Vecteurs aléatoires I

Skander HACHICHA

[email protected]

Université de Tunis El Manar

Ecole nationale d’ingénieurs de Tunis

Skander HACHICHA Vecteurs aléatoires I 1 / 32 1 / 32

Vecteurs aléatoires

On suppose dans la suite que toutes les v.a sont définies sur le même
espace probabilisé (Ω, A, P).
Proposition
Une application X : Ω → Rd d’applications coordonnées
X1 , X2 , · · · , Xd est une variable aléatoire (vecteur aléatoire) si et
seulement si chaque application coordonnée Xi : Ω → R est une v.a
réelle.
Un vecteur aléatoire X à valeurs dans Rd est un d−uplet
(X1 , X2 , · · · , Xd ) de v.a réelles.

Skander HACHICHA Vecteurs aléatoires I 2 / 32 2 / 32

Loi de probabilité d’une v.a

Définition
Soit X = (X1 , X2 , · · · , Xd ) une variable aléatoire à valeurs dans
Rd .
1 On appelle loi conjointe des v.a réelles X1 , X2 , · · · , Xd , la loi
du v.a X = (X1 , X2 , · · · , Xd ) dans Rd .
2 On appelle lois marginales, les lois PX1 , · · · , PXd des v.a
réelles X1 , X2 , · · · , Xd .

Skander HACHICHA Vecteurs aléatoires I 3 / 32 3 / 32

Fonction de répartition d’une v.a

Définition
Soit X = (X1 , X2 , · · · , Xd ) une variable aléatoire à valeurs dans
Rd . On appelle fonction de répartition de X la fonction
FX : Rd → [0, 1] telle que pour tout x = (x1 , x2 , · · · , xd ) ∈ Rd ,
FX (x1 , x2 , · · · , xd ) = P( di=1 {Xi ∈] − ∞, xi ]}) =
T

P(X1 ≤ x1 , X2 ≤ x2 , · · · , Xd ≤ xd ).

Skander HACHICHA Vecteurs aléatoires I 4 / 32 4 / 32

Fonction de répartition d’une v.a

Proposition
Soit X = (X1 , X2 , · · · , Xd ) une variable aléatoire à valeurs dans Rd
de fonction de répartition FX , alors
1 FX est croissante par rapport à chaque variable.
2 Pour tout i = 1, · · · , d
(a)
lim FX (x1 , · · · , xi , · · · , xd ) = 0
xi →−∞

(b)
lim FX (x1 , · · · , xd ) = 1
x1 →+∞,··· ,xd →+∞

3 FX est continue à droite par rapport à chaque variable.

Skander HACHICHA Vecteurs aléatoires I 5 / 32 5 / 32

Fonction de répartition d’une v.a

Proposition
Soit X = (X1 , X2 , · · · , Xd ) une variable aléatoire à valeurs dans Rd
de fonction de répartition FX . Pour tout k ∈ {1, · · · , d}, la v.a
(X1 , X2 , · · · , Xk ) à pour fonction de répartition

F(X1 ,X2 ,··· ,Xk ) (x1 , · · · , xk ) = lim FX (x1 , · · · , xd )

xi →+∞, i=k+1,··· ,d

En particulier la v.a Xk a pour fonction de répartition

FXk (xk ) = lim FX (x1 , · · · , xd )

xi →+∞, i6=k

Skander HACHICHA Vecteurs aléatoires I 6 / 32 6 / 32

V.a discrètes

Définition
La v.a (X1 , X2 , · · · , Xd ) est une v.a discrète (vecteur aléatoire) si et
seulement si chaque application coordonnée Xi : Ω → R est une v.a
réelle discrète.

Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a discrète dans Rd . La loi de la v.a
X est caractérisée par la donnée de l’ensemble

{(x, P(X = x)) / x ∈ X(Ω)} ⊂ Rd × [0, 1]

P
telle que : x∈X(Ω) P(X = x) = 1

Skander HACHICHA Vecteurs aléatoires I 7 / 32 7 / 32

V.a discrètes

Lois marginales :
On peut déterminer la loi marginale de Xi à partir de la loi de
X = (X1 , X2 , · · · , Xd ). Quitte à permuter i par 1, il suffit de calculer
la loi marginale X1 .
Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a discrète vectorielle. Pour tout
y ∈ R, on a
P(X1 = y) =
X
P(X1 = y, X2 = x2 , · · · , Xd = xd )
{x2 ∈X2 (Ω),··· ,xd ∈Xd (Ω)}

Skander HACHICHA Vecteurs aléatoires I 8 / 32 8 / 32

V.a discrètes

Exemple
(Loi discrète du couple (X, Y ))
Soient X et Y deux v.a réelles discrètes. Ainsi,
P
x∈X(Ω),y∈Y (Ω) P(X = x, Y = y) = 1.
Les lois marginales PX et PY sont données par :
X
P(X = x) = P(X = x, Y = y)
y∈Y (Ω)

X
P(Y = y) = P(X = x, Y = y).
x∈X(Ω)

La fonction de répartition FX,Y est donnée par :

X
FX,Y (x, y) = P(X = z, Y = t)
{z∈X(Ω) | z≤x, t∈Y (Ω) | t≤y}

Skander HACHICHA Vecteurs aléatoires I 9 / 32 9 / 32

V.a discrètes

Exemple
On considère le lancer de deux dés, modélisé par l’espace probabilisé
Ω = ({1, 2, · · · , 6})2 muni de la probabilité uniforme. Si X est la
v.a.d qui représente le résultat du premier dé et Y celui du second, on
a pour ω = (ω1 , ω2 ) ∈ Ω, X(ω) = ω1 et Y (ω) = ω2 .
On a : £(X) = £(Y ), c’est la loi uniforme sur {1, 2, · · · , 6}.
1
Mais on a P(X = 5, X = 6) = 0 et P(X = 5, Y = 6) = 36 .
Ainsi les v.a.d (X, Y ) et (X, X) n’ont pas la même loi alors que
toutes les lois marginales sont égales.

Skander HACHICHA Vecteurs aléatoires I 10 / 32 10 / 32

V.a absolument continues
Soit X = (X1 , X2 , · · · , Xd ) une v.a à valeurs dans Rd .
Définition
La v.a X est absolument continue, s’il existe une fonction réelle
f : Rd → R, telle que
(i) f ≥ 0, mesurable.
(ii) f est intégrable sur Rd et
Z +∞ Z +∞
··· f (x1 , · · · , xd )dx1 · · · dxd = 1.
−∞ −∞

de sorte que pour tout B ∈ BRd

Z
PX (B) = P(X ∈ B) = f (x1 , · · · , xd )dx1 · · · dxd =
B
Z
1B (x1 , · · · , xd )f (x1 , · · · , xd )dx1 · · · dxd
Rd
La fonction f est appelée densité de la loi de probabilité de X.
Skander HACHICHA Vecteurs aléatoires I 11 / 32 11 / 32
V.a absolument continues

Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a à valeurs dans Rd de fonction de
répartition FX et de densité fX . Alors
1 pour tout (x1 , · · · , xRd ) ∈ RdR, on a
x1 xd
FX (x1 , · · · , xd ) = −∞ · · · −∞ f (y1 , · · · , yd )dy1 · · · dyd
2 FX est continue sur Rd .
3 FX est dérivable presque partout sur Rd et telle que pour tout
(x1 , · · · , xd ) où fX est continue

∂ d FX
(x1 , · · · , xd ) = fX (x1 , · · · , xd )
∂x1 · · · ∂xd

Skander HACHICHA Vecteurs aléatoires I 12 / 32 12 / 32

V.a absolument continues

Exemple
La densité conjointe de (X, Y ) est donnée par :
(
e−(x+y) , si x > 0 et y > 0;
f(X,Y ) (x, y) =
0, si non.

X
Déterminer la fonction densité de probabilité fZ de la v.a.r Z = Y .

Skander HACHICHA Vecteurs aléatoires I 13 / 32 13 / 32

V.a absolument continues

FZ (z) = P(Z ≤ z) = P( X
Y ≤ z), on pose Ωz = {(x, y) /
x
y ≤ z}
et
x
Ω ∩ Ωz = {(x, y) /x > 0, y > 0 et ≤ z}
y
RR
FZ (z) = P((X, Y ) ∈ Ω ∩ Ωz ) = Ωz f(X,Y ) (x, y)dxdy =
−(x+y) dxdy.
RR
Ω∩Ωz e
Si z ≤ 0, Ω ∩ Ωz =R∅.
Si z > 0, FZ (z) = 0+∞ e−y ( 0yz e−x dx)dy = 1 − 1+z
1
R
1
(
fZ (z) = F ′ (z) = (1+z)2 , si z > 0;
0, si z ≤ 0.

Skander HACHICHA Vecteurs aléatoires I 14 / 32 14 / 32

V.a absolument continues
Lois marginales
Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a à valeurs dans Rd de densité fX .
Alors pour tout k ∈ {1, · · · , d}, la v.a (X1 , X2 , · · · , Xk ) à pour
fonction de densité

f(X1 ,X2 ,··· ,Xk ) (x1 , x2 , · · · , xk ) =

Z
fX (x1 , x2 , · · · , xd )dxk+1 · · · dxd
Rd−k
En particulier, la v.a Xk à pour densité
Z
fXk (xk ) = fX (x1 , x2 , · · · , xd )dx1 · · · dxk−1 dxk+1 · · · dxd
Rd−1

Démonstration
Il suffit de calculer P(X ∈ B) où B = A × Rd−k avec A ∈ BRk
Skander HACHICHA Vecteurs aléatoires I 15 / 32 15 / 32
V.a absolument continues
Lois marginales
Remarque
À partir de la loi du couple (X, Y ), on peut donc calculer la loi de X
et la loi de Y. La réciproque est fausse comme le montre l’exercice
suivant.

Exercice
Soit deux couples (X1 , Y1 ), dont la loi pour densité

f (x, y) = (x + y)1{(x,y)∈[0,1]2 }

et (X2 , Y2 ), dont la loi pour densité

1 1
g(x, y) = (x + )(y + )1{(x,y)∈[0,1]2 } .
2 2
Montrer que les lois marginales sont égales £(X1 ) = £(X2 ) et
£(Y1 ) = £(Y2 ) alors que les lois des couples sont distinctes.
Skander HACHICHA Vecteurs aléatoires I 16 / 32 16 / 32
V.a absolument continues

Changement de variable :
Proposition
Soient ∆ et D deux ouverts de Rd . Soient X = (X1 , · · · , Xd ) une v.a
à valeurs dans ∆ de densité f(X1 ,··· ,Xd ) et g : ∆ → D
C 1 −difféomorphisme de ∆ dans D. Alors Y = g(X) est une v.a de
densité
fY (y) = fX (h(y))|J(h(y))|1D (y)
où h = g−1 est la bijection réciproque de g et où J(h(y)) est le
jacobien de l’application h = (h1 , · · · , hd ) en y = (y1 , · · · , yd ) :
 ∂h1 ∂h1 
∂y1 (y1 , · · ·
, yd ) · · · ∂yd (y1 , · · · , yd )
J(h(y)) = det  ··· ··· ···
 

∂hd ∂hd
∂y1 (y1 , · · · , yd ) · · · ∂yd (y1 , · · · , yd )

Skander HACHICHA Vecteurs aléatoires I 17 / 32 17 / 32

V.a absolument continues

Changement de variable :
Exemple
On considère le couple de v.a.r (X, Y ) de densité conjointe f(X,Y )
définie par :
( x+1
ky 2 e−( 2
)
, si 0 < y < x + 1;
f(X,Y ) (x, y) =
0, sinon.

Déterminer k.
On pose U = X − Y + 1 et V = 21 Y.
Déterminer la densité conjointe f(U,V ) de (U, V ) et les densités
marginales fU et fV .

Skander HACHICHA Vecteurs aléatoires I 18 / 32 18 / 32

V.a absolument continues

Changement de variable :
Indication :
Ω = {(x, y) ∈ R2 / 0 < y < x + 1}
RR R +∞ 2 R +∞ −( x+1 ) 1
R2 f (x, y)dxdy = k 0 y ( y−1 e 2 dx)dy = 1 ⇔ k = 32
1
u = x − y + 1 et v = 2 y ⇒ x = h1 (u, v) = u + 2v − 1 et
y = h2 (u, v) = 2v
(x, y) varie dans Ω ⇔ u > 0 et v > 0
det Jh (u, v) = 2 d’où
(
1 2 −( u+2v )
4v e , si u > 0 et v > 0
2
f(U,V ) (u, v) =
0, sinon.

-Si u ≤ 0 alors fU (u) = 0.

u R u
-Si u > 0 alors fU (u) = 41 e− 2 0+∞ v 2 e−v dv = 21 e− 2
fV (v) = 21 v 2 e−v 1{v>0}

Skander HACHICHA Vecteurs aléatoires I 19 / 32 19 / 32

Moments d’un vecteur aléatoire

Proposition
Soit X = (X1 , X2 , · · · , Xd ) une v.a. Soit g : Rd → R une fonction
mesurable. Alors g(X1 , X2 , · · · , Xd ) est une v.a réelle.
- Si la v.a X est discrète et
X
|g(x1 , · · · , xd )|P(X1 = x1 , · · · , Xd = xd ) < +∞,
x1 ∈X1 (Ω)···xd ∈Xd (Ω)

on a alors
E(g(X)) =
X
g(x1 , · · · , xd )P(X1 = x1 , · · · , Xd = xd )
x1 ∈X1 (Ω)···xd ∈Xd (Ω)

Skander HACHICHA Vecteurs aléatoires I 20 / 32 20 / 32

Moments d’un vecteur aléatoire

Proposition
- Si la v.a X est absolument continue et
Z +∞ Z +∞
··· |g(x)|fX (x)dx1 · · · dxd < ∞
−∞ −∞

on a alors
Z +∞ Z +∞
E(g(X)) = ··· g(x)fX (x)dx1 · · · dxd
−∞ −∞

Skander HACHICHA Vecteurs aléatoires I 21 / 32 21 / 32

Espérance d’un vecteur aléatoire

Proposition
Soient X et Y deux v.a réelles intégrables,
1 Pour tout α ∈ R, la v.a αX + Y est intégrable et on a :
E(αX + Y ) = αE(X) + E(Y )
2 Si X ≤ Y p.s alors E(X) ≤ E(Y )

Skander HACHICHA Vecteurs aléatoires I 22 / 32 22 / 32

Espérance d’un vecteur aléatoire
Proposition
Inégalité de Cauchy-Shawrtz : Soit (X, Y ) un couple de v.a réelles.
On suppose que X 2 et Y 2 sont intégrables. Alors XY est intégrable
et on a : q q
|E(XY )| ≤ E(X 2 ) E(Y 2 )

Démonstration
x2 +y 2 (X 2 +Y 2 )
∀x, y ∈ R, |xy| ≤ 2 . Donc |XY | ≤ 2 . Comme X 2 et Y 2
(X 2 +Y 2 )
sont intégrables, par linéairité, 2 est intégrable.
2
- Si E(Y ) = 0 ⇒ Y = 0 p.s ⇒ XY = 0 p.s et l’inégalité est triviale.
- Si E(Y 2 ) > 0, on a : ∀λ ∈ R

0 ≤ E[(X − λY )2 ] = E(X 2 ) − 2λE(XY ) + λ2 E(Y 2 )

E(XY )
Le membre de droite est minimal pour λ = E(Y 2 ) . On obtient alors :
(E(XY ))2
0 ≤ E(X 2 ) − E(Y 2 )
Skander HACHICHA Vecteurs aléatoires I 23 / 32 23 / 32
Covariance de deux v.a réelles

Définition
Soient X et Y deux v.a réelles admettant des moments d’ordre 2. On
appelle covariance de X et Y le réel
cov(X, Y ) = E[(X − E(X))(Y − E(Y ))] = E(XY ) − E(X)E(Y )
Si cov(X, Y ) = 0, on dit que X et Y sont non corrélées.

cov(X, Y ) = cov(Y, X) et cov(X, X) = V(X).

Proposition
Soient X et Y deux v.a réelles admettant des moments d’ordre 2,
alors
1 cov(aX + b, cY + d) = ac cov(X, Y ) pour tout réels a, b, c et
d.
2 cov(X + Y, Z) = cov(X, Z) + cov(Y, Z)
3 V(X + Y ) = V(X) + V(Y ) + 2cov(X, Y ).

Skander HACHICHA Vecteurs aléatoires I 24 / 32 24 / 32

Covariance de deux v.a réelles

Exemple
Soient X et Y deux v.a.r conjointement continues de fonction densité
conjointe f(X,Y ) définie par :
(
4
5 (x + 2y)e−x−2y , si x ≥ 0 et y ≥ 0;
f(X,Y ) (x, y) =
0, sinon.

1 Déterminer les densités marginales fX de X et fY de Y.

2 Calculer E(X), E(Y ), E(XY ) et cov(X, Y ).

Skander HACHICHA Vecteurs aléatoires I 25 / 32 25 / 32

Coefficient de corrélation entre deux v.a.r

Définition
Soient X et Y deux v.a réelles admettant des moments d’ordre 2. On
appelle coefficient de corrélation entre X et Y le réel :

cov(X, Y )
ρ(X, Y ) = p
V(X)V(Y )

Proposition
Soient X et Y deux v.a réelles admettant des moments d’ordre 2.
Alors
1 −1 ≤ ρ(X, Y ) ≤ 1.
ac
2 ρ(aX + b, cY + d) = |ac| ρ(X, Y ) pour tous réels a, c ∈ R∗+ et
b, d ∈ R.

Skander HACHICHA Vecteurs aléatoires I 26 / 32 26 / 32

Coefficient de corrélation entre deux v.a.r

Exemple
Soit X = N (0, 1). On pose Y = a + bX + cX 2 où a, b, et c ∈ R∗ .
b
Montrer que ρ(X, Y ) = √b2 +2c 2
.

Skander HACHICHA Vecteurs aléatoires I 27 / 32 27 / 32

Matrices de covariance

Définition
Soit X = (X1 , X2 , · · · , Xd ) une v.a à valeurs dans Rd tel que les v.a
réelles X1 , · · · , Xd admettent des moments d’ordre 2.
On appelle matrice de covariance la matrice réelle d’ordre d définie
par
ΣX = (cov(Xi , Xj ))1≤i,j≤d
 
V(X1 ) ··· cov(X1 , Xd )
 cov(X2 , X1 ) ··· cov(X2 , Xd ) 
ΣX = 
 
··· ··· ···

 
cov(Xd , X1 ) ··· V(Xd )

Skander HACHICHA Vecteurs aléatoires I 28 / 32 28 / 32

Matrices de covariance

Conséquence
Soit X = (X1 , X2 , · · · , Xd ) une v.a de matrice de covariance ΣX .
Alors
1 Pour tout α ∈ R, ΣαX = α2 ΣX .
2 Pour tout u ∈ Rd , Σu+X = ΣX .
3 (ΣX )t = ΣX
4 Soit une matrice A ∈ Mq×d et Y une v.a à valeurs dans Rq tel
que Y = AX, alors
ΣY = AΣX At

Proposition
Soient X1 , X2 , · · · , Xn n v.a réelles admettant des moments d’ordre
2, alors
V(X1 + · · · + Xn ) = ni=1 V(Xi ) + 2 1≤i<j≤n cov(Xi , Xj )
P P

Skander HACHICHA Vecteurs aléatoires I 29 / 32 29 / 32

Fonction carctéristique d’une v.a

Définition
Soit X = (X1 , X2 , · · · , Xd ) une v.a à valeurs dans Rd . On appelle
fonction caractéristique de X, la fonction ΦX : Rd → C définie par
ΦX (s1 , · · · , sd ) = E(eis1 X1 +···+isd Xd ) = E( dk=1 eisk Xk ) En
Q

utilisant l’écriture matricielle,

t [X]
Φ(X1 ,··· ,Xd ) (s1 , · · · , sd ) = E(ei[s] ) = E(eihs,Xi )

Skander HACHICHA Vecteurs aléatoires I 30 / 32 30 / 32

Fonction carctéristique d’une v.a

Remarque
1 Soit X = (X1 , · · · , Xd ) une v.a à valeurs dans Rd . On suppose
que pour tout i ∈ {1, 2, · · · , d}, E(|Xi |) < +∞. Alors ΦX
admet des dérivées partielles continues et l’on a :

∂ d ΦX (s1 , · · · , sd ) i
Pd
s X
= id E(X1 · · · Xd e j=1 j j )
∂s1 · · · ∂sd
2 La loi du v.a X = (X1 , · · · , Xd ) est déterminée par celles de
toutes les combinaisons linéaires de ces composantes.
3 Deux v.a X et Y à valeurs dans Rd ont la même loi ssi ΦX = ΦY

Skander HACHICHA Vecteurs aléatoires I 31 / 32 31 / 32

 Merci

Skander HACHICHA Vecteurs aléatoires I 32 / 32 32 / 32