Séance III.1

Chapitre 3: Théorèmes fondamentaux
Said, El Melhaoui
Faculté des Sciences Juridiques, Economique et Sociales Oujda
Economie & Gestion/S2/Probabilités

http://elearning-ump.com/fsjeso/login/index.php
S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 1 / 18

Outline
1 Vecteurs aléatoires (Couple de variables)

La loi jointe d’un couple de v.a.
Distributions marginales et distributions conditionnelles
Variables aléatoires indépendantes

Vecteurs aléatoires (Couple de variables) La loi jointe d’un couple de v.a.
Problème
On considère deux variables aléatoires X et Y . On aimerait

connaître s’il y a influence entre ces deux variables et la quantifier
Exemple : On peut se poser la question de l’influence des
catastrophes (Pandémie, ouragans, Guerre, ...) sur le cours de la
bourse. La variable X modélisera alors les catastrophes
météorologiques et la variable Y le cours de la bourse

Loi jointe
Définition
Soient X et Y deux v.a. La loi jointe de (X , Y ) est définie par sa
fonction de répartition
F(X ,Y ) : R × R − 7 → [0, 1]
(x, y ) 7−→ P(X ≤ x, Y ≤ y )
Les lois marginales du couple (X , Y ) sont la loi L(X ) de X , et la loi

L(Y ) de Y
N. B. À partir des lois marginales, on ne peut pas connaître la loi du

couple.

Cas de variables discrètes
Soient X et Y deux v.a.discrètes, de supports respectives ∆X et

∆Y La loi du couple (X , Y ) est définie par l’ensemble des
probabilités :
P(X = x, Y = y ) avec x ∈ ∆X , y ∈ ∆Y
Dans le cas où les variables prennent un petit nombre de valeurs,

on écrit en général la loi du couple sous la forme d’un tableau de
contingence (tableau double entrée)

Cas de variables discrètes: Exemple A
Exemple A. On lance une pièce équilibrée 3 fois.

Soit X le nombre de ‘Face’ obtenu dans les deux premiers jets
Y le nombre de ‘Face’ obtenu dans les deux derniers jets
La loi jointe PXY du couple (X , Y )?
Les lois marginales de X et Y ?Les lois et conditionnelles?

Exemple A (suite)
La loi jointe du couple (X , Y ) est donnée par le tableau de

contingence :
X /Y 0 1 2 Px
0 1/8 1/8 0 2/8
1 1/8 2/8 1/8 4/8
2 0 1/8 1/8 2/8
Py 2/8 4/8 2/8 1

Vecteurs aléatoires (Couple de variables) Distributions marginales et distributions conditionnelles
Cas de variables discrètes: Distributions marginales
Distribution marginale de X :
X
P(X = x) = P(X = x, Y = y ).
y
L’espérance marginale de X est

X
µX = E[X ] = xP(X = x)
x
La variance marginale de X est

X
σX2 = V [X ] = x 2 P(X = x) − µ2X .
x
Au tableau

Cas de variables discrètes: Distributions conditionnelles
Distribution conditionnelle de Y sachant que X = x :

P(X = x, Y = y )
P(Y = y |X = x) =
P(X = x)
pourvu que P(X = x) 6= 0

L’Espérance conditionnelle de Y sachant que X = x :
X
E[Y |X = x] = yP(Y = y |X = x)
y
La variance conditionnelle de Y sachant que X = x :

X
V [Y |X = x] = y 2 P(Y = y |X = x) − (E[Y |X = x])2
y
Au tableau

Variable aléatoire bivariée continue
Définition
La loi du couple de v.a. (X , Y ) admet une densité de probabilité s’il
existe une fonction bivariée f telle que
Z x Z y
F(X ,Y ) (x, y ) = f (u, v )dudv
−∞ −∞
telle que
1 f (x, y ) ≥ 0, ∀(x, y ) ∈ R2
R +∞ R +∞
−∞ −∞ f (u, v )dudv = 1
2

Variable bivariée continue: Distributions marginales
Distribution marginale de X :
Z +∞
fX (x) = f (x, y )dy
−∞
L’espérance marginale de X est

Z +∞
µX = E[X ] = xfX (x)dx
−∞
La variance marginale de X est

Z +∞
σX2 = V [X ] = x 2 fX (x)dx − µ2X
−∞

Variables bivariée continue: Distributions conditionnelles
Densité conditionnelle de Y sachant que X = x :
f (x, y )
fY |X =x (y ) = ;
fX (x)
pourvu que fX (x) 6= 0

Espérance conditionnelle de Y sachant que X = x :
Z +∞
E[Y |X = x] = yfY |X =x (y )dy
−∞

Vecteurs aléatoires (Couple de variables) Variables aléatoires indépendantes
Couple de variables aléatoires indépendantes
Définition
X et Y sont dites indépendantes ssi
∀x et y , P(X ≤ x et Y ≤ y ) = P(X ≤ x) ∗ P(Y ≤ y )

Couple de variables aléatoires indépendantes
Proposition
Deux v.a. X et Y sont indépendantes
⇔ La fonction de répartition du couple vérifie
F(X ,Y ) (x, y ) = FX (x) ∗ FY (y )
⇔ Dans le cas discret ∀(x, y )
P(X = x, Y = y ) = P(X = x) ∗ P(Y = y )
⇔ Dans le cas continu, la densité du couple vérifie ∀(x, y )
f (x, y ) = fX (x) ∗ fY (y )

Covariance
La covariance permet d’estimer la dépendance entre deux variables

aléatoires
Définition
La covariance entre X et Y est
Cov (X , Y ) = σXY = E [(X − E(X )) ∗ (Y − E(Y ))]
La matrice de variance-covariance du couple (X , Y ) est

V (X ) Cov (X , Y )
Γ(X , Y ) =
Cov (X , Y ) V (Y )
N.B. La covariance est notée aussi par σXY et
Cov (X , Y ) = σXY = E[XY ] − E[X ]E[Y ]

Corrélation
Définition
Le coefficient de corrélation entre X et Y est :
Cov (X , Y )
ρ(X , Y ) =
σX ∗ σY
Propriétés
−1 ≤ ρXY ≤ 1
Si X et Y sont indépendantes, alors
Cov (X , Y ) = 0 et ρXY = 0
Attention: L’inverse de l’implication ci-dessus n’est pas vraie sauf

si les variables aléatoires sont, en plus, normales

Exemple A (suite)
La loi marginale de X est :

x 0 1 2
P(X = x) 2/8 4/8 2/8
L’espérance et la variance marginaux de X sont
E(X ) = 0 ∗ 2/8 + 1 ∗ 4/8 + 2 ∗ 2/8 = 1
V (X ) = 02 ∗ 2/8 + 12 ∗ 4/8 + 22 ∗ 2/8 − 12 = 1/2

N. B.
X ∼ B(2; 0.5) ⇒ µX = 2 ∗ 0.5 = 1 et σX2 = 2 ∗ 0.5 ∗ 0.5 = 1/2
Vu la symétrie le Y suit la même loi que X

Au tableau

Exemple A (suite)
La loi conditionnelle de Y |X = 2 est

P(Y = y |X = 2) = P(Y = y et X = 2)/P(X = 2) :
y 0 1 2
P(Y = y |X = 2) 0 1/2 1/2
Au tableau
Ainsi l’espérance et variance conditionnelles de Y sont

E(Y |X = 2) = 0 ∗ 0 + 1 ∗ 1/2 + 2 ∗ 1/2 = 3/2
V (X |Y = 2) = 02 ∗ 0 + 12 ∗ 1/2 + 22 ∗ 1/2 − (3/2)2 = 1/4
Cov (X , Y ) = 10/8 − 1 ∗ 1 = 1/4 6= 0, ainsi X et Y ne sont pas
indépendantes
La matrice de variance-covariance du couple (X , Y ) est

1/2 1/4
Γ(X , Y ) =
1/4 1/2

Séance III.1

Transféré par

Droits d'auteur :

Formats disponibles

Séance III.1

Transféré par

Informations du document

Titre original

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

Séance III.1

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3: Théorèmes fondamentaux

Faculté des Sciences Juridiques, Economique et Sociales Oujda

Economie & Gestion/S2/Probabilités

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 1 / 18

1 Vecteurs aléatoires (Couple de variables)

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 2 / 18

On considère deux variables aléatoires X et Y . On aimerait

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 3 / 18

Les lois marginales du couple (X , Y ) sont la loi L(X ) de X , et la loi

N. B. À partir des lois marginales, on ne peut pas connaître la loi du

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 4 / 18

Cas de variables discrètes

Soient X et Y deux v.a.discrètes, de supports respectives ∆X et

Dans le cas où les variables prennent un petit nombre de valeurs,

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 5 / 18

Cas de variables discrètes: Exemple A

Exemple A. On lance une pièce équilibrée 3 fois.

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 6 / 18

La loi jointe du couple (X , Y ) est donnée par le tableau de

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 7 / 18

Cas de variables discrètes: Distributions marginales

L’espérance marginale de X est

La variance marginale de X est

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 8 / 18

Cas de variables discrètes: Distributions conditionnelles

Distribution conditionnelle de Y sachant que X = x :

pourvu que P(X = x) 6= 0

La variance conditionnelle de Y sachant que X = x :

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 9 / 18

Variable aléatoire bivariée continue

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 10 / 18

Variable bivariée continue: Distributions marginales

L’espérance marginale de X est

La variance marginale de X est

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 11 / 18

Variables bivariée continue: Distributions conditionnelles

Densité conditionnelle de Y sachant que X = x :

pourvu que fX (x) 6= 0

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 12 / 18

Couple de variables aléatoires indépendantes

∀x et y , P(X ≤ x et Y ≤ y ) = P(X ≤ x) ∗ P(Y ≤ y )

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 13 / 18

Couple de variables aléatoires indépendantes

F(X ,Y ) (x, y ) = FX (x) ∗ FY (y )

⇔ Dans le cas discret ∀(x, y )

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

⇔ Dans le cas continu, la densité du couple vérifie ∀(x, y )

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 14 / 18

La covariance permet d’estimer la dépendance entre deux variables

Cov (X , Y ) = σXY = E [(X − E(X )) ∗ (Y − E(Y ))]

La matrice de variance-covariance du couple (X , Y ) est

N.B. La covariance est notée aussi par σXY et

Cov (X , Y ) = σXY = E[XY ] − E[X ]E[Y ]

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 15 / 18

Attention: L’inverse de l’implication ci-dessus n’est pas vraie sauf

S., El Melhaoui (FSJESO) Théorèmes fondamentaux 05/2020 16 / 18

La loi marginale de X est :

E(X ) = 0 ∗ 2/8 + 1 ∗ 4/8 + 2 ∗ 2/8 = 1

V (X ) = 02 ∗ 2/8 + 12 ∗ 4/8 + 22 ∗ 2/8 − 12 = 1/2