Couple de variables aléatoires - Notion
d’indépendance.
Préparation au Capes - Université Rennes 1
On considère deux variables aléatoires X et Y . On aimerait
connaitre s’il y a influence entre ces deux variables et la quantifier.
Exemple : On peut se poser la question de l’influence des
catastrophes météorologiques (tempêtes, ouragans, tsunamis, ...)
sur le cours de la bourse. La variable X modélisera alors les
catastrophes météorologiques et la variable Y le cours de la bourse.
Hélène Guérin, [Link]@[Link]
1
I - Loi jointe
Définition :
Soient X et Y deux variables aléatoires. La loi jointe de (X, Y )
est définie par sa fonction de répartition F(X,Y ) :
F(X,Y ) : IR × IR → [0, 1]
(x, y) → P (X ≤ x, Y ≤ y)
Les lois marginales du couple (X, Y ) sont la loi L(X) de X, et la
loi L(Y ) de Y .
Attention ! À partir des lois marginales, on ne peut pas connaı̂tre
la loi du couple.
2
a - Cas des variables discrètes
Soient X et Y deux variables discrètes, X à valeurs dans DX et Y à
valeurs dans DY . La loi du couple (X, Y ) est définie par l’ensemble
des probabilités :
P (X = x, Y = y) avec x ∈ DX et y ∈ DY .
Dans le cas où les variables sont discrètes et prennent un petit
nombre de valeurs, on écrit en général la loi du couple sous la forme
d’un tableau :
Y \X ... Somme des colonnes
..
. P (X = x, Y = y) P (Y = y)
Somme des lignes P (X = x)
3
Exemple 1 1. L’université de Rennes 1 veut évaluer l’effet de
l’offre MIPE sur le campus et voir quel système d’exploitation
est apprécié des étudiants. Les proportions collectées sont
résumées dans un tableau :
Système d’exploitation
Windows Mac OS Linux
Filière
Biologie 0.07 0.05 0.02
Droit/Économie 0.08 0.02 0
Informatique 0.25 0.13 0.09
Mathématiques 0.21 0.04 0.04
2. On lance une pièce truquée 3 fois. La probabilité de tomber sur
”Pile” est 2/3. Soit X le nombre de ”Face” obtenu dans les
deux premiers jets et Y le nombre de ”Face” obtenu dans les
deux derniers jets. Donner la loi de (X, Y ) ! !
4
b- Cas des variables à densité
Définition : La loi du couple de v.a. (X, Y ) est dite à densité s’il
existe une fonction f(X,Y ) telle que la fonction de répartition du
couple s’écrit
Z x Z y
F(X,Y ) (x, y) = f(X,Y ) (u, v)dudu,
−∞ −∞
satisfaisant les conditions suivantes :
1. f(X,Y ) (x, y) ≥ 0 pour tout (x, y) ∈ IR2 ,
RR
2. f
IR2 (X,Y )
(x, y)dxdy = 1.
On retrouve facilement les lois marginales : les variables X et Y
sont des variables continues de densité respectives
R R
fX (x) = IR f(X,Y ) (x, y)dy et fY (y) = IR f(X,Y ) (x, y)dx.
5
II - Variables aléatoires indépendantes
Définition Deux variables aléatoires X et Y sont indépendantes si
pour tout intervalle A et B de IR on a
P (X ∈ A, Y ∈ B) = P (X ∈ A)P (Y ∈ B).
6
Proposition
Deux v.a. X et Y sont indépendantes
⇔ La fonction de répartition du couple vérifie ∀(x, y)
F(X,Y ) (x, y) = FX (x)FY (y),
⇔ La transformée de Laplace du couple vérifie pour tout (u, v),
L(X,Y ) (u, v) = LX (u)LY (v) où L(X,Y ) (u, v) = E[euX+vY ],
⇔ Dans le cas discret ∀(x, y),
P (X = x, Y = y) = P (X = x)P (Y = y),
⇔ Dans le cas continu, la densité du couple vérifie ∀(x, y)
f(X,Y ) (x, y) = fX (x)fY (y).
7
Définition Les variables aléatoires X1 , . . . , Xn sont
mutuellement indépendantes si pour tous intervalles
A1 , . . . , An de IR on a
n
Y
P (X1 ∈ A1 , . . . , Xn ∈ An ) = P (Xi ∈ Ai ).
i=1
Si les variables X1 , . . . , Xn sont mutuellements indépendantes, alors
elles sont indépendantes deux à deux.
Attention La réciproque est fausse !
8
Exemple 2 Une loi binomiale B(n, p) de paramètres n et p
correspond au modèle suivant :
On renouvelle n fois de manière indépendante une épreuve de
Bernoulli de paramètre p. On compte le nombre de succès obtenus
à l’issue des n épreuves et on appelle S la variable aléatoire
correspondant à ce nombre de succès. Donc si on note Xi le résultat
du ième lancer, les variables X1 , . . . , Xn sont des variables de
Bernoulli de paramètre p, indépendantes. On a S = X1 + . . . + Xn .
On en déduit facilement que si S1 ∼ B(n1 , p) et S2 ∼ B(n2 , p)
indépendantes, alors S1 + S2 ∼ B(n1 + n2 , p).
9
III - La covariance
La covariance permet d’estimer la dépendance entre deux variables
aléatoires.
Définition La covariance de deux variables X et Y est
Cov(X, Y ) = E(XY ) − E(X)E(Y ).
L’espérance E(XY ) est calculée à partir de la loi jointe de (X, Y ) :
1. dans le cas discret,
X
E(XY ) = xyP (X = x, Y = y)
x∈DX ,y∈DY
2. dans le cas continu,
Z Z
E(XY ) = xyf(X,Y ) (x, y)dxdy.
IR2
Remarque Soient X et Y deux v.a. Alors
V ar(X + Y ) = V ar(X) + V ar(Y ) + 2 Cov(X, Y ).
10
Définition Le coefficient de corrélation linéaire est défini
pour des variables non constantes par :
Cov(X, Y )
ρ(X, Y ) = p .
V ar(X)V ar(Y )
On a toujours ρ(X, Y ) ∈ [−1, 1].
Plus |ρ(X, Y )| est proche de 1 plus la dépendance entre les
variables X et Y est forte.
Remarque Si X et Y sont indépendantes, alors Cov(X, Y ) = 0 et
donc ρ(X, Y ) = 0. On a par conséquent,
V ar(X + Y ) = V ar(X) + V ar(Y ).
Attention La réciproque est fausse !
11
Exemple 3 Une étude médicale sur l’effet du tabac est menée
dans un hopital. Les 2278 patients sont divisés en deux groupes :
ceux atteints d’un cancer pulmonaire (X = 1) et les autres
(X = 0). Les membres de chaque groupe sont ensuite répartis selon
le nombre Y de paquets de cigarettes fumés par jour.
Cancer Nombre de paquets de cigarettes Total
pulmonaire 0 1 2 3 4
0 1247 492 319 58 9 2125
1 66 50 28 6 3 153
Total 1313 542 347 64 12 2278
On souhaite étudier l’association entre cancer pulmonaire et la
consommation de cigarette en calculant la covariance.
12