Vecteurs aléatoires II

Skander HACHICHA

[Link]@[Link]

Université de Tunis El Manar

Ecole nationale d’ingénieurs de Tunis

Skander HACHICHA Vecteurs aléatoires II 1 / 33 1 / 33

V.a indépendantes

Définition
Les v.a X1 , · · · , Xn à valeurs dans Rd1 , · · · , Rdn sont dites
indépendantes si pour tout A1 ∈ B(Rd1 ), · · · , An ∈ B(Rdn )
n
Y
P(X1 ∈ A1 , · · · , Xn ∈ An ) = P(Xi ∈ Ai )
i=1

Proposition
Soient X1 , · · · , Xn n v.a réelles indépendantes. Soient h1 , · · · , hn ; n
fonctions réelles mesurables. Alors les v.a réelles

h1 (X1 ), · · · , hn (Xn )

sont indépendantes.

Skander HACHICHA Vecteurs aléatoires II 2 / 33 2 / 33

V.a indépendantes

Proposition
Soient X1 , · · · , Xn n v.a réelles. Alors X1 , · · · , Xn sont
indépendantes ssi pour tout (x1 , · · · , xn ) ∈ Rn
n
Y
F(X1 ,··· ,Xn ) (x1 , · · · , xn ) = FXi (xi )
i=1

Skander HACHICHA Vecteurs aléatoires II 3 / 33 3 / 33

Indépendance de v.a discrètes

Proposition
Soient X1 , · · · , Xn n v.a réelles discrètes. Les v.a X1 , · · · , Xn sont
indépendantes si pour tout (x1 , · · · , xn ) ∈ Rn :
n
Y
P(X1 = x1 , · · · , Xn = xn ) = P(Xi = xi )
i=1

Exemple
On désigne par X1 et X2 le résultat de lancer de deux dés, on vérifier
facilement que X1 et X2 sont indépendantes.

Exercice
Soient A et B deux événements. Montrer que A et B sont
indépendantes ssi 1A et 1B sont des v.a.d indépendantes.

Skander HACHICHA Vecteurs aléatoires II 4 / 33 4 / 33

Indépendance de v.a discrètes

Exercice
On considère le lancer de deux dés à 6 faces. Soit X = (X1 , X2 ) le
couple de v.a.d. réprésentant le résultat du premier dé et du second
dé.
Calculer la loi de la somme des deux faces S = X1 + X2 . Calculer la
loi de max(X1 , X2 ) et du vecteur aléatoire
Y = (max(X1 , X2 ), min(X1 , X2 )).

Skander HACHICHA Vecteurs aléatoires II 5 / 33 5 / 33

Indépendance de v.a absolument continues

Proposition
Soit (X1 , · · · , Xn ) une v.a absolument continu à valeurs dans Rn .
Alors Les v.a X1 , · · · , Xn réelles sont indépendantes si pour tout
(x1 , · · · , xn ) ∈ Rn :
n
Y
f(X1 ,··· ,Xn ) (x1 , · · · , xn ) = fXi (xi )
i=1

Indépendance et espérance
Proposition
Soient X1 , · · · , Xn ; n v.a.réelles. X1 , · · · , Xn sont indépendantes ssi
pour toutes fonctions réelles mesurables bornées h1 , · · · , hn , on a
n
Y
E(h1 (X1 ) · · · hn (Xn )) = E(hi (Xi ))
i=1

Skander HACHICHA Vecteurs aléatoires II 6 / 33 6 / 33

Indépendance de v.a absolument continues

Conséquences
Soient X et Y deux v.a réelles indépendantes admettant un moment
d’ordre 2. Alors
1 cov(X, Y ) = ρ(X, Y ) = 0.
2 V(X + Y ) = V(X) + V(Y ).

Remarque
La réciproque est fausse : deux variables aléatoires peuvent être non
corrélées sans être indépendantes.

Skander HACHICHA Vecteurs aléatoires II 7 / 33 7 / 33

Indépendance de v.a absolument continues

Exemple
Soit X une variable aléatoire de loi uniforme sur {1, · · · , 6}. On pose
Y = 1{X∈{1,6}} . Montrer que cov(X, Y ) = 0, mais X et Y ne sont
pas indépendants.

Proposition
Soient X1 , · · · , Xn n v.a réelles. X1 , · · · , Xn sont indépendantes ssi
pour tout (s1 , · · · , sn ) ∈ Rn
n
Y
Φ(X1 ,··· ,Xn ) (s1 , · · · , sn ) = ΦXk (sk )
k=1

Skander HACHICHA Vecteurs aléatoires II 8 / 33 8 / 33

Somme de v.a réelles
Somme de v.a.r discrètes
Proposition
Soient X et Y deux v.a à valeurs entières. Soit Z = X + Y.
1 La loi de probabilité de Z est donnée par
X
P(Z = k) = P(X = i, Y = j)
i+j=k

k
X
= P(X = i, Y = k − i)
i=0
2 Si de plus X et Y sont indépendantes, alors
k
X
P(Z = k) = P(X = i)P(Y = k − i)
i=0

et Pour tout s ∈ [0, 1], GX+Y (s) = GX (s)GY (s)

Skander HACHICHA Vecteurs aléatoires II 9 / 33 9 / 33
Somme de v.a réelles
Shéma de Bernoulli et autres exemples
Définition
On appelle shéma de Bernoulli toute suite de variables réelles
discrètes {Xn , n ∈ N∗ } indépendantes et indentiquement distribuées
(i.i.d) telle que la loi de Xn est la loi de Bernouilli de paramètre p.

Remarque
1 Le shéma de Bernoulli {Xn , n ∈ N∗ } modélise un jeu infini de
pile ou face avec une pièce biaisé de parmètre p. La v.a.d Xn
modélise le résultat du n−ième lancer.
2 Si {Xn , n ∈ N∗ } le shéma de Bernoulli de parmètre p. Alors
Sn = ni=1 Xi est de loi Binomiale de paramètre (n, p).
P

3 Si {Xn , n ∈ N∗ } le shéma de Bernoulli de parmètre p.

Alors T = inf{n ≥ 1, Xn = 1} est de loi géométrique de
paramètre p.
Skander HACHICHA Vecteurs aléatoires II 10 / 33 10 / 33
Somme de v.a réelles

Shéma de Bernoulli et autres exemples

Remarque
1 La loi de Poisson apparait comme limite de la loi Binomiale de
paramètre (n, p) lorsque n → +∞ et np → λ et donc p → 0.

Exercice
Montrer que :
1 Si X = B(n, p), Y = B(m, p) et X et Y sont indépendantes
alors
X + Y = B(n + m, p).
2 Si X = P(λ1 ), Y = P(λ2 ) et X et Y sont indépendantes alors
X + Y = P(λ1 + λ2 ).

Skander HACHICHA Vecteurs aléatoires II 11 / 33 11 / 33

Somme de v.a réelles

Somme de v.a.r absolument continues

Proposition
Soient X et Y deux v.a réelles indépendantes de fonctions densités
fX et gY . Alors
1 La v.a X + Y admet pour densité la fonction hX+Y = fX ∗ gY
définie par R
+∞ R +∞
hX+Y (z) = −∞ fX (z − y)gY (y)dy = −∞ fX (x)gY (z − x)dx
2 Pour tout s ∈ R

ΦX+Y (s) = ΦX (s)ΦY (s)

Skander HACHICHA Vecteurs aléatoires II 12 / 33 12 / 33

Somme de v.a réelles
Somme de v.a.r absolument continues
Exemple
Soient X et Y deux v.a réelles indépendantes de lois respectivement
N (m1 , σ1 ) et N (m2 , σq
2 ). Alors la v.a somme X + Y est de loi
normale N (m1 + m2 , σ12 + σ22 ).

Exemple
Soient X et Y deux v.a.r indépendantes qui suivent une loi uniforme
sur [0, 2].
On pose Z = X + Y et T = X − Y
Déterminer les fonctions d.d.p fZ et fT .

1

 4 z, si 0 < z ≤ 2;
1
fZ (z) = fX ∗ fY (z) = − z), si 2 < z ≤ 4;
4 (4
 0,

sinon.

Skander HACHICHA Vecteurs aléatoires II 13 / 33 13 / 33

Vecteurs gaussiens

Définition
Une v.a (X1 , · · · , Xd ) à valeurs dans Rd est dite vecteur gaussien si
pour tout (a1 , · · · , ad ) ∈ Rd la v.a réelle di=1 ai Xi est de loi
P

normale.
Conséquence
Soit (X1 , · · · , Xd ) un vecteur gaussien. Alors chaque composante Xk
est une v.a réelle de loi normale.

Skander HACHICHA Vecteurs aléatoires II 14 / 33 14 / 33

Vecteurs gaussiens

Exemple

Soit X1 , · · · , Xd des v.a gaussiennes indépendantes. On supoose que

la loi de Xk est la loi gaussienne N (mk , σk ).
Alors le vecteur X = (X1 , · · · , Xd ) est un vecteur gaussien.
En effet, soit a = (a1 , · · · , ad ) ∈ Rd . On calcule la fonction
caractéristique de ha, Xi :

Pd d
Φha,Xi (u) = E[eiu ak Xk
E[eiuak Xk ] =
Y
k=1 ]=
k=1
d a 2 σ 2 u2
k k ha, ΣX aiu2
eiuak mk −
Y
2 = exp(iuha, mi − ),
k=1
2

Skander HACHICHA Vecteurs aléatoires II 15 / 33 15 / 33

Vecteurs gaussiens

Exemple
Suite
où m = (m1 , · · · , md ) et ΣX = Diag(σ12 , · · · , σd2 ) est une matrice
diagonale. On en déduit que la loi de ha, Xi est la loi gaussienne
N (ha, mi, ha, ΣX ai). Donc X est un vecteur gaussien.

Skander HACHICHA Vecteurs aléatoires II 16 / 33 16 / 33

Vecteurs gaussiens

Théorème
Soit X = (X1 , · · · , Xd ) une v.a à valeurs dans Rd d’espérance
m = (m1 , · · · , md ) et de matrice de covariance ΣX .
Alors X est un vecteur gaussien ssi sa fonction caractéristique est
donnée par
1
ΦX (s1 , · · · , sd ) = eihs,mi− 2 hs,ΣX si
   
s1 m1
pour tout s =  .  où m =  . 
   
sd md

Skander HACHICHA Vecteurs aléatoires II 17 / 33 17 / 33

Vecteurs gaussiens

Proposition
Soit (X1 , · · · , Xd ) un vecteur gaussien à valeurs dans Rd . Les
composantes X1 , · · · , Xd sont indépendantes ssi la matrice de
covariance ΣX est diagonale.

Démonstration
Qd
On montre que Φ(X1 ,··· ,Xd ) (s1 , · · · , sd ) = i=1 ΦXi (si )

Remarque
1 Soit (X, Y ) un vecteur gaussien. Alors, on a :
les v.a X et Y sont indépendantes ⇔ Cov(X, Y ) = 0.
2 Soient X et Y deux v.a réelles de loi normales. On peut avoir
Cov(X, Y ) = 0 sans que les v.a X et Y soient indépendantes.

Skander HACHICHA Vecteurs aléatoires II 18 / 33 18 / 33

Vecteurs gaussiens

Exemple
Soit X une variable aléatoire réelle de loi N (0, 1). Soit ε une
variable aléatoire discrète indépendante de X et telle que
P(ε = 1) = P(ε = −1) = 21 . On pose Y = εX.
1) Déterminer la fonction de répartition de Y en fonction de FX . En
déduire la loi de Y.
2) Calculer ρ(X, Y ).
3) Soit (a, b) ∈ R2 tel que 0 < a < b.
(a) Calculer E[X 2 Y 2 ] et E[X 2 ]E[Y 2 ]. En conclure que X et Y ne
sont pas indépendantes. Le vecteur (X, Y ) est-il gaussien ?
(b)Calculer P(X ∈ [−a, a]) en fonction de FX (a).
(c) Calculer P(X ∈ [−a, a], Y ∈ [−b, b]) et
P(X ∈ [−a, a])P(Y ∈ [−b, b]). Vérifier encore les v.a.r. X et Y ne
sont pas indépendantes ?
(c) Calculer P(X = Y ).

Skander HACHICHA Vecteurs aléatoires II 19 / 33 19 / 33

Vecteurs gaussiens

Proposition
Soit X = (X1 , · · · , Xd ) un vecteur gaussien à valeurs dans Rd
d’espérancem = (m1 , · · · , md ). X admet une densité sur Rd ssi sa
matrice de covariance ΣX est inversible. Dans ce cas, on a :
1 −1
1
fX (x1 , · · · , xd ) = d√ e− 2 h(x−m),ΣX (x−m)i
  (2Π) 2 det ΣX 

m1 x1
où m =  .  et x =  . 
   
md xd

Skander HACHICHA Vecteurs aléatoires II 20 / 33 20 / 33

Espérance conditionnelle

Cas de v.a réelle discrète

Définition
Soient X une v.a discrète et Y une v.a quelconque intégrable. Soit
x ∈ X(Ω) tel que
P(X = x) > 0. On appelle espérance conditionnelle de Y sachant
[X = x].
E(Y 1{X=x} )
E(Y /X = x) = .
P(X = x)

Skander HACHICHA Vecteurs aléatoires II 21 / 33 21 / 33

Espérance conditionnelle

Cas de v.a réelle discrète

Définition
Soient X et Y 2 v.a rélles discrètes et x ∈ X(Ω) tel que
P(X = x) > 0. On appelle loi conditionnelle de Y sanchant
[X = x], la mesure de probabilité

P(X = x, Y = y) pxy
PY /X=x ({y}) = P(Y = y/X = x) = = .
P(X = x) px

On définit de même les lois conditionnelles de X sachant [Y = y].

Skander HACHICHA Vecteurs aléatoires II 22 / 33 22 / 33

Espérance conditionnelle
Cas de v.a réelle discrète
On suppose que Y admet une espérance finie
( y∈Y (Ω) |y|py < +∞). Par suite pour x ∈ X(Ω) fixé, la série
P
P pxy
y∈Y (Ω) px y, est aussi absolument convergente.

Remarque
P pxy
y∈Y (Ω) px εy
est une mesure de probabilité sur Y (Ω).
p
E(Y /X = x) = y∈Y (Ω) y pxy
P
x

Définition
On suppose que Y admet un moment d’ordre 1. L’éspérence
conditionnelle de Y sachant X est la v.a réelle définie par
E(Y /X)(ω) = h(X(ω))
où h est la fonction définie par
h(x) = E(Y /X = x) pour tout x ∈ X(Ω).

Skander HACHICHA Vecteurs aléatoires II 23 / 33 23 / 33

Espérance conditionnelle

Cas de v.a réelle discrète

Attention
E(Y /X = x) est un nombre réel et E(Y /X) est une v.a réelle et
E(Y /X)(ω) dépend de ω car la valeur de X(ω) dépend de ω.
Remarque
E(Y /X)(Ω) = {E(Y /X = x) / x ∈ X(Ω)}

Exercice
Soient A et B deux événements tq 0 < P(B) < 1. Calculer la loi de
1A sachant 1B . Caculer E(1A /1B ).

Skander HACHICHA Vecteurs aléatoires II 24 / 33 24 / 33

Espérance conditionnelle

Cas de v.a réelle discrète

Proposition
Soit X une v.a discrète et Y une v.a quelconque.
1 Soit g une fonction mesurable tq la v.a g(X, Y ) est intégrable
alors on a
E[E(g(X, Y )/X)] = E(g(X, Y ))
en particulier E[E(Y /X)] = E(Y )
2 Si X et Y sont indépendantes, alors pour toute fonction
mesurable u tq u(Y ) est intégrable, on a :

E(u(Y )/X) = E(u(Y ))

Skander HACHICHA Vecteurs aléatoires II 25 / 33 25 / 33

Espérance conditionnelle

Cas de v.a réelle discrète

Proposition
Suite
1 Pour toute fonction mesurable u telle que u(X) est intégrable,
on a :
E(u(X)/X) = u(X)
2 Soit u une fonction mesurable telle que u(Y ) est intégrable et
soit v une fonction réelle mesurable bornée alors on a :

E(v(X)u(Y )/X) = v(X)E(u(Y )/X)

Skander HACHICHA Vecteurs aléatoires II 26 / 33 26 / 33

Espérance conditionnelle

Cas de v.a réelle discrète

Démonstration
E(g(X,Y )1
{X=x} )
1 On pose h(x) = E(g(X, Y )/X = x) = P(X=x)
E[E(g(X, Y )/X)] = E(h(X)) = x∈X(Ω) h(x)P(X = x) =
P
P
x∈X(Ω) E(g(x, Y )1{X=x} ) = E( x∈X(Ω) g(x, Y )1{X=x} ) =
P

E(g(X, Y )).
E(u(Y )1
{X=x} )
2 h(x) = P(X=x) comme X et Y sont indépendantes alors
h(x) = E(u(Y ))
E(u(X)1{X=x} ) E(u(x)1{X=x} ) E(1{X=x} )
3 h(x) = P(X=x) = P(X=x) = u(x) P(X=x) =
u(x)
E(v(X)u(Y )1{X=x} ) E(v(x)u(Y )1{X=x} )
4 h(x) = P(X=x) = P(X=x) =
E(u(Y )1{X=x} )
v(x) P(X=x) = v(x)E(u(Y )/X = x)

Skander HACHICHA Vecteurs aléatoires II 27 / 33 27 / 33

Espérance conditionnelle
Cas de v.a réelle absolument continues
Soit (X, Y ) un couple de v.a réelles de densité f(X,Y ) et de densité
marginales fX et fY .
Définition
On appelle densité de Y conditionnelle à [X = x], la fonction
fY /X=x (.) définie par :

f(X,Y ) (x,y)
(
fY /X=x (y) = fX (x) , si fX (x) > 0;
0, sinon.

De même, on appelle densité de X conditionnelle à [Y = y], la

fonction fX/Y =y (.) définie par : fY /X=x (.) définie par :

f(X,Y ) (x,y)
(
fX/Y =y (x) = fY (y) , si fY (y) > 0;
0, sinon.

Skander HACHICHA Vecteurs aléatoires II 28 / 33 28 / 33

Espérance conditionnelle
Cas de v.a réelle absolument continues
Remarque
Si X et Y sont indépendantes, alors pour tout x tq fX (x) > 0, on a :

fY /X=x (y) = fY (y)

Convention : R
On pose P(Y ∈ A/X = x) = A fY /X=x (y)dy
Espérance conditionnelle :
Soit (X, Y ) une v.a et soit g : R2 → R une fonction mesurable réelle
telle
R
que g(X, Y ) est intégrable
( |g(x, y)|f(X,Y ) (x, y)dxdy < +∞).
Définition
On appelle espérancede g(X, Y ) conditionnelle sachant [X = x] le
réel Z
E(g(X, Y )/X = x) = g(x, y)fY /X=x (y)dy
R
Skander HACHICHA Vecteurs aléatoires II 29 / 33 29 / 33
Espérance conditionnelle

Cas de v.a réelle absolument continues

Remarque
R
E(Y /X = x) = R yfY /X=x (y)dy elle peut s’intrépreter comme
l’espérancede Y par rapport à la loi de probabilité de densité
fY /X=x .

Définition
On appelle espérancede g(X, Y ) sachant X la v.a réelle définie par :

E(g(X, Y )/X)(ω) = h(X(ω))

où h : R → R, x 7→ h(x) = E(g(X, Y )/X = x)

Skander HACHICHA Vecteurs aléatoires II 30 / 33 30 / 33

Espérance conditionnelle

Cas de v.a réelle absolument continues

Exercice
On considére (X, Y ) un vecteur aléatoire à valeurs dans R2 ,
continue et de densité f(X,Y ) (x, y) = λx e−λx 1{0<y<x} .
Déterminer la loi conditionnelle de Y sachant X.
Soit ϕ : une fonction réelle mesurable bornée. Caculer
E[ϕ(X, Y )/X].

Skander HACHICHA Vecteurs aléatoires II 31 / 33 31 / 33

Espérance conditionnelle

Cas de v.a réelle absolument continues

Indication :
on a la densité de X est donnée par
fX (x) = R f(X,Y ) (x, y)dy = λe−λx 1{0<x} , on en déduit que, pour
R

x > 0, fY /X=x (y) = x1 1{0<y<x} . c’est la densité de la loi uniforme

sur [0, x].
On dit que conditionnellement à X, Y suit une loi uniforme sur
[0, X]. Comme ϕ est bornée, ϕ(Y ) est intégrable et on a :

1
Z X
E(ϕ(Y )/X) = ϕ(y)dy
X 0

Skander HACHICHA Vecteurs aléatoires II 32 / 33 32 / 33

 Merci

Skander HACHICHA Vecteurs aléatoires II 33 / 33 33 / 33