Définition 3.3 CHAPITRE I Dénombrement Un arrangement avec répétitions de k éléments de E un ensemble ordonné de k éléments de E non nécessairement distincts. Cela revient à prendre k objets dans E en tenant compte de l’ordre dans lequel on les choisit, et en pouvant prendre plusieurs fois le même. Proposition 3.4 1. Cardinal Le nombre de k-arrangements avec répétitions de E est égal à Définition 1.1 Un ensemble A non vide est dit fini s’il existe un entier n et une bijection de f1; 2; : : : ; ng sur A. Lorsqu’il existe, l’entier n est unique et est noté Card A. C’est le cardinal ou le nombre d’éléments de A nk 4. Combinaisons Définition 4.1 Une combinaison de k éléments de E est un sous-ensemble de E formé de k éléments. Un ensemble A est dit dénombrable s’il existe une bijection de N sur Cela revient à prendre k objets dans E sans tenir compte de l’ordre A. dans lequel on les choisit. Un ensemble A est dit infini non dénombrable s’il n’est ni fini, ni dénombrable. Proposition 4.2 Le nombre de k-combinaisons d’un ensemble à n éléments E est : Proposition 1.3 ! Soit A et B deux ensembles finis. Alors Ak n nŠ k D n Cn D D 1) Card.A [ B/ D Card A C Card B Card.A \ B/ ; .n k/Š kŠ kŠ k Définition 1.2 2) si A \ B D ;, Card.A [ B/ D Card A C Card B ; 3) Card.A B/ D .Card A/ .Card B/. Remarque Pour dénombrer des situations : lorsqu’on fait un choix ou un autre : on ajoute les nombres de cas de chaque choix. lorsqu’on fait un choix puis un autre : on multiplie les nombres de cas de chaque choix. 2. Permutations Soit E un ensemble fini à n éléments. Définition 4.3 Une combinaison avec répétitions de k éléments de E est un ensemble non ordonné de k éléments non nécessairement distincts de E. Cela revient à prendre k objets dans E sans tenir compte de l’ordre dans lequel on les choisit, et en pouvant prendre plusieurs fois le même. Proposition 4.4 Le nombre de k-combinaisons avec répétitions de E est ! nCk 1 k CnCk 1 D k 5. Propriétés Définition 2.1 Une permutation de E est un arrangement (ordonné) des n éléments Proposition 5.1 de E. On a les propriétés suivantes : Cela revient à prendre les n éléments de E en tenant compte de l’ordre 1) n0 D nn D 1 et n1 D n n 1 D n dans lequel on les choisit. 2) pn D n np Proposition 2.2 nC1 n Le nombre de permutations d’un ensemble E à n éléments est : 3) pC1 D pC1 C pn . nŠ D 1 2 .n 1/ n 3. Arrangements Soit k 2 N et E un ensemble fini à n éléments. 4) .x C y/n D 5) n P pD0 n p n P pD0 n p xp yn p (Binôme de Newton) D 2n . Théorème 5.2 Un arrangement de k éléments de E est un sous-ensemble ordonné Soit E un ensemble fini à n éléments et P .E/ l’ensemble des parties de E. Alors de k éléments (distincts) de E. Card P .E/ D 2n Cela revient à prendre k objets dans E en tenant compte de l’ordre dans lequel on les choisit. Définition 3.1 Proposition 3.2 Le nombre de k-arrangements d’un ensemble à n éléments est Akn D Pnk D nŠ .n k/Š Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – I. Dénombrement Page 1 La probabilité P est unique et est définie par X P .A/ D pi 8A 2 F CHAPITRE II !i 2A Calcul des probabilités Equiprobabilité On a équiprobabilité lorsque les événements élémentaires !1 ; : : : ; !n ont la même probabilité de se produire : 1. Introduction Expérience aléatoire : expérience dont on ne peut pas prévoir le résultat. 1 p1 D D pn D Issue, éventualité, résultat : résultat d’une expérience aléatoire, n noté !. Univers des possibles : ensemble des résultats d’une expérience On a alors aléatoire, noté . Card A nbre de cas favorables Événement : ensemble d’éventualités associées à une expérience : P .A/ D D Card nbre de cas possibles A Événement élémentaire : événement composé d’une seule issue : f!g 4. Probabilité conditionnelle Proposition 4.1 Définition 2.1 Soit .; F ; P / un espace probabilisé et B 2 F avec P .B/ ¤ 0. Pour A 2 F , on appelle probabilité de A sachant B le réel Définition 2.2 Proposition 4.2 2. La tribu des événements P .A \ B/ Soit un Univers. P .A j B/ D P .B/ Un événement de est un sous-ensemble de . L’ensemble de tous les événements est appelé tribu des événements et C’est la probabilité que A a de se réaliser lorsque B s’est déjà réalisé. est noté F . Soit un Univers et F la tribu des événements de . 1) L’ensemble vide ; est appelé événement impossible et événement certain. Soit A; B 2 F tels que P .A/ ¤ 0 et P .B/ ¤ 0. Formule des probabilités totales : P .A/ D P .A j B/ P .B/ C P .A j B/ P .B/ 2) Si A 2 F , l’événement A D nA est appelé événement contraire Formule de Bayes : de A. 3) On dit qu’un événement A 2 F implique (ou entraîne) l’événement B 2 F si A B. 4) On dit que deux événements A; B 2 F sont incompatibles si A \ B D ;. 3. Probabilité Définition 3.1 Une probabilité sur .; F / est une application P W F rifiant : ! Œ0; 1 vé- 1) P ./ D 1 P .A j B/ P .B/ C P .A j B/ P .B/ Théorème 4.3 Soit B1 ; : : : ; Bk 2 F formant une partition de tels que P .Bi / ¤ 0 et A 2 F tel que P .A/ ¤ 0. Formule des probabilités totales : P .A/ D P .A j B1 / P .B1 / C C P .A j Bk / P .Bk / P .Bi =A/ D 3) [Généralisation à une suite d’événements] Le triplet .; F ; P / est appelé espace probabilisé. On dit que deux événements A; B 2 F sont indépendants si Soit .; F ; P / un espace probabilisé. on a P .A \ B/ D P .A/ P .B/ P .A/ 3) P .A [ B/ D P .A/ C P .B/ P .A j Bi / P .Bi / P .A j B1 / P .B1 / C C P .A j Bk / P .Bk / Définition 4.4 (Événements indépendants) Proposition 3.2 2) P .A/ D 1 P .A j B/ P .B/ Formule de Bayes : 2) si A \ B D ;, alors P .A [ B/ D P .A/ C P .B/ 1) P .;/ D 0 P .B=A/ D ou, de manière équivalente, si P .A \ B/ 4) si A B, alors P .A/ 6 P .B/ et P .B X A/ D P .B/ P .A/. Théorème 3.3 Soit D f!1 ; !2 ; : : : ; !n g un univers fini. Si p1 ; : : : ; pn sont les probabilités des événements !1 ; : : : ; !n , on a nécessairement P .A/ D P .A j B/ ou P .B/ D P .B j A/ La réalisation de A (ou de B) ne change pas la probabilité que B (ou A) a de se réaliser. p1 C p2 C C pn D 1 Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – II. Calcul des probabilités Page 2 3. Espérance d’une variable aléatoire discrète Définition 3.1 CHAPITRE III Soit X une variable aléatoire discrète sur .; F ; P /. On appelle espérance de X le réel X E.X / D xi pi Variables aléatoires discrètes 1. Variable aléatoire réelle i 2I On note souvent D E.X /. Une variable aléatoire réelle (v.a.r.) sur .; F ; P / est une applicaProposition 3.2 tion XW ! R. Soit X et Y deux v.a. discrètes sur .; F ; P /. Alors On note X./ D fX.!/; ! 2 g 1) E.X C Y / D E.X / C E.Y / Définition 1.1 2) E.X / D E.X / pour tout 2 R l’ensemble des valeurs (distinctes) prises par X. Lorsque X./ est fini ou dénombrable, on dit que X est une va- 3) Pour W R ! R, on a X riable aléatoire est discrète. E..X // D .xi /pi Lorsque X./ est infini non dénombrable (c’est-à-dire, lorsque X i2I peut prendre toutes les valeurs d’un intervalle réel), on dit que X 4) E./ D pour tout 2 R. est une variable aléatoire continue. Notations 4. Variance d’une variable aléatoire discrète Pour tout x 2 R, on note Définition 4.1 .X D x/ D f! 2 W X.!/ D xg et Soit X une variable aléatoire discrète sur .; F ; P /. On appelle variance de X le réel X Œxi E.X /2 pi Var.X / D E ŒX E.X /2 D .X 6 x/ D f! 2 W X.!/ 6 xg i2I 2. Loi d’une variable aléatoire discrète Soit X une variable aléatoire discrète. Comme X./ est fini ou dénombrable on peut le décrire par X./ D fx1 ; x2 ; : : : ; xn ; : : :g On appelle écart-type de X et le réel p X D Var.X / Théorème 4.2 (Inégalité de Bienaymé-Tchebychev) Dans la suite, on désigne par pi la probabilité de l’événement X D Pour tout ˛ > 0, on a xi : 2 pi D P .X D xi / P jX E.X /j > ˛ 6 X2 ˛ Définition 2.1 On appelle loi (ou distribution) de probabilité de X la donnée des Grace à l’inégalité de Bienaymé-Tchebychev, on montre que couples P . < X < C / > 0 f.xi ; pi / W i 2 I g P . 2 < X < C 2 / > 0:75 On la présente généralement sous forme de tableau P . 3 < X < C 3 / > 0:88 xi 0 1 2 pi 1=4 1=2 1=4 Lorsque la distribution est symétrique et « en cloche » : ou sous forme de graphique 0.20 < X < C / 0:68 P . P . 1/2 1/2 P . 2 < X < C 2 / 0:95 3 < X < C 3 / 0:99 E(X) 1/4 1/4 Proposition 4.3 Soit X une v.a. discrète sur .; F ; P /. On a 0 1 2 0 1 2 1) Var.X / D 2 Var.X / pour 2 R 2) Var.X C / D Var.X / pour 2 R Proposition 2.2 2 Si f.xi ; pi / W i 2 I g est la loi de probabilité d’une variable aléatoire 3) Var.X / D E.X / discrète, alors X pi D 1 ŒE.X /2 [Th. de König-Huygens] i 2I Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – III. Variables aléatoires discrètes Page 3 ! n 2) P .X D k/ D pk qn k k pour tout k 2 f0; 1; : : : ; ng CHAPITRE IV On note alors Lois discrètes usuelles X ,! B.n; p/ Dans la suite, on considère une urne contenant N boules de deux Représentation graphique sortes : des boules blanches en proportion p Loi Binomiale B(20, 0.6) et des boules noires en proportion q. On a nécessairement 0,2 0,18 qD1 p 0,16 0,14 1. La loi de Bernoulli 0,12 0,1 Situation type On tire au hasard une boule dans l’urne. Soit alors X la variable aléatoire valant 1 si la boule tirée est blanche et 0 si elle est noire. 0,08 0,06 0,04 0,02 0 5 Généralisation 6 7 8 9 10 11 12 13 14 15 16 17 18 19 On dit qu’une v.a.r. X suit une loi de Bernoulli de paramètre p si Proposition 2.1 1) X./ D f0; 1g Soit X ,! B.n; p/. Alors 2) P .X D 1/ D p 3) P .X D 0/ D q D 1 E.X / D np p Var.X / D npq On note alors 3. La Loi hypergéométrique X ,! B.1; p/ Situation type On effectue n tirages sans remise. Soit X le nombre de boules blanches apparues après les n tirages. Représentation graphique Loi de Bernoulli B(1, 0.3) Généralisation 0,8 On dit qu’une v.a.r. X suit une loi hypergéométrique de paramètres .N; n; p/ si 0,7 0,6 1) X./ f0; 1; : : : ; ng 0,5 0,4 2) P .X D k/ D 0,3 0,2 Np k 0,1 0 0 1 ! Nq n k ! N n ! pour tout k 2 X./ On note alors X ,! H .N; n; p/ Proposition 1.1 Soit X ,! B.1; p/. Alors Représentation graphique E.X/ D p Var.X / D pq 2. La Loi binomiale Loi H(50, 20, 0.6) 0,25 0,2 Situation type On effectue n tirages successifs avec remises. Soit X le nombre de boules blanches apparues après les n tirages. Généralisation On dit qu’une v.a.r. X suit une loi binomiale de paramètres .n; p/ si 1) X./ D f0; 1; : : : ; ng 0,15 0,1 0,05 0 5 6 Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – IV. Lois discrètes usuelles 7 8 9 10 11 12 13 14 15 16 17 18 19 Page 4 2) P .X D k/ D Proposition 3.1 Soit X ,! H .N; n; p/. Alors E.X/ D np Var.X / D npq 3) E.X / D N n N 1 k 1 r 1 r k p q Var.X / D r p r rq . p2 Loi binomiale négative Si dans le modèle précédent, on note Y le nombre d’échecs (boules noires tirées), on a Lorsque N est très supérieur à n, on peut approcher la loi hyperY DX r géométrique par la loi binomiale : La loi suivie par Y est la loi binomiale négative BN.r; p/. H .N; n; p/ B.n; p/ Remarque 5. La Loi de Poisson Dans la pratique, on impose Processus de Poisson Soit X le nombre d’événements survenus sur une période donnée. On suppose que N > 10n la probabilité qu’un événement a de se produire dans la période ne dépend que de la durée de la période 4. La Loi géométrique Situation type On effectue des tirages successifs avec remises jusquà obtenir une boule blanche. On note X le nombre de tirages effectués, c’est-à-dire, le nombre de tirages nécessaires pour tirer une boule blanche. le nombre d’événements se produisant durant la période est indépendant du nombre d’événements survenus dans les autres périodes. Définition 5.1 Généralisation On dit qu’une v.a.r. X suit une loi de Poisson de paramètre > 0 si On dit qu’une v.a.r. X suit une loi géométrique de paramètre p si 1) X./ D f0; 1; : : : ; n; : : :g D N 1) X./ D f1; : : : ; n; : : :g D N 2) P .X D k/ D pq k 1 2) P .X D k/ D e pour tout k 2 N k kŠ pour tout k 2 N On note alors On note alors X ,! P ./ X ,! G .p/ Représentation graphique Représentation graphique Loi de Poisson P(4) 0,25 Loi G(0.3) 0,35 0,2 0,3 0,15 0,25 0,2 0,1 0,15 0,05 0,1 0,05 0 0 1 2 3 4 5 6 7 8 9 10 11 12 0 1 2 3 4 5 6 7 8 9 10 11 12 Proposition 5.2 Proposition 4.1 Soit X ,! G .p/. Alors 1 E.X/ D p q Var.X / D 2 p Soit X ,! P ./. Alors E.X / D Var.X / D Remarque Lorsque p est petit et n est grand, on peut approcher la loi binomiale par la loi de Poisson : Loi de Pascal B.n; p/ P .np/ Généralisation de la loi géométrique consistant à effectuer des tirages successifs (avec remises) jusqu’à obtenir r boules blanches. Dans la pratique, on impose Le nombre de tirages X suit alors une loi de Pascal. On note X ,! Pascal.r; p/. p < 0:1 et n > 50 On a 1) X./ D fr; r C 1; : : :g Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – IV. Lois discrètes usuelles Page 5 Proposition 2.2 Le coefficient de corrélation linéaire du couple .X; Y / est CHAPITRE V .X; Y / D Couples de variables aléatoires discrètes 1. Loi d’un couple de v.a. discrètes Soit X et Y deux v.a.r. sur .; F ; P /. On appelle couple de variables aléatoires, le couple .X; Y /. Pour des v.a. discrètes, on notera X./ D fx1 ; : : : ; xn ; : : :g Y ./ D fy1 ; : : : ; ym ; : : : /g Cov.X; Y / X Y On a 1) .X; Y / 2 Œ 1; C1 2) .X; Y / D 0 SSI X et Y sont non corrélées ; 3) j.X; Y /j D 1 SSI, il existe a; b 2 R tels que Y D aX C b Proposition 2.3 Soit .X; Y / un couple de variables aléatoires réelles. Alors Définition 1.1 La loi du couple .X; Y / est la donnée des triplets .xi ; yj ; pij / Var.X C Y / D Var.X / C Var.Y / C 2 Cov.X; Y / Si X et Y sont non corrélées, on a où pij D P .X D xi / \ .Y D yj / On appelle lois marginales de X et de Y les lois de probabilité de X et de Y prises séparément. Remarque On note pi D P .X D xi / D X pj D P .Y D yj / D X On a X i;j pij j pij i pij D 1 Var.X C Y / D Var.X / C Var.Y / 3. Indépendance Définition 3.1 Soit .X; Y / un couple de variables aléatoires discrètes. On appelle loi conditionnelle de Y sachant X D xi la donnée des probabilités : P .Y D yj / \ .X D xi / pij D P Y D yj jX D xi D pi P X D xi L’espérance conditionnelle de Y sachant X D xj est X E.Y jX D xi / D yj P Y D yj jX D xi j Elle correspond à l’espérance de la loi conditionnelle de Y sachant X D Xi . Remarque La loi d’un couple, ainsi que les lois marginales sont souvent préDéfinition 3.2 sentées dans un tableau : On dit que X et Y sont indépendantes si pour tout x; y 2 R, les Y ::: y : : : Loi de X événements .X D x/ et .Y D y/ sont indépendants, c’est-à-dire, j X :: : P ..X D x/ \ .Y D y// D P .X D x/ P .Y D y/ xi pij pi Dans la pratique, il suffit de vérifier que :: : Loi de Y pij D pi pj 1 pj Remarque Proposition 1.2 Soit .X; Y / un couple de v.a. discrètes. Alors XX E.X Y / D xi yj pij i j Si deux variables X et Y sont indépendantes, alors elles sont noncorrélées, mais la réciproque est fausse ! X et Y indépendantes H) X et Y non-corrélées X et Y corrélées H) X et Y dépendantes 2. Corrélation Proposition 3.3 Soit .X; Y / un couple de variables aléatoires indépendantes. Si X suit B.n1 ; p/ et Y suit B.n2 ; p/ alors Définition 2.1 La covariance de .X; Y / est Cov.X; Y / D E X E.X / Y Lorsque E.Y / D E.X Y / E.X / E.Y / Cov.X; Y / D 0 on dit que les variables X et Y sont non corrélées. X C Y ,! B.n1 C n2 ; p/ Si X suit P .1 / et Y suit P .2 / alors X C Y ,! P .1 C 2 / Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – V. Couples de variables aléatoires discrètes Page 6 Proposition 3.4 Soit XW ! R une variable aléatoire continue à densité. Alors, pour tout x 2 R, on a CHAPITRE VI Variables aléatoires continues P .X D x/ D 0 P .X 6 x/ D P .X < x/ et De plus, pour tout a 6 b, on a 1. Introduction Dans ce chapitre, est un ensemble infini non dénombrable. P .a 6 X 6 b/ D FX .b/ FX .a/ D Z a b f .t / dt Définition 1.1 fX(t) Une variable aléatoire continue X est une v.a.r. pouvant prendre toutes les valeurs d’un intervalle ou de plusieurs intervalles de R. Remarque L’ensemble X./ étant infini, il n’est plus possible de définir la loi de X (sous la forme vue précédemment). t 2. Fonction de répartition Définition 2.1 fX(t) Soit X une v.a.r . On appelle fonction de répartition de X, la fonction FX W R ! Œ0; 1 définie par FX .x/ D P .X 6 x/ 8x 2 R FX(x) = P(X ≤ x) Proposition 2.2 x La fonction de répartition d’une v.a.r. X vérifie : 1) 2) lim FX .x/ D 0 x! 1 t fX(t) lim FX .x/ D 1 x!C1 3) Pour tout a; b 2 R avec a < b, FX .b/ FX(x) = P(X ≤ x) 1– FX(x) = P(X ≥ x) FX .a/ D P .a < X 6 b/ x 4) La fonction FX est croissante. t fX(t) 3. Variables aléatoires continues à densité FX(b) – FX(a) = P(a ≤ X ≤ b) Définition 3.1 On dit qu’une variable aléatoire continue X est à densité s’il existe une fonction fX W R ! RC positive et continue telle que 8x 2 R FX .x/ D Z a x b fX .t / dt t 1 4. Espérance et variance d’une v.a.r. à densité La fonction fX est appelée densité (de probabilité) de X. Définition 4.1 Proposition 3.2 Si X est une variable aléatoire continue à densité alors FX est de classe C 1 et on a FX0 .x/ D fX .x/ Soit XW ! R une variable aléatoire continue à densité. On appelle espérance de X le réel noté E.X / et défini par E.X / D Proposition 3.3 Une fonction f W R ! R est une densité si, et seulement si : 1) f est continue sur R 2) f est positive sur R Z C1 t fX .t / dt 1 Remarque L’espérance d’une v.a.r à densité possède les mêmes propriétés que dans le cas discret : 1) E.X C Y / D E.X / C E.Y / 3) Z 1 1 f .t / dt D 1 2) E.X / D E.X / 3) E./ D Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – VI. Variables aléatoires continues Page 7 Définition 4.2 Si X est une variable aléatoire continue à densité, alors Z C1 E.X 2 / D t 2 fX .t / dt 1 On appelle alors variance de X le réel Var.X / D E.ŒX E.X /2 / L’écart-type de X est .X / D p Var.X / L’inégalité de Bienaymé-Tchebychev reste valable pour les variables aléatoires continues : Théorème 4.3 (Inégalité de Bienaymé-Tchebychev) Pour tout ˛ > 0, on a P jX 2 E.X /j > ˛ 6 X2 ˛ Remarque La variance d’une v.a.r à densité possède les mêmes propriétés que dans le cas discret : 1) Var.aX / D a2 Var.X / 2) Var.X C a/ D Var.X / 3) Var.a/ D 0 4) Var.X / D E.X 2 / ŒE.X /2 (Koenig-Huyghens) Définition 4.4 Soit X une variable aléatoire. On appelle variable aléatoire centrée-réduite associée à X la variable aléatoire X E.X / X D X On a E.X / D 0 et Var.X / D 1 Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – VI. Variables aléatoires continues Page 8 Définition 2.1 On dit qu’une v.a.r. X suit une loi exponentielle de paramètre (avec > 0) si sa densité est ( e x si x > 0, fX .x/ D 0 si x < 0. CHAPITRE VII Lois continues usuelles 1. Loi uniforme On note X ,! E./ ou Exp./. Définition 1.1 On dit qu’une v.a.r. X suit une loi uniforme sur l’intervalle Œa; b (avec a < b) si sa densité est 8 < 1 si x 2 Œa; b fX .x/ D b a :0 si x … Œa; b Densité de la loi exponentielle fX λ On note X ,! U.a; b/. Densité de la loi uniforme fX 0 1/(b-a) Fonction de répartition de E./ FX .x/ D a b Z ( x 1 fX .t / dt D 1 0 e si x > 0 si x < 0 x Fonction de répartition de la loi exponentielle FX Fonction de répartition de U.a; b/ 8 ˆ ˆ Z x <0x FX .x/ D fX .t / dt D ˆb 1 ˆ :1 a a si x < a si x 2 Œa; b 1 si x > b Fonction de répartition de la loi uniforme 0 FX 1 Proposition 2.2 Soit X ,! E./. On a E.X / D a 1 Var.X / D 1 2 3. Loi normale ou de Laplace-Gauss b Définition 3.1 On dit qu’une v.a.r. X suit une loi normale de paramètre .; / (avec > 0) si sa densité est Proposition 1.2 Soit X ,! U.a; b/. On a aCb E.X / D 2 Var.X / D .b a/2 12 1 fX .x/ D p e 2 .x /2 2 2 8x 2 R On note X ,! N .; /. 2. Loi exponentielle Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – VII. Lois continues usuelles Page 9 Graphe de la densité Approximation de la loi binomiale par la loi normale Lorsque n est grand, et p pas trop proche de 0 et 1, on peut approcher la loi binomiale par une loi normale : p B.n; p/ N np; npq fX 1 p 2⇡ Dans la pratique, on impose np > 5 et nq > 5 200,00 150,00 µ 100,00 Proposition 3.2 Soit X ,! N .; /. On a 50,00 Comparaison graphique de 3 lois normales E.X / D Var.X / D 2 "#$ 0,00 5,00 10,00 15,00 Loi binomiale B(25, 0.3) "#%( Approximation de la loi de Poisson par la loi normale "#%& Lorsque est grand, on peut approcher la loi de Poisson par une loi normale : p P ./ N ; "#&) "#&$ "#& Dans la pratique, on impose "#'( > 18 "#'& 120,00 "#") "#"$ 100,00 "#" !'" !) !( !$ !& & " $ ( ) '" '& 80,00 ! plot({ProbabilityDensityFunction('Normal'(-3, 1), t), 1), t), 2), t)}, Soit a;ProbabilityDensityFunction('Normal'(5, b 2 R et t=-10..12); Proposition 3.3 ProbabilityDensityFunction('Normal'(5, X ,! N .; / Alors Page 1 60,00 40,00 20,00 Les 3 courbes ci-dessus représentent les densités de 3 variables aléatoires suivant des lois normales. aX C b ,! N .a C b; jaj / Les densités verte et rouge correspondent à deux var ayant la même espérance, Proposition 3.4 approximativement égale à 5 (abscisse des sommets des deux courbes / x = 5 est Unedevariable axe symétrie).aléatoire X suit la loi normale N .; / si et seulement si X suit la loi normale N .0; 1/ : La densité jaune correspond à une var d'espérance égale approximativement à -3. Les densités jaune rouge correspondent écart-type (et donc X et,! N .; / ”à des X var ,!deNmême .0; 1/ de même variance), car le sommet des courbes (d'ordonnée 0.4) correspond à 1/σ(2π)1/2. De plus, on a σ = 1/0.4 (2π)1/2 ≈ 1. fN .0;1/ 0,00 0,00 5,00 10,00 15,00 20,00 25,00 Loi de Poisson P(13) Correction de continuité Pour calculer P .X D k/ en utilisant une des approximations précédentes, on utilise la formule suivante : P X D k D P k 0:5 < X < k C 0:5 Le sommet de la densité verte est moins haut (d'ordonnée plus petite) que celui de la densité rouge. La var de densité verte à un l'écart-type (et donc une variance) 1 p car l'ordonnée du sommet est plus grand que celui de la var de densité rouge, 2⇡ inversement proportionnelle à l'écart-type. On voit aussi que la plage de valeur de la var de densité verte est plus grande que celle associée à la densité rouge. 3 0 4 3.5 4.5 Page 1 De même, P .k < X < `/ D P .k C 0:5 < X < ` P .k 6 X 6 `/ D P .k Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – VII. Lois continues usuelles 0:5/ 0:5 < X < ` C 0:5/ Page 10 Rappels 3.2 Le coefficient de corrélation linéaire du couple .X; Y / est CHAPITRE VIII .X; Y / D Couples de variables aléatoires continues Cov.X; Y / X Y On a 1. Introduction Soit .X; Y / un couple de variables aléatoires continues. La fonction de répartition du couple est FX;Y .x; y/ D P .X 6 x et Y 6 y/ 1) .X; Y / 2 Œ 1; C1 2) .X; Y / D 0 SSI X et Y sont non corrélées ; 3) j.X; Y /j D 1 SSI, il existe a; b 2 R tels que Y D aX C b La notion de loi n’ayant plus de sens, on va généraliser la notion de Rappels 3.3 densité vue au chapitre précédent. Soit .X; Y / un couple de variables aléatoires réelles. Alors Var.X C Y / D Var.X / C Var.Y / C 2 Cov.X; Y / 2. Densité d’un couple Définition 2.1 Si X et Y sont non corrélées, on a On dit que le couple de v.a.c. .X; Y / admet une densité s’il existe une fonction continue fX;Y W R R ! RC telle que Z x Z y FX;Y .x; y/ D fX;Y .u; v/ du dv 1 1 La fonction fX;Y est appelée densité du couple .X; Y /. Les densités fX et fY des variables aléatoires X et Y sont appelées densités marginales du couple .X; Y /. Var.X C Y / D Var.X / C Var.Y / 4. Indépendance Définition 4.1 Soit .X; Y / un couple de vac de densité f .x; y/. Pour tout y 2 R tel que fY .y/ ¤ 0, on appelle loi conditionnelle de X sachant Y D y, la loi de densité Remarques fXjY .xjy/ D 1. Pour .x; y/ 2 R , on a 2 fX;Y .x; y/ D @2 FX;Y .x; y/ @x@y fX Y .x; y/ fY .y/ L’espérance conditionnelle de X sachant Y D y est Z C1 E.XjY D y/ D xfXjY .xjy/dx 1 2. Les densités marginales sont liées à la densité du couple via les formules suivantes : Elle correspond à l’espérance de la loi conditionnelle de X sachant Z C1 Z C1 Y D y. fX .x/ D fX;Y .x; y/ dy fY .y/ D fX;Y .x; y/ dx Définition 4.2 1 1 On dit que X et Y sont indépendantes si pour tout x; y 2 R, les 2 3. Une fonction f W R ! R est la densité d’un couple de variables événements .X 6 x/ et .Y 6 y/ sont indépendants, c’est-à-dire, aléatoires, si P .X 6 x/ \ .Y 6 y/ D P .X 6 x/ P .Y 6 y/ 1) f .x; y/ > 0 ’ Ou, de manière équivalente, si 2) f .x; y/ dxdy D 1 R2 3) f est continue (sauf éventuellement pour un nombre fini de x et y). fX;Y .x; y/ D fX .x/ fY .y/ Rappels 4.3 4. On a E.X Y / D Z C1 1 Z C1 1 xyfX;Y .x; y/ dxdy Si deux variables X et Y sont indépendantes, alors elles sont noncorrélées, mais la réciproque est fausse ! X et Y indépendantes H) X et Y non-corrélées X et Y corrélées H) X et Y dépendantes 3. Corrélation Proposition 4.4 Rappels 3.1 La covariance de .X; Y / est Cov.X; Y / D E X E.X / Y Lorsque E.Y / D E.X Y / E.X / E.Y / Cov.X; Y / D 0 Si X et Y sont deux variables aléatoires continues indépendantes telle que X ,! N .1 ; 1 / et Y ,! N .2 ; 2 / On a alors X C Y ,! N 1 C 2 ; q 12 C 22 on dit que les variables X et Y sont non corrélées. Vincent Jalby – Université de Limoges – L2 Economie – Semestre 3 – 2016-2017 – VIII. Couples de variables aléatoires continues Page 11