Proba Conditionnelle

Chapitre 12
Probabilites conditionnelles et
couple de variables aleatoires
continues
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
ematiques pour la finance
Probabilites conditionnelles par rapport à un

evenement
On peut repliquer dans le cas continu, la procedure utilisee
dans le cas discret
Par exemple, si X est une v.a. continue et E un evenement de
probabilite non nulle, la fonction de densite conditionnelle est
definie par

f (x)/P(E ) si x E
f (x|E ) =
0
si x
/E
Et, pour tout evenement F
Z
P(F | E ) =
f (x | E )dx
F
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Comme dans le cas discret, on peut facilement obtenir une

expression plus simple pour cette probabilite conditionnelle
Z
P(F | E ) =
Z
f (x | E )dx =
E F
f (x)
P(E F )
dx =
P(E )
P(E )
Il apparait ainsi que la fonction de densite conditionnelle est

egale à 0 sauf dans E, et a une integrale egale à 1 sur E.
Par exemple si la densite de base est uniforme, cad correspond
à une experience où chaque evenement à la meme probabilite,
alors il en sera de meme pour la densite conditionnelle.
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Dans lexemple du pointeur, on suppose que laiguille pointe

la partie haute du cercle 0 x < 1/2. Quelle est la probabilite
que 1/6 x < 1/3?

Ici E = 0, 21 , E = 16 , 13 et E F = F
P(F E )
1/6
1
Donc P(F | E ) =
=
=
P(E )
1/2
3
ce qui semble raisonnable puisque F represente un tiers de E .
La fonction de densite conditionnelle est alors donnee par

2 si 0 x < 1/2
f (x|E ) =
0 si 1/2 x < 1
Ainsi la fonction de densite conditionnelle est donc non nulle
seulement sur [0, 1/2[, où elle est uniforme.
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
venements independants
E
Soient E et F deux evenements ayant une probabilite non
nulle dans un espace de probabilite continu. Alors, comme
dans le cas discret, E et F seront independant si
P(E |F ) = P(E ) et P(F |E ) = P(F )
Comme precedemment, chacune des equations precedentes
implique lautre. Ainsi pour verifier que deux evenements sont
independants, il suffit den verifier une.
Cela implique notamment que E et F sont independant si et
seulement si
P(E F ) = P(E )P(F )
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Couple de v.a. et densite jointe

De manière analogue à ce que nous avons fait dans le cas
discret, on peut definir une fonction de distribution jointe et
une densite jointe pour un couple de variable aleatoire
Definition
Soient X et Y deux v.a. continue. Alors leur fonction de
distribution jointe est definie par
F (x, y ) = P(X x, Y y )
Dans le cas general, la fonction de distribution jointe de n
variable X1 , X2 ,..., Xn est definie par
F (x1 , x2 , ..., xn ) = P(X1 x1 , X2 x2 , ..., Xn xn )
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
La fonction de densite jointe est alors definies par lequation

Z x Z y
F (x, y ) =
f (s, t)dt.ds
dans le cas dune couple de variables.

Et par lequation
Z
x1
x2
F (x1 , x2 , ..., xn ) =
xn
...
f (t1 , t2 , ..., tn )dtn dtn1 ...dt1
dans le cas de n v.a.

On a alors
f (x, y ) =
2 F (x, y )
n F (x1 , x2 , ..., xn )
et f (x1 , x2 , ..., xn ) =
xy
x1 x2 ...xn
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Variables aleatoires independantes

Definition
Deux variables X et Y sont ind
ependantes si
F (x, y ) = FX (x)FY (y ) x, y R
cest-à-dire si
P(X x, Y y ) = P(X x)P(Y y ) x, y R
Dans le cas general X1 , X2 ,...,Xn sont mutuellement
independantes si
F (x1 , x2 , ..., xn ) = F1 (x1 )F2 (x2 )...Fn (xn ) x1 , x2 , ..., xn R
Ainsi des v.a. sont mutuellement independantes si leur fonction de distrib.
jointe est egale au produit de leurs fonctions de distrib. individuelles.
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Theorème
Si X1 , X2 ,..., Xn sont mutuellement independantes, alors
1
f (x1 , x2 , ..., xn ) = f1 (x1 )f2 (x2 )...fn (xn ) f1 , f2 , ..., fn R
2
E(X1 , X2 , ..., Xn ) = E(X1 )E(X2 )...E(Xn )
Plus generalement, pour toutes fonctions 1 , 2 ,...,n

E(1 (X1 ), ..., n (Xn )) = E(1 (X1 ))E(2 (X2 ))...E(n (Xn ))
Exemple : Soit X et Y deux v.a. independantes avec

X N (1 , 1 ) et Y N (2 , 2 ). Calculer E(XY ) et
E(e tX +sY )
E(XY ) = E(X )E(Y ) = 1 2
E(e tX +sY ) = E(e tX e sY ) = E(e tX )E(e sY ) = MX (t)MY (s)
= e 1 t+
12 t 2
2
e 2 t+
22 s 2
2
Renaud Bourl`
es - Ecole
Centrale Marseille
Math

E(X )
Attention : Piège à eviter : E YX nest pas egal à E(Y
)
meme si X et Y sont independants

Si X et Y sont indep. alors E YX = E X Y1 = E(X )E Y1

1
En general E Y1 6= E(Y
comme le montre lexemple suivant.
)
Soit Y U(1, 3).
Alors, par definition E(Y ) =
1+3
2
=2
1
E(Y )
1
2
Z +
Z 3
1
1
1 1
1
Or E
=
fY (x)dx =
.
dx = [ln x]31
Y
2
x
1 x 31
= 12 (ln 3 ln 1) = 12 ln 3

1
1
1
1
6= E(Y
ln
3
=
6
donc
E
2
2
Y
)

Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Covariance
Comme de le cas discret, on a ensuite:
Cov (X , Y ) = E [(X E(X ))(Y E(Y ))]
= E(XY ) E(X )E(Y )
Ainsi, si X et Y sont independant alors :
Cov (X , Y ) = E(XY ) E(X )E(Y ) = E(X )E(Y ) E(X )E(Y ) = 0
Attention, la reciproque nest pas vraie comme le montre
lexemple suivant
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Exemple
Soit X N (0, 1), et W independant de X tel que :

1 avec probabilite 1/2
W =
1 avec probabilite 1/2
Soit Y = WX
Montrons tout dabord que Y N (0, 1)
FY (x) =
=
=
=
=
P(Y x) = P(WX x)
P(WX x, W = 1) + P(WX x, W = 1)
P(X x, W = 1) + P(X x, W = 1)
1
F (x) + 12 (1 FX (x))
2 X
FX (x) car fx est symetrique
Y N (0, 1)
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Par ailleurs :
Cov(X , Y ) = E(XY ) E(X )E(Y ) = E(WX 2 ) E(X )E(WX )
i
h
2
2
= E(W ) E(X ) (E (X )) = 0 car E(W ) = 0
Or X et Y ne sont pas independants

E e X e Y = E e (1+W )X = E e 2X 1W =1 + E (1W =1 )
1 1
1
= MX (2) + = (e 2 + 1)
2 2
2
Or

2
1
E eX E eY = E eX
= (MX (1))2 = e 6= (e 2 + 1)
2
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Coefficient de correlation
Comme dans le cas discret

Definition
On appelle coefficient de correlation de deux variables X et Y
cov(X , Y )
p
(X , Y ) = p
var(X ) var(Y )
Propriete : (X , Y ) [1, 1]
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Densite conditionnelle
Par analogie avec le cas discret, on peut construire dans le cas
continu une probabilite conditionnelle par rapport à une
variable. On parle alors de densite conditionnelle
Definition
Soient X et Y deux variables continues. La densite
conditionnelle de X sachant Y = y est alors definie par
fX |Y (x|y ) =
fX ,Y (x, y )
fY (y )
où fX ,Y (x, y ) est la densite jointe de X et Y , et fY la densite

de Y .
Remarque : Si X et Y sont independants, fX |Y (x|y ) = fX (x)
x, y
Renaud Bourl`
es - Ecole
Centrale Marseille
Math
Esperance conditionnelle par rapport à une variable
On peut alors definir lesperance conditionnelle dune v.a.

continue par rapport à une autre variable :
Definition
Soient X et Y deux variables aleatoires continues. Alors,
lesperance conditionnelle de X sachant Y = y secrit
Z +
E (X | Y = y ) =
x.fX |Y (x | y )dx
Renaud Bourl`
es - Ecole
Centrale Marseille
Math

Proba Conditionnelle

Transféré par

Droits d'auteur :

Formats disponibles

Proba Conditionnelle

Transféré par

Informations du document

Description originale:

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

Proba Conditionnelle

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 12

Probabilites conditionnelles par rapport `a un

Comme dans le cas discret, on peut facilement obtenir une

Il apparait ainsi que la fonction de densite conditionnelle est

Dans lexemple du pointeur, on suppose que laiguille pointe

Couple de v.a. et densite jointe

La fonction de densite jointe est alors definies par lequation

dans le cas dune couple de variables.

f (t1 , t2 , ..., tn )dtn dtn1 ...dt1

dans le cas de n v.a.

Variables aleatoires independantes

E(X1 , X2 , ..., Xn ) = E(X1 )E(X2 )...E(Xn )

Plus generalement, pour toutes fonctions 1 , 2 ,...,n

Exemple : Soit X et Y deux v.a. independantes avec

Comme dans le cas discret

o`u fX ,Y (x, y ) est la densite jointe de X et Y , et fY la densite

Esperance conditionnelle par rapport `a une variable

On peut alors definir lesperance conditionnelle dune v.a.

Vous aimerez peut-être aussi