Les vecteurs aléatoires discrets

Probabilités et statistique (L.B.); Chapitre 4 -section 2

1 Vecteur aléatoire: définition

1.1 Définition
Définition
Un vecteur aléatoire est une application de Ω dans Rn qui attribue un vecteur de nombres à chaque

élément de Ω

1.2 Exemple 1

On considère l’exemple de lancer de deux dés avec X la variable qui représente la somme des résultats

obtenus et Y la valeur absolue de la différence entre les deux résultats:

X= somme; Y = |Différence|

ω P (ω) X(ω) Y (ω)

(1,1) 1/36 2 0
(1,2) 1/36 3 1
...
(6,6) 1/36 12 0

2 Probabilités jointes
2.1 Définition
Définition
Pour deux variables aléatoires discrètes X et Y , on définit la fonction de masse de probabilité jointe

comme

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

On a
X
P ((X, Y ) ∈ A) = fX,Y (x, y)
(x,y)∈A

1
 Deux résultats immédiats de la définition

fX,Y ≥ 0 ∀(x, y) ∈ R2

X
fX,Y (x, y) = 1
(x,y)∈R2

2.2 Exemple 1

Dans le cas de l’exemple de lancer de deux dés, on obtient

f (5, 3) = P (X = 5, Y = 3) = P ({(4, 1), (1, 4)}) = 2/36 = 1/18

f (6, 0) = P (X = 6, Y = 0) = P ({(3, 3)}) = 1/36

P (X = 7, Y ≤ 4) = f (7, 1) + f (7, 3) = 1/18 + 1/18 = 1/9

La fonction de probabilités jointes complète est comme suit

YX 2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36
1 1/18 1/18 1/18 1/18 1/18
2 1/18 1/18 1/18 1/18
3 1/18 1/18 1/18
4 1/18 1/18
5 1/18

2.3 Exemple 2

On considère la distribution jointe suivante:

f (0, 0) = f (0, 1) = 1/6

f (1, 0) = f (1, 1) = 1/3

f (x, y) = 0 pour tout autre (x, y)

On peut vérifier que f est une fonction de probabilité jointe valide. Puisqu’on a les probabilités jointes, on

peut utiliser f pour les calculs sans se référer à Ω. Par exemple, P (X = Y ) = f (0, 0) + f (1, 1) = 1/2

2
2.4 Exemple 3

On considère une expérience de lancer de deux pièces de monnaie (Ω = {P P, F F, P F, F P })

On définit X comme une variable aléatoire qui prend la valeur 1 si au moins un ”Pile” est obtenu et 0 sinon,

et Y comme une variable aléatoire qui prend la valeur 1 si au moins un ”Face” est obtenu et 0 sinon.

Alors le résultat {FF} correspondra à (0,1), {FP} à (1,1), {PF} à (1,1) et {PP} à (1,0).

A quoi correspond P(X=0,Y=0)? ⇒ cette probabilité est nulle

On peut résumer les probabilités des résultats dans le tableau qui suit
HH X
HH 0 1
Y H
H
0 0 1/4
1 1/4 1/2

Ces probabilités représentent la distribution de probabilité jointe fX,Y , une fonction définie de R2 vers R

Nous pouvons également dériver les distributions marginales de X et Y

H
HH X
0 1
Y H
HH
0 0 1/4 1/4
1 1/4 1/2 3/4
1/4 3/4 1

3 Probabilités marginales
3.1 Définition
Définition
Pour deux variables aléatoires discrètes X et Y , on définit la fonction de probabilité marginale pour

X comme
X
fX (x) = fX,Y (x, y)
y∈R

Démonstration

fX (x) = P (X = x) = P (X = x, Y ∈ R)
X
= fX,Y (x, y)
(x,y)∈Ax
X
= fX,Y (x, y)
y∈R

3
3.2 Exemple 1

L’exemple précédent 1 de deux lancers de dés:

YX 2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36 3/18
1 1/18 1/18 1/18 1/18 1/18 5/18
2 1/18 1/18 1/18 1/18 4/18
3 1/18 1/18 1/18 3/18
4 1/18 1/18 2/18
5 1/18 1/18
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

3.3 Exemple 2

Pour l’exemple précédent 2, les probabilités marginales fX (x) et fY (y) peuvent être obtenues comme suit:


2/6 x = 0

fX (x) =

2/3 x = 1




3/6 y = 0

fY (y) =

3/6 y = 1


Ces deux fonctions sont des fonctions de masse de probabilité valides.

Remarque: On peut retrouver les probabilités marginales à partir des probabilités jointes. Mais l’inverse

n’est pas vrai: on ne peut pas retrouver les probabilités jointes à partir des probabilités marginales.

4 Distribution identique
4.1 Définition
Définition
On considère les variables aléatoires X, Y . X et Y sont identiquement distribuées (on note X ∼ Y )

si et seulement si ∀A ∈ B, P (X ∈ A) = P (Y ∈ A)

4.2 Exemple 3

On considère l’exemple 3 ci-dessus de lancer de deux pièces de monnaie. Est-ce que X ∼ Y ?

Notez que

4
  
 1/4 x = 0
  1/4 y = 0

fX (x) = fY (y) =
 3/4 x = 1
  3/4 y = 1


Donc X ∼ Y . On peut dire que X ∼ Ber(3/4) (même chose pour Y)

4.3 Exemple 4

On considère une expérience de 3 lancers de pièces. On considère la variable X = nombre de Faces et

Y =nombre de Piles.

i 1 2 3 4 5 6 7 8
ωi FFF FFP FPF PFF PPF PFP FPP PPP
X(ωi ) 3 2 2 2 1 1 1 0
Y (ωi ) 0 1 1 1 2 2 2 3
P (ωi ) 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8

Si X représente les résultats comprenant les résultats pour un nombre donné de ”Face”et Y les résultats avec

le même nombre de ”Pile”, alors X ∼ Y . On a X ∼ Y (mais notez que ∀ ω ∈ Ω, X 6= Y )

De manière générale, deux variables aléatoires X et Y qui sont identiquement distribuées ont la même

fonction de répartition FX and FY

5 Indépendance
5.1 Définition
Définition
Les variables aléatoires X et Y sont indépendantes si et seulement si

f (x, y) = fX (x)fY (y)

Notation X ⊥
⊥Y

Si ces variables aléatoires sont indépendantes, la connaissance de X ne nous donne pas d’information sur

Y . Autrement dit,
f (x, y) fX (x)fY (y)
f (y|x) = = = fY (y)
fX (x) fX (x)

5
Avec la fonction de probabilité conditionnelle définie comme suit:

f (y|x) = f (x, y)/fX (x), ∀x : fX (x) > 0

Exemple: lancer une pièce de monnaie une fois et lancer la même pièce une deuxième fois

5.2 Exemple 1

Pour calculer l’ensemble des probabilités jointes et l’ensemble des produits de probabilités marginales peut

demander du temps. Néanmoins, si n trouve un seul exemple de cas où la définition d’indépendance n’est

pas vérifiée, on pourra dire que les deux variables X et Y de l’exemple 1 ne sont pas indépendantes.

Par exemple, on peut noter que P (X = 2, Y = 1) = 0, pourtant P (X = 2) = 1/36 et P (Y = 1) = 5/18.

Le produit de ces probabilités marginales ne peut donc pas être nul. On conclut que X et Y ne sont pas

indépendantes.

Remarque: le domaine (valeurs possibles) de Y varie en fonction des valeurs de X dans cet exemple. Donc,

on peut s’attendre à ce que les deux variables soient dépendantes.

5.3 Exemple 2

On reprend l’exemple 2 ci-dessus. Est-ce que X et Y sont indépendantes?

Pour répondre à la question, on doit vérifier si fX,Y = fX × fY .

On a les probabilités jointes

f (0, 0) = f (0, 1) = 1/6

f (1, 0) = f (1, 1) = 1/3

f (x, y) = 0 pour tout autre (x, y)

Et les probabilités marginales 


2/6 x = 0

fX (x) =

2/3 x = 1



3/6 y = 0

fY (y) =

3/6 y = 1


Donc

fX,Y (0, 0) = 1/6 = fX (0)fY (0)

6
 fX,Y (0, 1) = 1/6 = fX (0)fY (1)

fX,Y (1, 0) = 1/3 = fX (1)fY (0)

fX,Y (1, 1) = 1/3 = fX (1)fY (1)

On confirme que X et Y sont indépendantes.

5.4 Exemple 3

Dans l’exemple 3 ci-dessus, est-ce que X ⊥

⊥Y?

Est-ce qu’on a f (x, y) = fX (x)fY (y)? Par exemple, on a P (X = 0, Y = 0) = 0. Néanmoins, P (X =

HH X
HH 0 1
Y HH
0 0 1/4 1/4
1 1/4 1/2 3/4
1/4 3/4 1

0) ∗ P (Y = 0) = 1/4.1/4 = 1/16. Donc X et Y ne sont pas indépendantes.

Un contre-exemple : on change la distribution jointe. Par exemple, si on avait plutôt eu la distribution jointe

suivante:
HH X
H 0 1
Y HH
H
0 1/16 3/16 1/4
1 3/16 9/16 3/4
1/4 3/4 1

Dans ce cas, X and Y sont i.i.d. (indépendantes et identiquement distribuées)

6 Vecteurs aléatoires: l’espérance et la covariance

6.1 L’espérance de la somme de deux variables aléatoires
Définition
Soient deux variables aléatoires X et Y

E(X + Y ) = E(X) + E(Y )

6.2 L’espérance du produit de deux variables aléatoires

On peut calculer l’espérance d’une fonction de deux variables aléatoires de la manière suivante:

7
 Définition
Soient deux variables aléatoires X et Y et une fonction g(X, Y )

X
E(g(X, Y )) = g(x, y)fX,Y (x, y)
(x,y)∈R2

Exemple 1: On considère que g(X, Y ) = X × Y

Dans l’exemple 1 de lancer des deux dés, on calcule E[XY ]

X
E[XY ] = xyfX,Y (x, y)
(x,y)∈R2

En reprenant les valeurs du tableau, on trouve:

E[XY ] = 2 × 0 × 1/36 + 4 × 0 × 1/36 + · · · + 8 × 4 × 1/18 + 7 × 5 × 1/18 = 13 × 11/18

6.3 Exemple 3

On considère la fonction g(X, Y ) = X.Y pour l’exemple 3, l’espérance E[g(X, Y )] sera

E[g(X, Y )] = E[X.Y ] = g(0, 0) ∗ f (0, 0) + g(0, 1) ∗ f (0, 1)

1
+g(1, 0) ∗ f (1, 0) + g(1, 1) ∗ f (1, 1) =
2

6.4 La covariance
Définition
Le comportement conjoint de deux variables aléatoires peut être décrit par la covariance

Cov(X, Y ) = σX,Y = E[(X − E(X))(Y − E(Y ))]

Ou bien

Cov(X, Y ) = E(X.Y ) − E(X)E(Y )

La corrélation
Cov(X, Y )
ρ(X, Y ) =
σX σY
On peut aussi démontrer que la variance

2
V ar(X + Y ) = σX + σY2 + 2σX,Y

8
Enfin, si X, Y sont indépendantes, alors

Cov(X, Y ) = 0

6.5 Exemple 3

On a E(X) = 0 ∗ 1/4 + 1 ∗ 3/4 = 3/4 et E(Y ) = 0 ∗ 1/4 + 1 ∗ 3/4 = 3/4. Donc E(X) ∗ E(Y ) =

3/4 ∗ 3/4 = 9/16. Donc, la covariance est non-nulle.

En revanche, dans le contre-exemple, on a E[X.Y ] = 9/16. Donc la covariance est nulle.

7 Echantillon aléatoire

Les définitions précédentes peuvent être étendues au cas de plus de 2 variables aléatoires.

Définition
L’ensemble de variables aléatoires {X1 , ..., Xn } est un échantillon aléatoire de taille n de la popula-

tion suivant la distribution f (θ), θ ∈ Θ si et seulement si:

• {Xi } sont mutuellement indépendants

• Xi ∼ f (θ), ∀i

Notation: X1 , ..., Xn sont i.i.d., avec Xi ∼ f

On peut calculer une statistique sur la base d’un échantillon aléatoire

Définition
Une statistique Yn est une fonction de l’échantillon aléatoire {Xi , i = 1, . . . , n}:

Yn = T (X1 , . . . , Xn )

1 Pn
Exemple: on peut calculer la moyenne empirique des variables aléatoires X̄n = n i=1 Xi . Cette moyenne

est également une variable aléatoire.

8 Processus stochastique

Les processus stochastiques sont souvent utilisés pour la modélisation de l’incertitude dans le temps.

9
 Définition
Un processus stochastique est une séquence de variables aléatoires qui évoluent au fil du temps.

La notation utilisée est comme suit:

{Xt }, t∈R

Exemple: on lance un dé à chaque seconde sur une certaine durée. La séquence des numéros obtenus

représente un processus stochastique. Un autre exemple qui est courant est celui des séries temporelles

(comme l’évolution du cours d’une action en bourse).

Remarque: certains processus stochastiques ne sont pas définis par rapport au temps. Exemples: processus

stochastiques spatiaux {Xs }, s ∈ R2 (variation de la variable est dans l’espace comme la fluctuation de

la température sur différentes régions), processus stochastiques définis par rapport à des événements non

ordonnés {Xn }, n ∈ N (par exemple, une séquence de jeux où à chaque tour les joueurs peuvent décider

de participer ou non, et ceux qui participent obtiendront des résultats aléatoires), etc.

10