Les définitions portant sur la loi jointe entre deux variables aléatoires X et Y impliquent que ces dernières soient définies sur le même espace fondamental W. Si X et Y sont définies respectivement sur les espaces fondamentaux W1 et W2, alors il faut envisager un espace qui englobe W1 et W2 appelé « espace-produit ».
Il suffit alors de connaître la loi jointe des deux variables aléatoires ou loi de probabilité du couple (X,Y),la fonction définie par :
x,y ® pxy = P ((X = x) et (Y = y)) dans le cas discret
Dans le cas continu, pxy = P ((xa < X < xb ) et (yc < Y < yd)) permet de définir la probabilité pour que (X,Y) soit dans un rectangle.
Remarque : | Ceci peut être généralisé à un nombre quelconque de variables aléatoires. |
On place au hasard deux billes rouge et verte dans deux boites A et B. On note X, la variable aléatoire « nombre de billes dans la boite A » et Y, la variable aléatoire « nombre de boites vides ».
Les distributions de probabilités associées à chacune des variables X et Y ainsi que celle de la loi jointe sont indiquées ci-dessous. Pour chaque loi, la valeur de l’espérance et de la variance est également indiquée.
Variable X : X(W) = {0,1,2} |
xi |
0 |
1 |
2 |
E(X) = 1 V(X) = 1/2 |
pi |
1/4 |
1/2 |
1/4 |
Variable Y : Y(W) = {0,1} |
yj |
0 |
1 |
E(Y) = 1/2 V(Y) = 1/4 |
qj |
1/2 |
1/2 |
Variable XY : XY(W) = {0,1,2} |
xi yj |
0 |
1 |
2 |
E(XY) = 1/2 V(XY) = 3/4 |
rij |
3/4 |
0 |
1/4 |
Les propriétés concernant l’indépendance statistique entre deux variables aléatoires s’appliquent aussi bien aux variables aléatoires discrètes ou absolument continues.
Théorème :
Si X et Y sont deux variables aléatoires indépendantes définies sur le même univers W
alors : E(XY) = E(X)E(Y)
Remarque : | L’application réciproque n’est pas vraie. La relation E(XY) = E(X)E(Y) |
n’implique pas forcément l’indépendance de deux variables aléatoires. |
Exemple :
Dans l’exemple concernant la répartition des deux billes dans les 2 boites, la relation
E(XY) = E(X)E(Y) est vérifiée car : E(X) = 1 ; E(Y) = 1/2 et E(XY) = 1/2
cependant les variables aléatoires X et Y ne sont pas indépendantes.
En effet P ((X = 0) Ç (Y = 0)) = 0 car il est impossible d’avoir à la fois aucune bille dans la boite A et aucune boite vide. Or on attend si X et Y sont deux variables statistiquement indépendantes, à ce que
P ((X = 0) Ç (Y = 0)) = P(X = 0)P(Y = 0) = 1/4*1/2 = 1/8 ¹ 0
Théorème :
Si X et Y sont deux variables aléatoires indépendantes définies sur le même
univers W alors V(X + Y) = V(X) + V(Y) Démonstration
Remarque : | L’application réciproque n’est pas vraie. La relation V(X + Y) = V(X) + V(Y) n’implique pas forcément l’indépendance de deux variables. |
Exemple :
Si l’on reprend l’exemple de la répartition de deux billes dans deux boites, la distribution de probabilité de la variable aléatoire (X+Y) est :
Variable X+Y : X+Y(W)={0,1,2,3} |
xi+ yj |
0 |
1 |
2 |
3 |
E(X+Y)=3/2 V(X+Y)=3/4 |
rij |
0 |
3/4 |
0 |
1/4 |
Comme V(X) = 1/2 et V(Y) = 1/4 alors V(X) + V(Y) = 3/4 = V(X+Y)
On retrouve ainsi la relation V(X + Y) = V(X) + V(Y) bien que X et Y ne soient pas indépendantes (voir démonstration).
Lorsque l’on considère deux variables aléatoires simultanément, il faut définir un indicateur de leur « liaison » qui complète les paramètres qui les caractérisent chacune séparément (espérance mathématique et variance)
Si X et Y sont deux variables aléatoires définies sur le même univers W, on appelle covariance de ces deux variables, le réel :
cov(X,Y) = E(XY) - E(X)E(Y)
et coefficient de corrélation, le réel :
Il résulte de cette définition, le théorème suivant :
Théorème :
Si X et Y sont deux variables aléatoires définies sur le même univers W et indépendantes, alors cov(X,Y) = 0
Les propriétés de la covariance sont les suivantes :
Si X et Y sont deux variables aléatoires définies sur un même univers W, alors :
(P1) "(a,b) Î R V(aX + bY) = a2V(X) + 2abcov(X,Y) + b2V(Y) }
(P2) [cov(X,Y)]2 £ V(X) V(Y)
÷cov(X,Y)ú £ s (X) s (Y)
(P3) -1 £ R (X,Y) £ 1
Remarque : | Si X et Y sont indépendantes, r=0 mais la réciproque est fausse. Il peut arriver, par hasard, que r=0 sans que X et Y soient indépendantes. |
Il arrive souvent que l’on effectue des transformations sur les variables aléatoires par commodité de calcul et il est important de savoir comment se comportent les paramètres associés à cette variable.
Nous avons résumé dans le tableau ci-dessous quelques transformations possibles avec
a et b Î R.
Translation de l’origine seule X ® X + b |
Changement d’unités seul X ® aX |
Cas général X ® aX + b |
E(X+b) = E(X) + b V(X + b) = V(X) |
E(aX) = aE(X) V(aX) = a2 V(X) |
E(aX + b) = aE(X) + b V(aX + b) = a2 V(X) |
Il existe d’autres transformations de variables aléatoires qui conduisent à des valeurs de paramètres particulières.
Une variable aléatoire X est dite centrée si E(X) = 0.
Exemple :
La variable Y = X – E(X) est une variable aléatoire centrée car
E(Y) = E[X – E(X)] = E(X ) – E(E(X))
or E(E(X)) = E(X ) voir propriétés P4 de l’espérance
ainsi E(Y) = E(X ) – E(X) = 0
Une variable aléatoire admettant une variance est dite réduite si V(X) = 1.
Exemple :
La variable est une variable aléatoire réduite car
voir propriétés P2 de l’espérance
d’où
A toute variable aléatoire X d’espérance E(X) et de variance V(X) on peut associer
la variable aléatoire dite variable aléatoire centrée réduite et dont l’emploi est indispensable pour utiliser la plupart des tables notamment les tables de la loi normale réduite.
Si l’on considère une épreuve à laquelle est associée un espace fondamental W et une variable aléatoire X et si l’on répète n fois, de façon indépendante cette épreuve, on obtient une suite
X1, X2,……. Xn variables aléatoires qui sont :
- définies sur le même espace fondamental
- de même loi de probabilité
- indépendantes
alors : E(X1 + X2+…+ Xi +. …Xn ) = (Propriété P1 de l’espérance que les
v.a. soient indépendantes ou non )
V(X1 + X2+…+ Xi +. …Xn ) = (Propriété de la variance dans le cas
d’indépendance des v.a.)