|𝑿 = 𝒙]] = 𝐄 [ ] = 𝐄[𝑿] + 𝐄 [ ] = + = 𝟏
𝟐 𝟐 𝟐 𝟐
𝟏
𝐄[𝑿] = car 𝑿 suit une loi uniforme sur [𝟎, 𝟏]
𝟐
5/-Calculons : 𝐕[𝒀|𝑿 = 𝒙]
33
𝟑𝒙𝟐 + 𝟑𝒙 + 𝟏 𝟒𝒙𝟐 + 𝟒𝒙 + 𝟏 𝟏
V[𝑌| 𝑋 = 𝑥] = − =
𝟑 𝟒 𝟏𝟐
Comme X\Y suit une loi uniforme sur [x, x +1], on peut aussi directement déduire que :
𝟏
𝐄[𝒀|𝑿 = 𝒙] =
𝟏𝟐
E[𝑌]= 1
1 𝑥+1 1
1 2 𝑥+1 1 1
E[𝑋𝑌] = ∫ ∫ 𝑥. 𝑦 𝑑𝑦𝑑𝑥 = ∫ 𝑥 [ 𝑦 ] 𝑑𝑥 = ∫ 𝑥 (𝑥 2 + 2𝑥 + 1 − 𝑥 2 )𝑑𝑥
0 𝑥 0 2 𝑥 2 0
1 2 3 1 2 1 7
= [ 𝑥 + 𝑥 ] =
2 3 2 0 12
𝟐𝑿 + 𝟏 𝟏 𝟏 𝟏 𝟕
𝐄[𝑿𝒀] = 𝐄[𝐄[𝑿𝒀|𝑿 = 𝒙]] = 𝐄 [𝑿 ( )] = 𝐄[𝑿𝟐 ] + 𝐄[𝑿] = + =
𝟐 𝟐 𝟑 𝟒 𝟏𝟐
𝟏 𝟏 𝟏 𝟏
𝐄[𝑿𝟐 ] = car 𝑿 suit une loi uniforme sur [𝟎, 𝟏], 𝐄[𝑿𝟐 ] = 𝐕[𝑿] + (𝐄[𝑿])𝟐 = + =
𝟑 𝟏𝟐 𝟒 𝟑
Donc :
𝟕 𝟏 𝟏
𝐂𝐨𝐯 (𝑿, 𝒀) = – ( ) (𝟏) = = 𝟎, 𝟎𝟖𝟑
𝟏𝟐 𝟐 𝟏𝟐
34
7/- Calculons 𝐶𝑜r (𝑋,Y)
Cov(𝑋, 𝑌)
𝜌 = Cor(𝑋, 𝑌) =
𝜎𝑋 𝜎𝑌
1
V[𝑋] = = 0,083
12
𝟏
𝜎𝑋 = √ = 0,29
𝟏𝟐
2 𝟏 𝟐 𝟏 𝟐
𝟏 𝟐 𝟏 𝟏𝟒
E[𝑌 2 ] = ∫ 𝑦 2 𝑓𝑌 (𝑦) d𝑦 = ∫ 𝒚𝟑 𝒅𝒚 + ∫ 𝑦 2 (𝟐 − 𝒚)𝒅𝒚 = [ 𝒚𝟒 ] + [ 𝒚𝟑 − 𝒚𝟒 ] =
0 𝟎 𝟏 𝟒 𝟎 𝟑 𝟒 𝟏 𝟏𝟐
𝟏𝟒 𝟐
V[𝑌] = − 𝟏𝟐 =
𝟏𝟐 𝟏𝟐
𝟐
𝜎𝑌 = √ = 0,41
𝟏𝟐
𝐂𝐨𝐯(𝑿, 𝒀) 𝟎, 𝟎𝟖𝟑
𝝆 = 𝐂𝐨𝐫(𝑿, 𝒀) = = = 𝟎, 𝟕
𝝈𝑿 𝝈𝒀 𝟎, 𝟐𝟗 × 𝟎, 𝟒𝟏
35
36