1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
|
# Couple aléatoire
## Définition
Un couple aléatoire discret est un coupl $(X,Y)$ de V.A. définies sur le même univers $\Omega$ et à valeurs dans $X(\Omega) \times Y(\Omega)=\{(x,y):x \in X(\Omega), y \in Y(\Omega)\}$
On note $\{ X = x, Y = y \}$ l'évènement $X = x \cap Y = y$
## Loi du couple
On appelle loi de probabilité ou loi jointe du couple $(X,Y)$ l'application
$$
\begin{align}
\mathbb{P}_{XY}: \qquad X(\Omega) \times Y(\Omega) &\longrightarrow [0,1] \\
(x,y) &\longmapsto \mathbb{P}_{XY}(x,y) = \mathbb{P}(X=x,Y=y)
\end{align}
$$
## Fonction de répartition
La connaissance de $\mathbb{P}_{XY}$ équivaut à celle de la fonction de répartition définie pour tout $(x,y) \in \mathbb{R}^2$ par :
$$
F_{XY}(x,y) = \mathbb{P}(X \leq x, Y\leq y)
$$
## Lois marginales
On appelle loi marginale de $X$ l'application $\mathbb{P}_{X}$ de $X(\Omega)$ dans $[0,1]$ définie pour tout $x \in X(\Omega)$ par
$$
\mathbb{P}_{X}(x) = \mathbb{P}(X = x) = \sum_{y \in Y(\Omega)} \mathbb{P}_{XY}(x,y)
$$
Par analogie, on a
$$
\mathbb{P}_{Y}(y) = \mathbb{P}(Y = y) = \sum_{x \in X(\Omega)} \mathbb{P}_{XY}(x,y)
$$
## Lois conditionnelles
Soit $(X,Y)$ un couple aléatoire discret. On appelle loi conditionnelle de $X$ sachant $Y$ l'application $\mathbb{P}_{X|Y}$ de $X(\Omega)$ dans $[0,1]$ définie pour tout couple $(x,y) \in X(\Omega) \times Y(\Omega)$ par
$$
\mathbb{P}_{X|Y}(x|y) = \mathbb{P}(X = x | Y = y) = \frac{\mathbb{P}_{XY}(x,y)}{\mathbb{P}_{Y}(y)}
$$
De façon analogue, on a $\mathbb{P}_{Y|X}$ :
$$
\mathbb{P}_{Y|X}(y|x) = \mathbb{P}(Y = y | X = x) = \frac{\mathbb{P}_{XY}(x,y)}{\mathbb{P}_{X}(x)}
$$
## Indépendance
On dit que $X$ et $Y$ sont **indépendantes** ssi pour tout $x \in X(\Omega)$ et tout $y \in Y(\Omega)$,
$$
\mathbb{P}(X = x | Y = y) = \mathbb{P}(X = x) \quad et \quad \mathbb{P}(Y = y | X = x) = \mathbb{P}(Y = y)
$$
## Covariance
Si $X$ et $Y$ sont définies sur le même $\Omega$, on appelle **covariance** de ces deux variables le réel :
$$
Cov(X,Y) = \mathbb{E}[(X - \mathbb{E}(X))(Y - \mathbb{E}(Y))]
$$
Ou aussi $Cov(X,Y) = \mathbb{E}(X \cdot Y) - \mathbb{E}(X) \cdot \mathbb{E}(Y)$
### Interprétation
- $Cov(X,Y) > 0 \implies$ Plus $X$ grandit, plus $Y$ grandit aussi
- $Cov(X,Y) < 0 \implies$ Quand $X$ augmente, $Y$ diminue (et vice-versa)
- $Cov(X,Y) \approx 0 \implies$ Les 2 variables ne sont pas vraiment liées
## Corrélation
|
