le logo du site

1. Les observations et le modèle aléatoire.

1.9.4. Vecteurs aléatoires.

Nous considérons les cas où nous observons deux variables sur chaque unité, c’est-à-dire que nous sommes en présence d’un vecteur aléatoire réel de dimension deux. Nous en donnons quelques éléments théoriques ; la généralisation à une dimension supérieure à deux se fait aisément. Nous notons B2=B(R2)=BB la σalgèbre des ensembles boréliens qui est engendrée, par exemple, par les pavés (ou les cylindres) ouverts de R2=R×R.

Définition 1. Considérons un espace mesurable (Ω, A). Nous appelons vecteur aléatoire réel, en abrégé v.a. de dimension deux toute application X=(tX1, X2) de Ω dans R2 telle que pour tout pavé ouvert I×J de R2, nous ayons :

Nous dirons que X(ω)=(tX1(ω), X2(ω))=x=(tx1, x2) est une réalisation de X.

L’expression Ut désigne le vecteur transposé du vecteur U.

Définition 2. Soit X un v.a. réel défini sur un espace probabilisé (Ω, A, P). Nous appelons loi de probabilité de X, la probabilité, notée PX, image de P par X, c’est-à-dire :

La fonction de répartition de X est donnée par :

Définition 3. Nous appelons loi marginale de X1 la loi de probabilité définie par :

Nous appelons loi conditionnelle de X1 sachant que (X2B), avec BB(R) et tel que P(X2B)0, la loi de probabilité définie par :

Remarque 1. Comme pour une v.a., nous avons en général deux types de v.a., les v.a. discrets et les v.a. continus ; nous décrivons ci-après leur loi. Nous pouvons aussi avoir un vecteur dont l’une des composante est une v.a. discrète et l’autre continue.

Propriété 1. Les v.a. discrets ont l’ensemble de leurs valeurs X(Ω)={(x1,j, x2,j) : j, jN} inclus dans N2 ou égal à ce dernier ensemble ; la loi de probabilité d’un tel vecteur est définie par la donnée de {pj,j : j, jN} satisfaisant

La fonction de répartition est donnée par :

La loi marginale de X1 et celle de X2 sont données par :

Lorsque pj0,>0, la loi conditionnelle de X2 sachant que X1=x1,j0, par exemple, est définie par :

Propriété 2. Les v.a. absolument continus, ou simplement continus, ont l’ensemble de leurs valeurs X(Ω) inclus dans R2 ou égal à ce dernier ensemble ; la loi de probabilité d’un tel vecteur est définie par la donnée d’une fonction positive fX(x1, x2) appelée densité de probabilité telle que :

La fonction de répartition satisfait à :

De plus, nous avons :

La loi marginale de X1, par exemple, est définie par la densité :

Lorsque fX1(x0)>0, la loi conditionnelle de X2 sachant que X1=x0, par exemple, est définie par la densité :

Haut de la page.