COUPLES DE VARIABLES ALEATOIRES - … · Dans ce cas les lois de et de permettent de déterminer la...
Transcript of COUPLES DE VARIABLES ALEATOIRES - … · Dans ce cas les lois de et de permettent de déterminer la...
1
COUPLES DE VARIABLES
ALEATOIRES
A. Cas général 1) Définition 1
La loi d’un couple ,X Y de deux variables aléatoires définies sur le même espace probabilisé
, ,T P est donnée par la fonction ,X Y
F définie sur 2 par :
2
,, , ,
X Yx y F x y P X x Y y
2) Propriété 1 (admise)
Si deux couples 1 1,X Y et 2 2,X Y de variables aléatoires définies sur le même espace
probabilisé , ,T P ont même loi et si g est une fonction continue sur 2 alors les variables
aléatoires 1 1,g X Y et 2 2,g X Y ont même loi
Exemples :
Si 1 1,X Y et 2 2,X Y sont deux couples de variables aléatoires définies sur le même espace
probabilisé , ,T P qui ont même loi
Alors
Les variables aléatoires 1 1X Y et 2 2X Y ont même loi
Les variables aléatoires 1 1X Y et 2 2X Y ont même loi
Les variables aléatoires 1 1X Y et 2 2X Y ont même loi …
3) Définition 2
Deux variables aléatoires X et Y définies sur le même espace probabilisé , ,T P sont
indépendantes si et seulement si, pour tous réels x et y ,
P X x Y y P X x P Y y
Remarque :
Cette dernière égalité peut s’écrire : 2
,, , ,
X Yx y F x y X YF x F x
4) Caractérisations
a) Caractérisation 1
Deux variables aléatoires X et Y définies sur le même espace probabilisé , ,T P sont
indépendantes si et seulement si, pour tous intervalles I et J de ,
P X I Y J P X I P Y J
2
b) Caractérisation 2
Deux variables aléatoires X et Y définies sur le même espace probabilisé , ,T P sont
indépendantes si et seulement si
Tout évènement XA T est indépendant de tout évènement
YB T
Rappel :
On note XT la tribu ou -algèbre engendrée par les évènements X x pour tout réel x
5) Espérance conditionnelle dans le cas de l’indépendance
Soient deux variables aléatoires X et Y définies sur le même espace probabilisé , ,T P
Si est une variable aléatoire discrète
Si est indépendante de
Si Y
X
Y X
A T
/E X E X A
Démonstration :
Soit une variable aléatoire discrète définie sur un espace probabilisé qui admet une
espérance et telle que
/A A i A i
x X i I
E X E X A x P X x x P X x
Comme iX x XT , iX x est indépendant de YA T (caractérisation2), on a
A i iP X x P X x et / i i
i I
E X A x P X x E X
X , ,T P
;iX x i I
3
B. Couples de variables aléatoires discrètes 1) Caractérisation de la loi d’un couple de variables aléatoires discrètes
La loi d’un couple ,X Y de deux variables aléatoires discrètes définies sur le même espace
probabilisé , ,T P est caractérisée par la donnée des valeurs
, et P X x Y y P X x Y y P X x Y y ,pour tout couple
,x y X Y
La loi du couple ,X Y permet de déterminer les lois de X et de Y :
En effet les JjjyY )( forment un système complet d’événements, la formule des
probabilités totales donne : )()( j
Jj
ii yYxXpxXp
De même les IiixX )( formant un système complet d’événements, on obtient
)()( j
Ii
ij yYxXpyYp
Mais les lois de X et de Y ne permettent pas, en général, de déterminer la loi du couple
2) Caractérisation de l’indépendance de deux variables aléatoires discrètes
Deux variables aléatoires discrètes X etY définies sur le même espace probabilisé , ,T P
sont indépendantes si et seulement si, pour tout couple ,x y X Y ,
P X x Y y = P X x P Y y
Dans ce cas les lois de X et de Y permettent de déterminer la loi du couple
3) Loi de la somme de deux variables aléatoires discrètes
Soient deux variables aléatoires discrètes X etY indépendantes définies sur le même espace
probabilisé , ,T P , on a : pour tout réel z ,
x X
P X Y z P X x P Y z x
Démonstration :
Les évènements x X
X x
forment un système complet, la formule des probabilités
totales donne : x X
P X Y z P X x X Y z
Soit x X
P X Y z P X x Y z x
et comme les variables aléatoires X etY
sont indépendantes, il vient
x X
P X Y z P X x P Y z x
Si z x Y alors 0P Y z x
On peut donc écrire
x X
z x Y
P X Y z P X x P Y z x
4
4) Stabilité par la somme
a) Stabilité de la loi binomiale
Soient X et Y sont deux variables aléatoires indépendantes définies sur le même espace
probabilisé
Si ,X B n p et ,Y B m p alors ,X Y B n m p
Remarque :
n et m désignent des entiers naturels non nuls et p un réel appartenant à l’intervalle 0,1
Démonstration
Comme 0,X n et 0,Y m , on a 0,X Y m n
0, ,s m n P X Y s
0,
0,
k n
s k m
P X k P Y s k
0, 0s k m s k m s m k s
Il vient :
0, ,s m n P X Y s
min ,
max(0, )
k n s
k s m
P X k P Y s k
On a 0, ,s m n P X Y s min ,
max(0, )
k n s
k n k s k m s k
k s m
n mp q p q
k s k
Soit 0, ,s m n P X Y s min ,
max(0, )
k n sm n ss
k s m
n mp q
k s k
Pour conclure nous avons besoin de l’identité de Vandermonde
0
1m n
m n r
r
m nx x
r
Or 0 0 0 0
1 1 1m n m n
m n m n i j i j
i j i j
m n m nx x x x x x
i j i j
Identifions les termes des deux développements du polynôme 1m n
x
Pour tout entier naturel r m n , on a rm n
xr
=min( , )
max(0, )
i r mr
i r n
m nx
i r i
Doncm n
r
=min( , )
max(0, )
i r m
i r n
m n
i r i
Retour au problème initial
0, ,s m n P X Y s m n ssm n
p qk
, donc ,X Y B m n p
b) Stabilité de la loi de Poisson
Soient X et Y sont deux variables aléatoires indépendantes définies sur le même espace
probabilisé
Si X P et Y P alors X Y P
5
Remarque :
et désignent des réels strictement positifs
Démonstration
Comme X et Y , on a X Y
,s P X Y s
ks k
P X k P Y s k
s k s k
Il vient : ,s P X Y s 0 0 ! !
k s ks s
k k
e eP X k P Y s k
k s k
Soit ,s P X Y s
0
!
! ! !
k s ks
k
se
k s k s
=
0!
sk s k
k
se
ks
Soit finalement ,s P X Y s
!
se
s
donc X Y P
5) Loi d’une variable aléatoire fonction de deux variables aléatoires discrètes
Pour tout couple ,X Y de variables aléatoires discrètes et pour toute fonction g définie sur
( ) ( )X Y , on montre que la variable aléatoire ,Z g X Y est une variable aléatoire
discrète
a) Problématique : déterminer la loi de la variable aléatoire discrète Z
Soient X etY deux variables aléatoires discrètes définies sur le même espace probabilisé ),,( p
,
,
,x y X Y
g x y z
z Z Z z X x Y y
Cette union est une union d’évènements incompatibles deux à deux, donc on a
,
,
,x y X Y
g x y z
z Z p Z z p X x Y y
Exemples :
, max , , min ,Z X Y Z X Y Z X Y ….
b) Théorème « de transfert » :
Soient X etY deux variables aléatoires discrètes définies sur le même espace probabilisé
),,( p et g une fonction, à deux variables, définie sur )()( YX .
La variable aléatoire discrète ,Z g X Y admet, sous réserve de convergence absolue, une
espérance définie par :
,
,x y X Y
E Z g x y P X x Y y
On a alors
( ) ( , ) ( )x X y Y
E Z g x y p X x Y y
( , ) ( )y Y x X
g x y p X x Y y
6
c) Applications (admises)
i. Application 1 : Z=X+Y
On a alors )()()( jij
Ii Jj
i yYxXpyxZE
sous réserve de convergence absolue
Si X etY admettent chacune une espérance, alors X Y admet une espérance et on a
E X Y E X E Y (linéarité de l’espérance)
Conséquences :
Croissance de l’espérance
Si deux variables aléatoires discrètes X et Y définies sur le même espace probabilisé
, , p admettent une espérance et si X Y presque sûrement (c’est à dire
0P X Y ), alors E X E Y
Si deux variables aléatoires discrètes X et Y définies sur le même espace probabilisé , , p
admettent une espérance et si X Y presque sûrement (c’est à dire 0P X Y ), alors
E X E Y
Existence d’une espérance par domination
Si deux variables aléatoires discrètes X et Y définies sur le même espace probabilisé
, , p vérifient 0 X Y presque sûrement et si Y admet une espérance, alors X
admet une espérance et dans ce cas, on a E X E Y
ii. Application 2 : Z=XY
On a alors )()( jij
Ii Jj
i yYxXpyxZE
sous réserve de convergence absolue
Si X etY sont deux variables aléatoires discrètes indépendantes admettent chacune une
espérance, alors .X Y admet une espérance et on a E XY E X E Y
Remarque :
Si X etY sont deux variables aléatoires discrètes admettent chacune un moment d’ordre 2
alors .X Y admet une espérance
En effet, pour tous réels a et b , 2 21
2ab a b
Donc , ,x y X Y 2 21
2xy x y
Nous avons , ,x y X Y2 21
2xy P X x Y y x y P X x Y y
Il vient 2 21
2xy P X x Y y x P X x Y y y P X x Y y
Puis 2 21
2xy P X x Y y x P X x y P Y y ,ce qui assure le résultat
7
6) Covariance
a) Définition
Soient X etY deux variables aléatoires discrètes définies sur le même espace probabilisé
admettant un moment d’ordre 2, on appelle covariance de X etY le réel noté ,Cov X Y défini
par :
,Cov X Y E X E X Y E Y
b) Propriétés de la covariance :
Soient ,X Y et Z trois variables aléatoires discrètes définies sur le même espace probabilisé
admettant un moment d’ordre 2
➢ Symétrie : , ,Cov Y X Cov X Y
➢ Linéarité à gauche : , , , ,Cov X Y Z Cov X Z Cov Y Z
➢ Linéarité à droite : , , , ,Cov X Y Z Cov X Y Cov X Z
➢ , , 0a Cov X a
➢ ( , )Cov X X V X
c) Formule de Huygens-Koenig
Soient X etY deux variables aléatoires discrètes définies sur le même espace probabilisé
admettant un moment d’ordre 2
,Cov X Y E XY E X E Y
Conséquence :
Si X etY sont indépendantes alors , 0Cov X Y mais la réciproque est fausse.
Deux variables aléatoires X etY telles que , 0Cov X Y sont dites non corrélées
d) Variance de la somme de deux variables aléatoires discrètes :
Soient X etY deux variables aléatoires discrètes, définies sur le même espace probabilisé,
admettant chacune une variance. La variable aléatoire discrète X Y admet une variance et
on a :
2 ,V X Y V X V Y Cov X Y
Donc
Si X etY sont indépendantes alors V X Y V X V Y mais la réciproque est fausse
7) Coefficient de corrélation linéaire :
a) Définition
Soient X etY deux variables aléatoires discrètes admettant chacune une variance non nulle
8
Le coefficient de corrélation linéaire de X et Y est le réel noté ,X Y défini par :
cov( , )
,( ). ( )
X YX Y
X Y
b) Propriétés
➢ On a )().(),cov( YXYX (Inégalité de Cauchy-Schwarz) et donc , 1X Y
➢ , 1X Y si et seulement si Y est fonction quasi-affine de X (c’est à dire il existe
deux réels a et b tels que 1)( baXYp ).
➢ ,X Y « mesure » grossièrement la dépendance linéaire des variables X et Y.
Le signe de ,X Y (et donc celui de cov( , )X Y ) indique si les deux variables ont tendance à
varier dans le même sens ou en sens contraire.
Démonstration :
Montrons que )().(),cov( YXYX
Considérons la variable aléatoire X Y où
Cette variable aléatoire admet une variance
2cov , 2 cov ,V X Y X Y X Y V X X Y V Y P
Si 0V X , P est un polynôme du second degré positif
Le discriminant de P qui vaut 24 cov ,X Y V X V Y est donc négatif
On en déduit que 2cov ,X Y V X V Y soit )().(),cov( YXYX puisque la fonction
racine carrée est croissante sur 0,
Si 0V X , P est un polynôme de degré inférieur ou égal à 1 toujours positif
Supposons , 0cov X Y , P est alors un polynôme de degré 1, il change donc de signe :
c’est absurde
Par conséquent cov , 0X Y et l’inégalité )().(),cov( YXYX est vérifiée
, 1 cov , ( 1) cov ,X Y X Y X Y X Y X Y
Comme X etY sont deux variables aléatoires discrètes admettent chacune une variance non
nulle, on a 0V X
, 1X Y P est un polynôme du second degré positif dont le discriminant est nul
, 1X Y 0 0, 0V X Y
, 1X Y 0 presque sûrement X Y C
, 1X Y Y est fonction quasi-affine de X ou affine presque sûrement
9
C. COUPLES DE VARIABLES ALEATOIRES A DENSITE
1) Linéarité de l’espérance
Soient deux variables aléatoires à densité X etY définies sur le même espace probabilisé
Si X etY admettent chacune une espérance, alors X Y admet une espérance et on a
E X Y E X E Y (linéarité de l’espérance)
Conséquences :
Croissance de l’espérance
Si deux variables aléatoires à densité X et Y définies sur le même espace probabilisé
, , p admettent une espérance et si X Y presque sûrement (c’est à dire
0P X Y ), alors E X E Y
Si deux variables aléatoires X et Y définies sur le même espace probabilisé , , p
admettent une espérance et si X Y presque sûrement (c’est à dire 0P X Y ), alors
E X E Y
Existence d’une espérance par domination
Si deux variables aléatoires à densité X et Y définies sur le même espace probabilisé
, , p vérifient 0 X Y presque sûrement et si Y admet une espérance, alors X
admet une espérance et dans ce cas, on a E X E Y
2) Densité de la somme de deux variables aléatoires à densité indépendantes
Soient X etY deux variables aléatoires à densité définies sur le même espace probabilisé
Soit f une densité de la variable X
Soit g une densité de la variable Y
Si la fonction h définie par la relation h x f t g x t dt
est définie et continue sauf
peut-être en un nombre fini de points, c’est une densité de la variable aléatoire Z X Y
Remarque :
C’est le cas si f (ou g ) est bornée
Le produit de convolution de la fonction f par la fonction g est la fonction f g définie sur
par f g x f t g x t dt f x t g t dt
Cette définition est à « comparer » avec l’égalité établie pour deux variables aléatoires
discrètes indépendantes X etY : ,z
x X
P X Y z P X x P Y z x
10
3) Propriétés admises
a) Espérance d’un produit
Si X etY sont deux variables aléatoires à densité indépendantes définies sur le même espace
probabilisé, admettent chacune une espérance.
La variable aléatoire admet une espérance et on a E XY E X E Y
b) Variance d’une somme
Soient X etY deux variables aléatoires à densité indépendantes définies sur le même espace
probabilisé, admettant chacune une variance.
La variable aléatoire X Y admet une variance et on a : V X Y V X V Y
Remarque :
Si X etY sont deux variables aléatoires discrètes admettent chacune un moment d’ordre 2
alors .X Y admet une espérance
4) Stabilité par la somme
a) Stabilité de la loi par la somme
Soient X etY deux variables aléatoires à densité indépendantes définies sur le même espace
probabilisé
Si 1X et si 2Y alors 1 2X Y
Démonstration :
Notons f et g les densités respectives de X etY
Soit la fonction h définie par la relation h x f t g x t dt
On a
1 1
1
0 si 0
1 si 0x
x
f xx e x
et
2 1
2
0 si 0
1 si 0x
x
g xx e x
0 0 et 0 0 et f t g x t t x t t t x
Si 0x , 0h x
Si 0x ,
2111
0 01 2
1x x x tth x f t g x t dt t e x t e dt
Soit
2111
01 2
xxe
h x t x t dt
En effectuant le changement de variable t ux
Il vient
1 2
1 2 21
11 11 1 11
0 01 2 1 2
1x xe x e
h x ux x xu x du u u du
11
L’expression
211 11
01 2
11u u du
ne dépend pas de la variable x : elle est
constante et est notée C
La fonction est continue sur sauf peut-être en 0 ; c’est une densité de X Y
Comme 0
1h x dx h x dx
, il vient
1 2 11 2
0
1 1
xC
x e dx
Finalement si 0x ,
1 2 1
1 2
xx eh x
b) Stabilité par la somme de la loi normale
Soient X etY deux variables aléatoires à densité indépendantes définies sur le même espace
probabilisé
Si 2
1 1,X N m et 2
2 2,Y N m alors 2 2
1 2 1 2,X Y N m m
Démonstration :
La fonction Xf étant bornée, on peut dire que la fonction h définie sur par
2 21 2
2 21 22 2
1 2
1
2
t m x t m
h x e e dt
est une densité de X Y
Travail préliminaire :
Soient trois réels ,a b et c avec 0a
1) Montrer que, pour tout réel t ,
2
2
2 4
bat bt c a t
a a
avec 2 4b ac
2) En déduire que, pour tout réel t ,
2
4at bt c
ae e f ta
où f est la densité d’une loi
normale à préciser
3) En déduire que les intégrales 2at bt c
e dt
sont absolument convergentes et sont
égales à 4aea
Correction travail préliminaire :
1)
2 222 2
2 22 4 2 4
b c b b c bat bt c a t t a t a t
a a a a a a a
Alors en développent, on obtient :
2
2
2 4
bat bt c a t
a a
12
2)
2 2
2 2 2
2
2 21 1
2 21 1
2 4 2 24 41 1
212 22
b bt t
a a
ba t
at bt c a a a aa ae e e e e ea
a
Soit finalement
2
4at bt c
ae e f ta
où f est une densité de la variable aléatoire
1,
2 2
bU N
a a
3) Comme f t dt converge absolument (et vaut 1) , alors 2at bt c
e dt
converge
absolument et on a :
2
4 4at bt c
a ae dt e f t dt ea a
Retour à la démonstration :
2
1 2
1
2
at bt ch x e dt
, avec
2 2
1 2
1 1
2 2a
, 1 2
2 2
1 2
m x mb
et
22
21
2 2
1 22 2
x mmc
De plus 2 4b ac
2
1 2
2 2
1 2
x m m
et
2 2
2 2
2 2
2 22a
Donc
2 2
1 2
2 21 22 2
t m x t m
e e dt
= 4aea
=
22
2 2 1 21 2 2 2
2 22 2 2 21 2
1 2 1 2
2
24
x m mx m m
e ea a
Finalement h x
2 2
1 2 1 2
2 2 2 21 2 1 2
2 22 2
2 2
2 2 2 21 2 1 2 1 2
21 1
2 2
x m m x m m
e e
On a bien 2 2
1 2 1 2,X Y N m m
13
Bilan
Propriétés de l’espérance
Soient deux variables aléatoires X etY définies sur le même espace probabilisé
Ces variables aléatoires peuvent être toutes deux discrètes, toutes deux à
densité, l’une discrète et l’autre à densité
Si X etY admettent chacune une espérance, alors X Y admet une espérance et on a
E X Y E X E Y (linéarité de l’espérance)
Conséquences :
1) Croissance de l’espérance
Si deux variables aléatoires X et Y définies sur le même espace probabilisé , , p
admettent une espérance et si X Y presque sûrement (c’est à dire 0P X Y ), alors
E X E Y
Si deux variables aléatoires X et Y définies sur le même espace probabilisé , , p
admettent une espérance et si X Y presque sûrement (c’est à dire 0P X Y ), alors
E X E Y
2) Existence d’une espérance par domination
Si deux variables aléatoires X et Y définies sur le même espace probabilisé , , p
vérifient 0 X Y presque sûrement et si Y admet une espérance, alors X admet une
espérance et dans ce cas, on a E X E Y