Anda di halaman 1dari 8

ECM

Chapitre 5
VECTEURS ALEATOIRES
5.1 COUPLE DISCRET DE V.A.R.
5.1.1 loi jointe, lois marginales
(, A, P) est un espace probabilis
e.
Soit X : E une v.a.r. discr`
ete `
a valeurs dans E R
et Y : F une v.a.r. discr`
ete `
a valeurs dans F R.
loi du couple (loi jointe)
cest la mesure de probabilit
e P(X,Y ) sur E F telle
que :
P(X,Y ) (x, y) = P[(X, Y ) = (x, y)] = P[X = x, Y = y]
pour tout (x, y) E F .
P P
On a
evidemment
P(X,Y ) (x, y) = 1.
xE yF

lois marginales
Ce sont les lois de probabilit
e individuelles de X et Y .
Elles se calculent facilement si on connait la loi du
couple :
PX (x) =

P(X,Y ) (x, y)

et

yF

PY (y) =

P(X,Y ) (x, y)

xE

pour tout x E et y F .
ATTENTION : la r
eciproque est FAUSSE ! On ne peut
pas en g
en
eral retrouver la loi du couple `
a partir des
lois marginales.

JMI

ECM

5.1.2 lois conditionnelles, ind


ependance
d
efinition
La loi conditionnelle de Y sachant X (ou loi de Y
conditionnelle en X) est la famille de lois de probabilit
e
sur F , index
ee par les x E tels que P[X = x] > 0,
d
efinie par :
y F

PY |X (y|x) = P[Y = y|X = x]

Evidemment...
la loi conditionnelle de X sachant Y (ou loi de X
conditionnelle en Y ) est la famille de lois de probabilit
e
sur E, index
ee par les y F tels que P[Y = y] > 0,
d
efinie par :
x E

PX|Y (x|y) = P[X = x|Y = y]

R`
egles de calcul pratique
P(X,Y ) = PX PY |X = PY PX|Y
On peut donc retrouver la loi du couple si on connait
PX et PY |X , ou PY et PX|Y .
ind
ependance
X et Y sont ind
ependantes PY |X PY (et
PX|Y PX ) et P(X,Y ) = PX PY .
Application du th
eor`
eme de Bayes
y F

P [Y = y] =

P [Y = y|X = x] P [X = x]

xE

JMI

ECM

5.1.3 esp
erances, variances et covariance
Esp
erances
Lesp
erance math
ematique du couple est le vecteur de R2
E(X, Y ) = (E(X), E(Y ))
Lesp
erance dune fonction r
eelle du couple, si elle existe, se
calcule `
a laide de la loi du couple :
X X

E(h(X, Y )) =

h(x, y)P(X,Y ) (x, y)

xE yF

Lesp
erance dune fonction dune seule des deux v.a., si elle
existe, se calcule aussi bien `
a laide de la loi du couple que
de la loi de cette v.a. :
E(h(X)) =

X X

h(x)P(X,Y ) (x, y) =

xE yF

h(x)PX (x)

xE

Variances et covariance
On connait (chapitre 2) les d
efinitions :
2
2
V ar(X) = E(X ) (E(X)) et V ar(Y ) = E(Y 2 ) (E(Y ))2
Cov(X, Y ) = E(XY ) E(X)E(Y ) = Cov(Y, X)
matrice des covariances ou matrice de dispersion
(X,Y ) =

"

V ar(X)

Cov(X, Y )

Cov(Y, X)

V ar(Y )

Cov(X, Y )
.
X Y
= 0 Cov(X, Y ) = 0 : les variables X et Y sont
d
ecorr
el
ees.
= 1 : les variables X et Y sont li
ees par une relation
affine.
Le coefficient de corr
elation lin
eaire est =

JMI

ECM

5.2 COUPLE A DENSITE DE V.A.R.


5.2.1 loi jointe, lois marginales
(, A, P) est un espace probabilis
e.
Soit X : R une v.a.r. et Y : R une v.a.r. telles
que le couple (X, Y ) poss`
ede une densit
e f(X,Y ) .
loi du couple (loi jointe)
cest la mesure de probabilit
e P(X,Y ) sur R2 telle que :
P(X,Y ) (A B) = P [(X, Y ) A B] =

Z Z

f(X,Y ) (x, y)dxdy

A B

pour tous A et B bor


eliens de R.
RR
On a
evidemment
f(X,Y ) (x, y)dxdy = 1.
R R

lois marginales
Ce sont les lois de probabilit
e individuelles de X et Y .
Elles sont `
a densit
es sur R qui se calculent facilement si
on connait la densit
e du couple :

fX (x) =

f(X,Y ) (x, y)dy

et

fY (y) =

f(X,Y ) (x, y)dx

ATTENTION : la r
eciproque est FAUSSE ! On ne peut
pas en g
en
eral retrouver la densit
e du couple `
a partir
des densit
es marginales.
changement de variables
Exemple

JMI

ECM

5.2.2 lois conditionnelles, ind


ependance
d
efinition
On ne peut pas d
efinir les lois conditionnelles comme
dans le cas discret, car P[X = x] = P[Y = y] = 0 pour
tous x, y R
La loi conditionnelle de Y sachant X (ou loi de Y
conditionnelle en X) est la famille de densit
es de
probabilit
e sur R, index
ee par les x R , not
ee
fY |X (y|x) telle que h Cb (R2 ) :
E(h(X, Y )) =

Z Z
R

h(x, y)fY |X (y|x)dy fX (x)dx


R

la loi conditionnelle de X sachant Y (ou loi de X


conditionnelle en Y ) est la famille de densit
es de
probabilit
e sur R, index
ee par les y R , not
ee
fX|Y (x|y) telle que h Cb (R2 ) :
E(h(X, Y )) =

Z Z
R

h(x, y)fX|Y (x|y)dx fY (y)dy


R

R`
egles de calcul pratique
f(X,Y ) (x, y) = fX (x) fY |X (y|x) = fY (y) fX|Y (x|y)
On peut donc retrouver la densit
e du couple si on
connait fX et fY |X , ou fY et fX|Y .
ind
ependance
X et Y sont ind
ependantes fY |X fY (et
fX|Y fX ) et f(X,Y ) = fX fY .

JMI

ECM

5.2.3 esp
erances, variances et covariance
Esp
erances
Lesp
erance math
ematique du couple est le vecteur de R2
E(X, Y ) = (E(X), E(Y )). Lesp
erance dune fonction r
eelle
du couple, si elle existe, se calcule `
a laide de la densit
e du
couple :
E(h(X, Y )) =

Z Z
R

h(x, y)f(X,Y ) (x, y)dxdy

Lesp
erance dune fonction dune seule des deux v.a., si elle
existe, se calcule aussi bien `
a laide de la densit
e du couple
que de la densit
e de cette v.a. :
E(h(X)) =

Z Z
R

h(x)f(X,Y ) (x, y)dxdy =

h(x)fX (x)dx

Variances et covariance
Ce qui a
et
e vu en 5.1.3 reste valable sans changement :
V ar(X) = E(X 2 ) (E(X))2
V ar(Y ) = E(Y 2 ) (E(Y ))2
Cov(X, Y ) = E(XY ) E(X)E(Y ) = Cov(Y, X)
matrice des covariances ou matrice de dispersion
(X,Y ) =

"

V ar(X)

Cov(X, Y )

Cov(Y, X)

V ar(Y )

Cov(X, Y )
.
X Y
= 0 Cov(X, Y ) = 0 : les variables X et Y sont
d
ecorr
el
ees.
= 1 : les variables X et Y sont li
ees par une relation
affine.
Le coefficient de corr
elation lin
eaire est =

JMI

ECM

5.3 CAS D-DIMENSIONNEL


On se limite au cas `
a densit
e pour ne pas alourdir.
(, A, P) est un espace probabilis
e.
p
Soit X : R un v.a.r. et Y : Rq un v.a.r. tels que le vecteur
(X, Y ) poss`
ede une densit
e f(X,Y ) .
loi du vecteur (loi jointe)
cest la mesure de probabilit
e P(X,Y ) sur Rp+q telle que :

P(X,Y ) (A B) = P [(X, Y ) A B] =

Z Z

f(X,Y ) (x, y)dxdy

AB
pour tout A bor
elien de Rp et tout B bor
elien de Rq .
lois marginales
Ce sont les lois de probabilit
e individuelles de X et Y . Elles sont a
`
p
q
densit
es sur R et R qui se calculent facilement si on connait la
densit
e du couple :

fX (x) =

f(X,Y ) (x, y)dy

et

Rq

fY (y) =

f(X,Y ) (x, y)dx

Rp

ATTENTION : la r
eciproque est FAUSSE ! On ne peut pas en g
en
eral
retrouver la densit
e du couple `
a partir des densit
es marginales.
changement de variables
m
eme m
ethode
lois conditionnelles
La loi conditionnelle de Y sachant X (ou loi de Y conditionnelle en
X) est la famille de densit
es de probabilit
e sur Rq , index
ee par les
p
x R , not
ee fY |X (y|x) telle que h Cb (Rp+q ) :

Z
Z
h(x, y)fY |X (y|x)dy fX (x)dx
E(h(X, Y )) =
Rq
Rp

JMI

ECM

R`
egles de calcul pratique
f(X,Y ) (x, y) = fX (x) fY |X (y|x) = fY (y) fX|Y (x|y)
On peut donc retrouver la densit
e du vecteur si on connait fX et
fY |X , ou fY et fX|Y .
ind
ependance
X et Y sont ind
ependantes fY |X fY (et fX|Y fX ) et
f(X,Y ) = fX fY .
esp
erances, variances et covariance
Le paragraphe 5.2.3 sadapte sans difficult
e. La matrice (X,Y ) est
maintenant carr
ee de dimension p + q.

5.4 FONCTION CARACTERISTIQUE ET


INDEPENDANCE
On se limite au cas dun couple (X, Y ) `
a densit
e dans
R2 . On peut d
efinir sa fonction caract
eristique qui sera
naturellement une fonction de deux variables
r
eelles :(a, b) R2
(X,Y ) (a, b) =

R2

ei(ax+by) f(X,Y ) (x, y)dxdy = E(ei(aX+bY ) )

On voit facilement quune condition n


ecessaire et
suffisante pour lind
ependance de X et Y est :
(X,Y ) (a, b) = X (a) Y (b)

JMI