Cours Proba 25/11/09 Variables aléatoires à deux dimensions suite d) Fonction de répartition à deux dimensions Rappel F(x) P(X x) Sur les variables à une dimension: F(x, y) P(X x,Y y) A deux dimensions: 2) v.a indépendantes a) Définitions: les v.a X et Y sont indépendantes ssi: P(X x,Y y) P(X x)P(Y y) ou f (x, y) f X (x) fY (y) Analogie avec P(A B) P(A)P(B) Si indépendance: Connaissance de Connaissance de avec A et B indépendants P(X x,Y y) P(X x) et P(Y y) De même: connaissance de connaissance de f (x, y) f X (x) et fY (y) b) Exemples: Cas de v.a discrètes 1 Cours Proba 25/11/09 Variables aléatoires à deux dimensions suite P(X x,Y y) P(X x)P(Y y) (x, y) Si c’est indépendants: Par exemple: P(X 2,Y 3) 0, 35 P(X 2)P(Y 3) 0, 7 0, 5 0, 35 P(X 1,Y 1) 0, 06 P(X 1)P(Y 1) 0, 3 0,2 0, 06 etc. => variable indépendantes Contre exemple: Jeu avec une pièce de monnaie et un dé. On avait P(X 1,Y 10€ ) 0 P(X 1)P(Y 10€ ) 11 5 0 21 72 donc X et Y pas indépendantes • Cas d’une v.a continue cible -> carré 1 1 1 f (x, y) , f X (x) , fY (y) 4 2 2 On avait d’où ici, f (x, y) f X (x) fY (y) => X, Y sont des v.a indépendantes -> disque 2 2 2 X et Y sont liés par la relation X Y a 1 f (x, y) 2 a On a vu que 2 f X (x) 2 a 2 x 2 f (x, y) f X (x) fY (y) a 2 fY (y) 2 a 2 y 2 Si X et Y indépendants a c) Conséquences: Si X et Y sont indépendants P(x1 X x2 , y1 Y y2 ) P(x1 X x2 )P(y1 Y y2 ) Remarque: 2 Cours Proba 25/11/09 Variables aléatoires à deux dimensions suite F(x, y) P(X x,Y y) F(x, y) P(X x)P(Y y) F(x, y) FX (x)FY (y) d) Extension à n variables (x, y) h(x, Théorème: n v.a X1, X2,…Xn sony) indépendantes si P(X1 x1 , X2 x2 Xn xn ) P(X1 x1 )P(X2 x2 )P(Xn xn ) ° f Xn (xn ) f (x1 , x2 xn ) f X1 (x1 ) f X 2 (x2 ) h[X( ),Y ( )] 3) Fonctions de variables aléatoires a) Définition Soit (X, Y) un couple de v.a Soit h une fonction de 2 dans alors l’explication de est aussi une v.a notée h(X,Y ) 2 Exemple: h(X,Y ) X Y , X 4Y b) Lois de probabilité de h(X,Y ) • Cas v.a discrète: Cela va se calculer à partir de P(X x,Y y) Relativement simple dans le cas discret Méthode donnée sur l’exemple: Car disjoints Car indépendants Soit X et Y deux v.a à valeurs entières et indépendantes Soit h(X,Y ) X Y noté S • Loi de probabilité de S ? On a P(S X Y s) P[(X 0,Y s) (X 1,Y s 1) (X s,Y 0)] P(X 0,Y s) P(X 1,Y s 1) P(X s,Y 0) P(X 0)P(Y s) P(X 1)P(Y s 1) P(X s)P(Y 0) s P(S s) P(X x)P(Y s x) Alors Exemple: Csx x s x x 0 s! x0 s e( ) e( ) ( )s s! 3 Cours Proba 25/11/09 Variables aléatoires à deux dimensions suite P(X x) x e x! y P(Y y) e y! Y suit la loi de Poisson de paramètre μ: s x y P(S s) e e x! (s x)! x 0 d’où X suit la loi de Poisson de paramètre λ: f (x, y) P[(X,Y ) h(X,Y ) s] Loi de poisson de paramètre + • v.a continues: On veut calculer la densité de probabilité de la v.a h(X,Y ) ? On connaît la densité de proibabilité jointe du couple (X, Y) notée Méthode: On va déterminer la fonction de répartition de h(X,Y ) Si on note s h(X,Y ) F(s) P(S s) P[h(X,Y ) s] tel que On peut voir que h(X,Y ) s correspond à une région du plan notée A(s) limitée par la courbe h(x, y) s (frontière) f (x, y)dx dy F(s) P[(X,Y ) / (x, y) A(s))] D’où A(s){(x, y)/ x ys} F(s) x dys x f (x, y)dy dx f (x, y)dx x y A(s) Exemple: Loi de probabilité de S X Y Densité de probabilité jointe de f (x, y) est connue dérivée F(s)de sP[X Y s] On a x f (x, s x)dx f est connue f (s) F '(s) donc donc f (s) F '(s) d ds s x f (x, y)dy dx x y d y s x f (x, y)dy dx x ds y 4 Cours Proba 25/11/09 Variables aléatoires à deux dimensions suite On pourra calculer cette intégrale Cas particulier: Si X et Y indépendantes f (x, y) f X (x) fY (y) On peut montrer que f X Y f X fY E h(X) h(x)de f (x)dx c)Espérance h(X,Y) x • Rappel : Cas à une dimension E(X) x xP(X x) v.a discrète E(X) xf (x)dx v.a continue E h(X) x h(x)P(X x) x d’où Par analogie: Si X et Y v.a discrète: E h(X,Y ) h(x, y)P(X x,Y y) x Si X et Y v.a continues: y E h(X,Y ) h(x, y) f (x, y)dx dy x y Exemple fondamentaux: E(aX bY )aaE(X) b(Y dy ) b yf (y)dx dy xf (x,y)dx x y x y si a et b sont des constantes, on parle d’un opérateur dit linéaire Démonstration: a x f (x, y)dy )]y E(aX bY ) E[h(X,Y x où h(X,Y ) aX bY or f X (x) dx b y y x f (x, y)dx dy fY (y) E[h(X,Y )] a xfh(x, y) f (x, dy ax by f (x, y)dx dy (x)dx by)dx yf (y)dy x y x X y Y x y aE(X) bE(Y ) 5 Cours Proba 25/11/09 Variables aléatoires à deux dimensions suite E(X,Y ) E(X)E(Y ) --> X, Y indépendants alors h(X,Y ) XY Attention, la réciproque est fausse !!! h(x, y)P(X x,Y y) x y xyP(X x)P(Y y) car X et Y Indépendants x y xP(X x) yP(Y y) x y Démonstration: E(X)E(Y ) E(XY ) E f (X,Y ) ou E h(X)g(Y ) E f (x)E g(y) 2 De même, siXet Yhindépendants (x, y)P(X x,Y y) ( h(x, y)P(X x,Y y))2 x y de h(X,Y) x y d) Variance Rappel: h (x, y) f (x, y)dx dy h(x, y) f (x, y)dx du D D 2 2 Var(X) E (X E(X))2 E(X 2 ) (E(X))2 Donc Var[h(X,Y )] E[(h(X,Y ) E[h(X,Y )])2 ] E[(h(X,Y ))2 ] (E[h(X,Y )])2 cov(X,Y ) E(X,Y ) E(X)E(Y ) 4) Covariance et coefficient de corrélation: a) Covariance Définition: Soient X et Y deux v.a alors la covariance de X et Y vaut Propriété: Si X et Y indépendants alors cov(X,Y ) 0 de même Var(aX bY ) a2Var(X) b2Var(Y ) 2ab cov(X,Y ) 6 Cours Proba 25/11/09 Variables aléatoires à deux dimensions suite b) Coefficient de corrélation Définition: Soient X et Y deux v.a. Le coefficient de corrélation vaut cov(X,Y ) X Y on a 1 p 1 deux cas extrèmes X et Y indépendants cov(X,Y ) 0 0 X Y E(XX) E(X)E(X) E(X 2 ) (E(X))2 Var(X) 1 Var(X) Var(X) Var(X) X X on va avoir (a,b) Donc ce coefficient de corrélation mesure le degré d’indépendance entre X et Y cov(X, X) Si on veut montrer que 1 • Démonstration: On pose Z aX bY 2 2 2 2 Z2 a 2 X2 b 2 2 a) b cov(X,Y ) Var(Z) 0 cov (X,Y Y X Y 0 2 ) 2 2 x 2 x cov 0 (X,Y si on poseX xY a Or cov2 (X,Y ) 1 2 2 2 4b2 (cov(X,Y))X2 2 Y 4 Xb 2 0 4 f2 1cov2 (X,Y ) 4 X2 b 2 Y2 0 Il faut que 1 1 1 7