• Aucun résultat trouvé

Nous allons étudier le premier

N/A
N/A
Protected

Academic year: 2022

Partager "Nous allons étudier le premier"

Copied!
11
0
0

Texte intégral

(1)

Reproduction ( photocopie…) non autorisée

1

CHAPITRE II : VARIABLE ALEATOIRE DISCRETE A DEUX DIMENSIONS

Si à chaque résultat d’une épreuve on peut faire correspondre, non plus un nombre réel mais plusieurs, c’est à dire un vecteur à plusieurs composantes. On dit que cette correspondance définit une variable aléatoire à plusieurs dimensions.

Nous allons considérer, ici, le cas des variables à deux dimensions, mais, la généralisation est possible.

Désignons par X et Y les deux composantes d’une telle variable et par x et y leurs valeurs possibles. L’ensemble des couples de valeurs (x,y) peut être représenté par un ensemble de points de l’espace à deux dimensions dont les coordonnées cartésiennes sont x et y. Selon la nature de chacune des variables X et Y, on distingue plusieurs sortes de variables à deux dimensions :

 X et Y sont des variables discrètes

 X et Y sont des variables continues

 X (ou Y) est discrète et Y (ou X) est continue.

Nous allons étudier le premier cas. Mais les résultats que nous obtiendrons peuvent très bien se généraliser aux autres cas.

II-1 VARIABLE ALEATOIRE A DEUX DIMENSIONS (Exemple)

Considérons les 10 familles d’une petite ville et intéressons nous simultanément à leurs revenus et à leurs consommations. Procédons à un tirage au sort « une épreuve ». Dans ce cas,

l’univers  = {F1, F2 ,…,F10 }.

Associons à chaque résultat possible le revenu (X) et la consommation correspondante (Y) :

Y (cons.) X (rev.)

5 10 15 Total

(probabilité marginale de X)

10 3/10 2/10 0/10 5/10

15 1/10 2/10 0/10 3/10

20 1/10 0/10 1/10 2/10

Total

(probabilité marginale de Y)

5/10 4/10 1/10 1

Ce tableau représente la loi de probabilité de la variable aléatoire (X,Y).

(2)

Reproduction ( photocopie…) non autorisée

2

Les valeurs possibles de la V.A. (X,Y) ne st autres que les couples de valeurs (x,y) et les probabilités varient de 0 à 3/10.

D’après le tableau de probabilités ci-dessus : 3 chance sur 10 que la famille choisie dispose d’un revenu de 10 et consomme 5

et 5 chances sur 10 qu’elle ait un revenu de 10 toute consommation confondue.

II-2 Présentation générale

De manière générale, un couple de variables discrètes (X,Y) est défini sur un ensemble de couples (xi ,yj); i=1,2,…,n et j=1,2,…,m avec des probabilités :

pij = P(X=xi et Y= yj ) et

 

n

i m

j

pij

1 1

1

.

2-2-1 Loi de probabilités jointe d’une variable à 2 dimensions et lois dérivées.

Le tableau des probabilités pij se présente sous la forme d’un tableau à double entrée qui généralise le tableau des probabilités pi d’une variable à une dimension

:

Ici, ( ) ( i)

y

j i

j ij

i p P X x etY y P X x

p

j

 

[probabilité marginale de xi ], Y

X

y1 y2 … yj … ym Total x1 p11 p12 … p1j p1m p1 x2 p21 p22 … p2j p2m p2

… … … …

xi pi1 pi2 … pij pim p i

… … … …

xn pn1 pn2 … Pnj Pnm p i Total p1 p2pjpm 1

(3)

Reproduction ( photocopie…) non autorisée

3

Dans l’exemple :

Y X

5 10 15 Total

(probabilité marginale de X)

10 3/10 2/10 0/10 5/10

15 1/10 2/10 0/10 3/10

20 1/10 0/10 1/10 2/10

Total

(probabilité marginale de Y)

5/10 4/10 1/10 1

...

) 15 .

10 ( 3 10

0 10

2 10

1

) 15 15

( ) 10 15

( ) 5 15

(

) 15 (

) (

) (

) 10 .

10 ( 5 10

0 10

2 10

3

) 15 10

( ) 10 10

( ) 5 10

(

) 10 (

) (

) (

2 2

2 2

1 1

1 1

X ligne la

de proba des

som

Y et X

P Y

et X

P Y

et X

P

X P x

X P y

Y et x X P p

p

X ligne la

de proba des

som

Y et X

P Y

et X

P Y

et X

P

X P x

X P y

Y et x X P p

p

j j

y j

j j

y j

j j

De même ( ) ( j)

x

j i

i ij

j p P X x etY y P Y y

p

i

 

[probabilité marginale de yj ].

Exemple : P(Y=10) = 4/10

Ainsi, du tableau ci-dessus, on peut déduire aisément la distribution marginale de X et celle de Y :

(4)

Reproduction ( photocopie…) non autorisée

4

Loi marginale de X Loi marginale de Y

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

x1 p1 y1 p 1

x2 p2 y2

2

p

… … … …

xi p i yj pj

… … … …

Total 1 Total 1

Exemple : reprenons les données de l’exemple :

Loi marginale de X Loi marginale de Y

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

10 5/10 5 5/10

15 3/10 10 4/10

20 2/10 15 1/10

Total 1 Total 1

On peut caractériser ces distributions marginales en calculant l’espérance marginale, la variance… :

Espérance marginale de X Exemple :

Mais les lois marginales restent insuffisantes pour connaitre le comportement aléatoire du couple X,Y (liaison éventuelle entre X et Y par ex). Elles sont également insuffisantes pour caractériser la loi du couple X,Y. D’où le recours aux distributions conditionnelles :

La variable aléatoire à une dimension Y/X= xi a pour probabilités :

(en supposant

p

i  0)

De même, pour la distribution conditionnelle de X/Y=yj on a :

   

 

i ij i

j i

i j

j

i p

p x

X P

y Y et x X x P

X y Y P

p /

  

i

i

i P X x

x X

E

 

    13,5

10 20 2 10 15 3 10 10 5

3

1

i i

i P X x

x X

E

(5)

Reproduction ( photocopie…) non autorisée

5

(en supposant

p

j 0) Il vient,

Loi conditionnelle de Y/X= xi Loi conditionnelle de X/Y= yj

Y/X=xi P(Y=y / X=xi) X/Y=yj P(X=x / Y=yj)

y1 pi1 pi x1 p1j pj

y2 pi2 pi x2 p2j pj

… … … …

yj pij pi xi pij pj

… … … …

Total 1 Total 1

Exemple : reprenons les données de l’exemple : Y

X

5 10 15 Total

(probabilité marginale de X)

10 3/10 2/10 0/10 5/10

15 1/10 2/10 0/10 3/10

20 1/10 0/10 1/10 2/10

Total

(probabilité marginale de Y)

5/10 4/10 1/10 1

Loi conditionnelle de Y/X= 20 Loi conditionnelle de X/Y= 10 Y/X=20 P(Y=y / X=20) X/Y=10 P(X=xi / Y=10)

5 1/10 / 2/10 = 1/2 10 2/10 / 4/10 = 1/2

10 0 15 1 /2

15 1/2 20 0

Total 1 Total 1

On peut caractériser ces distributions conditionnelles en calculant l’espérance conditionnelle, la variance… :

   

 

j

ij

j j i

j i

i

j

p

p y

Y P

y Y et x X y P

Y x X P p

 

 

 /

(6)

Reproduction ( photocopie…) non autorisée

6

Espérance conditionnelle de Y Exemple :

Remarque : si on connait (ttes) les lois conditionnelles de Y/X=xi et la loi marginale de X, on peut retrouver la loi du couple (X,Y)

2-2-2 Fonction de répartition

On appelle fonction de répartition du couple (X,Y) la fonction définie par :

Cette fonction de répartition généralise celle d’une variable à une dimension.

Exemple : reprenons les données de l’exemple :

II-3 liaison entre variables 2-3-1 Indépendance

Les deux variables X et Y sont dites indépendantes si pour tout couple (xi,yj) on a :

Ou encore :

 

 

x

x y y

ij x

x y y

j i

i j

i j

p

y Y et x X P y

Y et x X P y x

F ( , ) ( ) ( )

X xi etY yj

P

X xi

P

Y yj

P      

  

j i

j j

i y PY y X x

x X Y

E /  

./

   

10

2 15 1 0 . 2 10 5 1 20 /

. 20

/X  

y PYy X        Y

E j

j j

10 8 10

2 10

3 10

2 10

1

) 10 10

( ) 5 10

(

) 10 15

( ) 5 15

( ) 15 20

( ) 15

; 20 (

Y et X

P Y

et X

P

Y et X

P Y

et X

P Y

et X

P

F

(7)

Reproduction ( photocopie…) non autorisée

7 j

i

ij p p

p

Dans le cas d’indépendance, les distributions conditionnelles deviennent identiques aux distributions marginales. Autrement dit, En probabilité, la réalisation de X n’a pas d’influence sur la réalisation ou non deY et vice versa. En effet,

De même :

Autre écriture :

F

x;

est la fonction de répartition marginale de X et F ;

y

celle de Y.

Ainsi, dans le cas d’indépendance La fonction de répartition s’écrit comme le produit des fonctions de répartition marginales.

Autre conséquence de l’indépendance : Cov(X,Y)=0.

     

   

)

; ( )

; ( )

, (

:

)

; ( )

; ( )

, (

: '

,

y F

x F

p p

p p p

y x F

écriture Autre

y F

x F

y Y P x

X P

y Y P x

X P y

Y et x X P y

x F

ce indépendan l

de e conséquenc autre

p p p p

p p p p

y

y j

x

x i

x j

x y y i

x

x y y ij

y

y j

x

x i

x

x y y i j

x

x y y i j

i j ij i

j j

i ij j

i

j i

i j

i j

j i

i j

i j

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

   

 

   

  

j

i

j i

i j i

i j

j

i P Y y

x X P

y Y P x X P x

X P

y Y et x X x P

X y Y P

p  

 

 

 /

   

 

   

j

i

j i

j j i

j i

i

j P X x

y Y P

y Y P x X P y

Y P

y Y et x X y P

Y x X P

p  

 

 

 /

(8)

Reproduction ( photocopie…) non autorisée

8

  

 

 

0 ) ( ) ( ) (

) ( ) ( ) ( ) ( ) ( ) ( ) (

) ( ) ( ) ( ) (

) ( )

( )

, (

Y E X E XY E

Y E X E X E Y E Y E X E XY E

Y E X E X YE Y XE XY E

Y E Y X E X E Y X Cov

     

   

 

) ( ).

( .

.

. .

) (

) (

Y E X E y

Y P y x X P x

y Y P x X P xy y

Y et x X P xy XY

E

Y E y X E x

x y x y













Dans l’exemple X et Y sont-elles indépendantes ? : 2-3-2 Liaison fonctionnelle

On dit que X et Y sont liées fonctionnellement si pour tout couple (x,y) les variables Y/X=xi et X/Y=yj sont certaines. Autrement dit, à une valeur donnée de X correspond une et une seule valeur de Y et vice versa.

Exemple : soit X : le point donné par un dé

et Y : le carré du point donné par le dé.

X 1 2 3 4 5 6 Y 1 4 9 16 25 36

La loi de probabilité du couple (X,Y) se présente comme suit : Y

X

1 4 9 16 25 36 Total 1 1/6 - - - 1/6 2 - 1/6 - - - - 1/6 3 - - 1/6 - - - 1/6 4 - - - 1/6 - - 1/6 5 - - - - 1/6 - 1/6 6 - - - 1/6 1/6 Total 1/6 1/6 1/6 1/6 1/6 1/6 1 Dans ce cas :

1 1

 

1

 

. 1/ 1

 

1

1

X P X

Y P X P Y

et X

P    

(9)

Reproduction ( photocopie…) non autorisée

9

donc sa probabilité est égale à 1.

……..

EXERCICE D’APPLICATION

Soient X et Y deux variables aléatoires finies dont la loi jointe est donnée par le tableau (incomplet) suivant :

Y X

0 1

1 0,21 0,08

2 0,23 0,15

3 0,1

1°) Compléter le tableau et calculer les lois marginales de X et Y.

2°) Présenter les lois conditionnelles de X en fonction des valeurs prises par Y. Les variables X et Y sont-elles indépendantes ?

3°) Calculer l’espérance mathématique de X et X+Y.

4°) Calculer l’espérance conditionnelle de X en fonction des valeurs prises par Y.

Solution : 1°) 1-1 Le tableau représente la loi du couple (X,Y)

 

P(X = x et Y = y ) 1 P(X = 3et Y =1)  0,23

x y

. Y

X

0 1 P(X=x) 1 0,21 0,08 0,29 2 0,23 0,15 0,38 3 0,1 0,23 0,33 P(Y=y) 0,54 0,46 1

1-2

Loi marginale de X

X 1 2 3 

P(X=x) 0,29 0,38 0,33 1

2°) 2-1 La loi de X/Y=0 s’obtient en calculant :

Loi marginale de Y

Y 0 1 

P(Y=y) 0,54 0,46 1

 

tan , ' 1.

1

/X est certaine cons te elle ne prend quune seule valeur

Y

(10)

Reproduction ( photocopie…) non autorisée

10

) 0

= Y P(

) 0

= Y et x

= ) P(X

0

= Y x /

=

P(X

Loi conditionnelle de X/Y=0

X/Y=0 1 2 3 

P(X=x/Y=0) 0,21/0,54

=21/54

0,23/0,54

=23/54

0,1/0,54

=10/54 1

De même pour X/Y=1, on doit calculer :

) 1

= Y P(

) 1

= Y et x

= ) P(X

1

= Y x /

=

P(X

Loi conditionnelle de X/Y=1

X/Y=1 1 2 3 

P(X=x/Y=1) 0,08/0,46

=8/46

0,15/0,46

=15/46

0,23/0,46

=23/46 1

2-2 X et Y sont dites indépendantes si pour tout couple (x,y) on a :

y)

= x) P(Y

= P(X

x)

= P(X y)

= P(Y x)

= P(X

x)

= X et y

= ) P(Y

x

= X / y

= P(Y t

x)

= y) P(X

= P(Y

y)

= P(Y x)

= P(X )

y

= Y P(

) y

= Y et x

= ) P(X y

= Y x /

= P(X

y)

= P(Y x)

= P(X )

y

= Y et x

= P(X

 

 

e

Ainsi, en probabilité, on peut vérifier l’indépendance de 2 variables de différentes façons :

2-2-1 Considérons la probabilité :

1566 ,

0 21

, 0

54 , 0 29 , 0

? 21 , 0

) 0

= P(Y 1)

= P(X

? ) 0

= Y et 1

= P(X

 X et Y ne sont pas indépendantes.

(11)

Reproduction ( photocopie…) non autorisée

11

2-2-2 Comparons la loi conditionnelle de X et sa loi marginale déterminées supra. On constate leur différence  X et Y ne sont pas indépendantes.

2-2-3 Comparons les 2 lois conditionnelles de X déterminées supra. On constate leur différence  X et Y ne sont pas indépendantes.

3°) Calcul de l’espérance mathématique de X et de X+Y :

Calcul direct :

X+Y 1 2 3 4 

Prob 0,21 0,31 0,25 0,23 1

Remarque : évidemment dans les 2 cas on doit obtenir le même résultat.

4°) Calcul de l’espérance conditionnelle de X :

Enfin et comme d’habitude,

Vous pouvez toujours revenir à mon livre de probabilités pour d’autres exemples, d’autres applications, des QCM et autres exercices

corrigés ou non.

Travaillez bien et Bon courage.

     

   

   

     

2,5

46 , 0 46 , 0 1 54 , 0 0

04 , 2 33 , 0 3 38 , 0 2 29 , 0 1

. :

1

0 3

1

Y E X E Y X E

y Y P y Y

E

x X P x X

E

Y E X E Y X E que sait On

y x

 

 

46 107 46

3 23 46 2 15 46 1 8 1

54 97 54 3 10 54 2 23 54 1 21 0

Y X E

Y X E

     

5 , 2 23 , 0 4 25 , 0 3 31 , 0 2 21 , 0 1

4

1

y x

y Y et x X P y x Y

X E

Références

Documents relatifs

Puis en d´ eduire qu’il

Voici le graphe de f et, en pointillé, ses asymptotes en 1 et en + 1. www.mathematiques.fr.st 2/4

La valeur 0 K est dite zéro absolu : c’est la température où il n’y a plus d’agitation thermique des particules, et on ne peut plus abaisser la température en dessous de

c) Exprimer l’énergie cinétique de la chaîne entière. L’anneau est lié à un ressort de raideur k dont l’autre extrémité est fixée en O. On néglige la longueur à vide

Par exemple, un dénominateur ne doit pas être nul, un radicande (expression écrite sous le radical) doit être positif, etc.... Il est donc strictement positif

[r]

et donc G prendra ses valeurs dans N ∗. En se servant de l'exercice précédent, on voit que G peut être interprété comme le premier temps d'apparition d'un pile dans un jeu de lancer

Quel est le coefficient de proportionnalité qui exprime la remise en fonction du montant des achats?. (Montant des achats) ×