espØrance et espØrance conditionnelleneumann.hec.ca/~p240/c8064604/theme_1/3esperancecond.pdf ·...
TRANSCRIPT
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Espérance et espérance conditionnelle80-646-08
Calcul stochastique
Geneviève Gauthier
HEC Montréal
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de deux événementsDénition
DenitionDénition. Soit (Ω,F ,P) , un espace probabilisé. Deuxévénements A et B sont dits indépendants si
P (A\ B) = P (A)P (B) .
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de deux variablesaléatoires
Dénition
DenitionDénition. Les variables aléatoires X et Y sont toutes deuxconstruites sur lespace probabilisé (Ω,F ,P), Card (Ω) < ∞.Soient PX = fA1, ...,Amg et PY = fB1, ...,Bng, deuxpartitions nies qui engendrent respectivement les tribus σ (X )et σ (Y ). Les variables aléatoires X et Y sont ditesindépendantes si
8A 2 PX et 8B 2 PY , P (A\ B) = P (A)P (B) .
Intuitivement, X et Y sont indépendantes lorsque le faitde détenir de linformation concernant lune dentre ellesne nous en fournit pas à propos de lautre.
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de deux variablesaléatoires I
Exemple
Exemple.
ω X Y P P
1 1 1 16 0
2 1 0 16
15
3 1 0 16
15
ω X Y P P
4 0 1 16
15
5 0 0 16
15
6 0 0 16
15
Si A =n1 , 2 , 3
oet B =
n1 , 4
oalors
PX = fA,Acg et PY = fB,Bcg .
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de deux variablesaléatoires II
ExempleLes variables aléatoires X et Y sont indépendantes surlespace probabilisé (Ω,F ,P) car
P (A)P (B) =12 13=16= P
n1o= P (A \ B) ,
P (Ac )P (B) =12 13=16= P
n4o= P (Ac \ B) ,
P (A)P (Bc ) =12 23=13= P
n2 , 3
o= P (A \ Bc ) ,
P (Ac )P (Bc ) =12 23=13= P
n5 , 6
o= P (Ac \ Bc ) .
Intuitivement, la réponse à la question un dé a été lancé;quelle est la probabilité que la variable aléatoire X prennela valeur 1? est la même que la réponse à la question undé a été lancé et la variable aléatoire Y prend la valeur 1;quelle est la probabilité que la variable aléatoire X prenneaussi la valeur 1?. Cette réponse est une demie.
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de deux variablesaléatoires III
Exemple
Par contre, les mêmes variables aléatoires X et Y sontdépendantes sur lespace probabilisé (Ω,F ,P) puisque
P (A)P (B) =25 15=2256= 0 = P
n1o= P (A \ B) .
Intuitivement, la réponse à la question un dé a été lancé;quelle est la probabilité que la variable aléatoire X prennela valeur 1? nest la même que la réponse à la question undé a été lancé et la variable aléatoire Y prend la valeur 1;quelle est la probabilité que la variable aléatoire X prenneaussi la valeur 1?. Dans le premier cas, la réponse est 25tandis que dans le second, la réponse est 0.
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de deux variablesaléatoires
Remarque
Remarque. Bien que les variables aléatoires naient nul besoindune mesure de probabilité pour exister (un espaceprobabilisable su¢ t), il est nécessaire de connaître la mesure deprobabilité qui prévaut sur lespace probabilisable pour parlerdindépendance.
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de variablesaléatoires I
Exemple
Exemple.
ω X Y Z P
ω1 1 1 0 18
ω2 1 0 0 18
ω3 1 0 1 18
ω4 1 0 1 18
ω X Y Z P
ω5 0 1 1 18
ω6 0 0 0 18
ω7 0 0 0 18
ω8 0 0 1 18
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de variablesaléatoires II
Exemple
Ces variables aléatoires sont deux à deux indépendantes puisque
P fX = 0gP fY = 0g =12 34=38= P fω6 ,ω7 ,ω8g = P (fX = 0g \ fY = 0g) ,
P fX = 1gP fY = 0g =12 34=38= P fω2 ,ω3 ,ω4g = P (fX = 1g \ fY = 0g) ,
P fX = 0gP fY = 1g =12 14=18= P fω5g = P (fX = 0g \ fY = 1g) ,
P fX = 1gP fY = 1g =12 14=18= P fω1g = P (fX = 1g \ fY = 1g) .
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de variablesaléatoires III
Exemple
P fX = 0gP fZ = 0g =12 12=14= P fω6 ,ω7g = P (fX = 0g \ fZ = 0g) ,
P fX = 1gP fZ = 0g =12 12=14= P fω1 ,ω2g = P (fX = 1g \ fZ = 0g) ,
P fX = 0gP fZ = 1g =12 12=14= P fω5 ,ω8g = P (fX = 0g \ fZ = 1g) ,
P fX = 1gP fZ = 1g =12 12=14= P fω3 ,ω4g = P (fX = 1g \ fZ = 1g) .
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de variablesaléatoires IV
Exemple
P fZ = 0gP fY = 0g =12 34=38= P fω2 ,ω6 ,ω7g = P (fZ = 0g \ fY = 0g) ,
P fZ = 1gP fY = 0g =12 34=38= P fω3 ,ω4 ,ω8g = P (fZ = 1g \ fY = 0g) ,
P fZ = 0gP fY = 1g =12 14=18= P fω1g = P (fZ = 0g \ fY = 1g) ,
P fZ = 1gP fY = 1g =12 14=18= P fω5g = P (fZ = 1g \ fY = 1g) .
Espérance
IndépendanceÉvénementsVariablesaléatoiresExemple
Probabilitéconditionnelle
Espérance
Moments
Espéranceconditionnelle
Indépendance de variablesaléatoires V
Exemple
Mais ces variables ne sont pas mutuellement indépendantespuisque
P fX = 1gP fY = 1gP fZ = 1g
=12 14 12
=116
6= 0
= P f?g= P (fX = 1g \ fY = 1g \ fZ = 1g) .
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelleDénition
DenitionDénition. Soit (Ω,F ,P), un espace probabilisé tel queCard(Ω) < ∞. Pour tout événement A 2 F ayant uneprobabilité positive, P(A) > 0, la probabilité conditionnelleétant donné A, notée P ( jA ), eSt dénie par
8B 2 F , P (B jA ) = P (B \ A)P (A)
.
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IInterprétation
Lexpérience aléatoire consiste à lancer un dé.
Si le dé est bien balancé, quelle est la probabilité dobtenirplus de trois points?
Il faudrait répondre: 12 .
Maintenant, si, après le lancer du dé, je vous informe quele nombre de points obtenus est pair, quelle est laprobabilité que la face du dé ait plus de trois points?
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IIInterprétation
Il faudrait modier la réponse donnée précédemment pourproter de linformation fournie. Comme sur les troissituations où le nombre de points est pair, il y en a deuxpour lesquelles le nombre de points est aussi supérieur àtrois, la réponse est 23 .
Pn
4 , 5 , 6o n 2 , 4 , 6 o
=Pn
4 , 5 , 6o\n2 , 4 , 6
oPn
2 , 4 , 6o
=Pn
4 , 6o
Pn
2 , 4 , 6o = 2
636
=23.
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IIIInterprétation
Pourquoi exigeons-nous que la probabilité associée àlévénement selon lequel nous conditionnons soit positive?
Mathématiquement, cela est tout simplement pour éviterde faire la bêtise de diviser par zéro.Intuitivement, si après le lancer du dé, je vous informe quele résultat est négatif, les plus polis dentre voussexclameront sacrée farceuse! tandis que dautrespourrait me qualier de menteuse.
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IExemple
Exemple. Reprenons le processus stochastique représentant leprix dune part dun titre auquel nous ajouterons une mesure deprobabilité P sur lespace probabilisable (Ω,F ). Rappelonsque la tribu utilisée est F = σ ffω1,ω2g , fω3g , fω4gg.
ω X0 (ω) X1 (ω) X2 (ω) X3 (ω) P (ω)
ω1 1 12 1 1
2 ?ω2 1 1
2 1 12 ?
ω3 1 2 1 1 38
ω4 1 2 2 2 28
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IIExemple
Question. Sachant que le prix du titre vaut un dollar au tempst = 2, est-ce que les probabilités associées aux prix possibles dutitre au temps t = 3 sont modiées?
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IIIExemple
Réponse. Oui. Soit
A = fω 2 Ω : X2 (ω) = 1g = fω1,ω2,ω3g .
Comme
P (A) = P fω1,ω2,ω3g = P fω1,ω2g+P fω3g =38+38=34
alors
P
X3 =
12
jfX2 = 1g
=
P (fω1,ω2g \ fω1,ω2,ω3g)P fω1,ω2,ω3g
=P fω1,ω2g
P (A)=38 43=12
6= 38= P
X3 =
12
;
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IVExemple
P (fX3 = 1g jfX2 = 1g )
=P (fω3g \ fω1,ω2,ω3g)
P fω1,ω2,ω3g=
P fω3gP (A)
=38 43=12
6= 38= P fX3 = 1g ;
P (fX3 = 2g jfX2 = 1g )
=P (fω4g \ fω1,ω2,ω3g)
P fω1,ω2,ω3g=
P (?)P (A)
= 0
6= 28= P fX3 = 2g .
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle VExemple
ω X0 (ω) X1 (ω) X2 (ω) X3 (ω) P (ω)
ω1 1 12 1 1
2 ?
ω2 1 12 1 1
2 ?
ω3 1 2 1 1 38
ω4 1 2 2 2 28
Nous avions déterminé que F = σ ffω1,ω2g , fω3g , fω4gg.Alors
FA = σ ffω1,ω2g \ A, fω3g \ A, fω4g \ Ag= σ ffω1,ω2g , fω3g ,?g = fA, fω1,ω2g , fω3g ,?g .
Par conséquent, lespace probabilisable sur lequel est construiteP ( jfX2 = 1g ) est (fω1,ω2,ω3g , σ ffω1,ω2g , fω3gg) .
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IIndépendance
Revenons à la dénition dindépendance entre deux variablesaléatoires.
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IIIndépendance
TheoremThéorème. Les variables aléatoires X et Y sont toutes deuxconstruites sur lespace probabilisé (Ω,F ,P), Card (Ω) < ∞.Soient PX = fA1, ...,Amg et PY = fB1, ...,Bng, deuxpartitions nies qui engendrent respectivement les tribus σ (X )et σ (Y ). Si
8A 2 PX tel que P (A) > 0, P (B jA ) = P (B) , 8B 2 PY
ou encore, si
8B 2 PY tel que P (B) > 0,P (A jB ) = P (A) , 8A 2 PX ,
alors X et Y sont indépendantes.
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IIIIndépendance
Preuve du théorème. Supposons que
8A 2 PX tel que P (A) > 0, P (B jA ) = P (B) , 8B 2 PY .
Nous voulons montrer que 8A 2 PX tel que P (A) > 0 et8B 2 PY ,
P (B \ A) = P (A)P (B) .
Mais 8A 2 PX tel que P (A) > 0 et 8B 2 PY ,
P (B) = P (B jA ) = P (B \ A)P (A)
) P (B \ A) = P (A)P (B)
et 8A 2 PX tel que P (A) = 0 et 8B 2 PY ,
0 P (B \ A) P (A) = 0) P (B \ A) = 0 = P (A)P (B) .
Espérance
Indépendance
ProbabilitéconditionnelleTribuDénitionInterprétationExempleIndépendance
Espérance
Moments
Espéranceconditionnelle
Probabilité conditionnelle IVIndépendance
Si nous utilisons
8B 2 PY tel que P (B) > 0,P (A jB ) = P (A) , 8A 2 PX ,
comme prémisse, nous obtenons un résultat identique enrépétant la démonstration.
Espérance
Indépendance
Probabilitéconditionnelle
EspéranceDénitionPropriétésExempleRemarques
Moments
Espéranceconditionnelle
EspéranceDénition
DenitionDénition. Soit X une variable aléatoire construite surlespace probabilisé (Ω,F ,P) tel que Card (Ω) < ∞.Lespérance de X , notée EP [X ] est
EP [X ] = ∑ω2Ω
X (ω)P (ω) .
Si la variable aléatoire X prend n valeurs di¤érentes, disonsx1 < ... < xn alors
EP [X ] =n
∑i=1xiP fω 2 Ω : X (ω) = xig =
n
∑i=1xi fX (xi )
où fX est la fonction de masse de X .
Espérance
Indépendance
Probabilitéconditionnelle
EspéranceDénitionPropriétésExempleRemarques
Moments
Espéranceconditionnelle
EspérancePropriétés
Soit X et Y , deux variables aléatoires construites sur lespaceprobabilisé (Ω,F ,P), Card (Ω) < ∞. Si a et b représententdes nombres réels alors
E1 EP [aX + bY ] = aEP [X ] + bEP [Y ] ;
E2 Si 8ω 2 Ω, X (ω) Y (ω) alors EP [X ] EP [Y ] ;
E3 De façon générale, EP [XY ] 6= EP [X ]EP [Y ] ;
E4 Si X et Y sont indépendantes alorsEP [XY ] = EP [X ]EP [Y ] .
Espérance
Indépendance
Probabilitéconditionnelle
EspéranceDénitionPropriétésExempleRemarques
Moments
Espéranceconditionnelle
Espérance IExemple
Exemple. Reprenons la variable aléatoire W ainsi que les deuxmesures de probabilités P et Q :
ω W (ω) P (ω) Q (ω)
1 5 16
412
2 5 16
112
3 5 16
112
4 5 16
112
5 0 16
112
6 10 16
412
x P fW = xg Q fW = xg
0 16
112
5 46
712
10 16
412
Espérance
Indépendance
Probabilitéconditionnelle
EspéranceDénitionPropriétésExempleRemarques
Moments
Espéranceconditionnelle
Espérance IIExemple
EP [W ] = ∑ω2Ω
W (ω)P (ω)
= 5 16+ 5 1
6+ 5 1
6+ 5 1
6+ 0 1
6+ 10 1
6=306= 5
EP [W ] =n
∑i=1
wi fW (wi ) = 016+ 5 4
6+ 10 1
6=306= 5
EQ [W ] = ∑ω2Ω
W (ω)Q (ω)
= 5 412+ 5 1
12+ 5 1
12+ 5 1
12+ 0 1
12+ 10 4
12=7512= 6, 25
EQ [W ] =n
∑i=1
wi fW (wi ) = 0112+ 5 7
12+ 10 4
12=7512= 6, 25
Espérance
Indépendance
Probabilitéconditionnelle
EspéranceDénitionPropriétésExempleRemarques
Moments
Espéranceconditionnelle
EspéranceRemarques
Lespérance dune variable aléatoire est un nombre réel.Ce nest pas une quantité aléatoire.
Dans lexemple précédent, nous pouvons noter quelespérance dune variable aléatoire dépend de la mesurede probabilité utilisée.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
MomentsDénitionVariancePropriétésCovariancePropriétés
Espéranceconditionnelle
Moments dune variable aléatoireDénition
DenitionDénition. Soit X une variable aléatoire construite surlespace probabilisé (Ω,F ,P) tel que Card (Ω) < ∞. Le kième moment de X , notée EP
X kest lespérance de la
variable X k :
EPhX ki= ∑
ω2ΩX k (ω)P (ω) =
n
∑i=1xki fX (xi )
où x1 < ... < xn sont les valeurs prises par X et fX est safonction de masse.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
MomentsDénitionVariancePropriétésCovariancePropriétés
Espéranceconditionnelle
Variance IDénition
DenitionDénition. Soit X une variable aléatoire construite surlespace probabilisé (Ω,F ,P) tel que Card (Ω) < ∞. Lavariance de X , notée VarP [X ] est lespérance de la variablealéatoire
X EP [X ]
2:
VarP [X ] = ∑ω2Ω
X (ω) EP [X ]
2P (ω) (1)
=n
∑i=1
xi EP [X ]
2fX (xi ) (2)
où x1 < ... < xn sont les valeurs prises par X et fX est safonction de masse.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
MomentsDénitionVariancePropriétésCovariancePropriétés
Espéranceconditionnelle
Variance IIDénition
Remarques.
La variance est une mesure de la dispersion des valeursx1, ..., xn prises par X autour de lespérance EP [X ].
Plus la variance est grande, plus les valeurs sont dispersées.
Tout comme lespérance et les moments, la variance estun nombre réel.
De plus, quelque soit la variable aléatoire, la variance nestjamais négative.
Lécart-type, fort utilisé en statistique, est la racine carréede la variance.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
MomentsDénitionVariancePropriétésCovariancePropriétés
Espéranceconditionnelle
Moments dune variable aléatoirePropriétés de la variance
Exercice. Montrez que si a et b sont des nombres réels,
V1 VarP [X ] 0;V2 VarP [X ] = EP
X 2EP [X ]
2;
V3 8a 2 R, VarP [aX + b] = a2VarP [X ] ;
V4 Si X et Y sont indépendantes alorsVarP [X + Y ] = VarP [X ] +VarP [Y ]
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
MomentsDénitionVariancePropriétésCovariancePropriétés
Espéranceconditionnelle
Covariance IDénition
DenitionDénition. Soient X et Y , deux variables aléatoires construitessur lespace probabilisé (Ω,F ,P) tel que Card (Ω) < ∞. Lacovariance de X et Y , notée CovP [X ,Y ] est lespérance dela variable aléatoire
X EP [X ]
Y EP [Y ]
:
CovP [X ,Y ] = ∑ω2Ω
X (ω) EP [X ]
Y (ω) EP [Y ]
P (ω)
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
MomentsDénitionVariancePropriétésCovariancePropriétés
Espéranceconditionnelle
Covariance IIDénition
Interprétation.
Si la covariance est positive, cest que dans la somme
∑ω2Ω
X (ω) EP [X ]
Y (ω) EP [Y ]
P (ω) ,
ce sont les ω rendant le termeX (ω) EP [X ]
Y (ω) EP [Y ]
positif qui dominent,
ce qui signie que les variables aléatoires X et Y onttendance à être soit supérieures, soit inférieures à leurespérance pour les mêmes états du monde ω.
Si la covariance est négative alors ce sont les ω rendant leterme
X (ω) EP [X ]
Y (ω) EP [Y ]
négatif qui
dominent, ce qui signie que lorsque quune des variablesaléatoires X et Y est supérieure à son espérance, lautre atendance à être inférieure à son espérance.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
MomentsDénitionVariancePropriétésCovariancePropriétés
Espéranceconditionnelle
CovariancePropriétés
Exercice. Montrez que
C1 CovP [X ,Y ] = EP [XY ] EP [X ]EP [Y ] ;
C2 Si X et Y sont indépendantes alors CovP [X ,Y ] = 0;
C3 8a, b 2 R,CovP [aX1 + bX2;Y ] = aCovP [X1;Y ] + bCovP [X2;Y ] ;
C4 VarP [X + Y ] = VarP [X ] +VarP [Y ] + 2CovP [X ,Y ] .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
MomentsDénitionVariancePropriétésCovariancePropriétés
Espéranceconditionnelle
Autres momentsDéntion
Outre la variance, deux autres moments centrés sont beaucouputilisés en modélisation: les coe¢ cients de dissymétrie etdaplatissement. Vous en trouverez une description à lannexede ce document.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelleDénition
DenitionDénition. La variable aléatoire X est construite sur lespaceprobabilisé (Ω,F ,P), Card (Ω) < ∞. Soit G F , une tribuengendrée par la partition nie P = fA1, ...,Ang satisfaisant8i 2 f1, ..., ng, P (Ai ) > 0. Lespérance conditionnelle de Xétant donnée G, notée EP [X jG ] est
EP [X jG ] (ω) =n
∑i=1
IAi (ω)
P (Ai )∑
ω2AiX (ω)P (ω)
où IAi : Ω ! f0, 1g est la fonction indicatrice
IAi (ω) =
1 si ω 2 Ai0 si ω /2 Ai
.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IExemple
Exemple. Reprenons le processus stochastique représentant leprix dune part dun titre auquel nous ajouterons une mesure deprobabilité sur lespace probabilisable (Ω,F ).
ω X0 (ω) X1 (ω) X2 (ω) X3 (ω) P (ω)
ω1 1 12 1 1
218
ω2 1 12 1 1
228
ω3 1 2 1 1 38
ω4 1 2 2 2 28
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIExemple
Nous avions déterminé que F1 = σ ffω1,ω2g , fω3,ω4gg.Alors
EP [X3 jF1 ] (ω)
=2
∑i=1
IAi (ω)
P (Ai )∑
ω2AiX3 (ω
)P (ω)
=IA1 (ω)
P (A1)∑
ω2A1X3 (ω
)P (ω) +IA2 (ω)
P (A2)∑
ω2A2X3 (ω
)P (ω)
=IA1 (ω)
38
12 18+12 28
+
IA2 (ω)58
1 3
8+ 2 2
8
=
12
IA1 (ω) +75
IA2 (ω) .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIIExemple
Ainsi,
Si ω 2 fω1,ω2g alors
EP [X3 jF1 ] (ω) =12
IA1 (ω) +75
IA2 (ω) =12
et si ω 2 fω3,ω4g alors
EP [X3 jF1 ] (ω) =12
IA1 (ω) +75
IA2 (ω) =75.
Interprétation. Au temps t = 1, nous serons en mesurede déterminer si létat du monde est élément de fω1,ω2gou bien sil est élément de fω3,ω4g. Si ω 2 fω1,ω2galors la valeur espérée de la variable aléatoire X3 est 12 .Par contre, si ω 2 fω3,ω4g alors la valeur espérée de X3est 75 .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IRemarques
Lespérance conditionnelle sexprime à laide desprobabilités conditionnelles étant donné chacun deséléments de la partition qui engendre la tribu puisque
EP [X jG ] (ω)
=n
∑i=1
IAi (ω)
P (Ai )∑
ω2AiX (ω)P (ω)
=n
∑i=1
IAi (ω) ∑ω2Ai
X (ω)P (ω \ Ai )
P (Ai )
=n
∑i=1
IAi (ω) ∑ω2Ai
X (ω)P (ω jAi )
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIRemarques
Remarque importante. Contrairement à lespérance,lespérance conditionnelle nest pas un nombre réel maisune variable aléatoire. En fait, comme elle est constantesur les atomes qui engendrent G, cest une variablealéatoire Gmesurable.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IPropriétés
Soit X et Y , deux variables aléatoires de lespaceprobabilisé (Ω,F ,P) .Les tribus G, G1 et G2 sont engendrées respectivement parles partitions nies P = fA1, ...,Ang etP1 = fB1, ...,Bmg et P2 = fC1, ...,Cng.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIPropriétés
EC1 Si X est Gmesurable alors EP [X jG ] = X .EC2 Si G1 G2 sont des tribus alors
EPEP [X jG1 ] jG2
= EP [X jG1 ] .
EC3 Si G1 G2 sont des tribus alorsEPEP [X jG2 ] jG1
= EP [X jG1 ] .
EC4 EP [X jf?,Ωg ] = EP [X ] .
EC5 EPEP [X jG ]
= EP [X ] .
EC6 Si Y est Gmesurable alors EP [XY jG ] = YEP [X jG ] .EC7 Si X et Y sont indépendantes alors
EP [X jσ (Y ) ] = EP [X ] .
EC8 8a, b 2 R, EP [aX + bY jG ] = aEP [X jG ] + bEP [Y jG ] .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IDémonstration de EC1
À montrer. Si X est Gmesurable alors EP [X jG ] = X .
Puisque X est Gmesurable, alors elle est constante sur lesatomes de G. Posons donc
xi = X (ω) 8ω 2 Ai , 8i 2 f1, ..., ng .
Soit ω 2 Ai quelconque.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIDémonstration de EC1
EP [X jG ] (ω) =n
∑j=1
IAj (ω)
P (Aj )∑
ω2AjX (ω)P (ω)
=1
P (Ai )∑
ω2AiX (ω)P (ω)
=1
P (Ai )∑
ω2AixiP (ω)
=xi
P (Ai )∑
ω2AiP (ω)
=xi
P (Ai )P (Ai )
= xi= X (ω) .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIIDémonstration de EC1
Puisque ω était choisi de façon arbitraire, nous avons que
8ω 2 Ω, EP [X jG ] (ω) = X (ω) .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelleDémonstration de EC2
À montrer, Si G1 G2 F sont des tribus alorsEPEP [X jG1 ] jG2
= EP [X jG1 ] .
Puisque G1 G2 alors toute fonction G1mesurable est aussiG2mesurable. De plus, nous savons que EP [X jG1 ] estG1mesurable donc EP [X jG1 ] est aussi G2mesurable. Enutilisant (EC1),
EPhEP [X jG1 ] jG2
i= EP [X jG1 ] .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IDémonstration de EC3
À montrer. Si G1 G2 F sont des tribus alorsEPEP [X jG2 ] jG1
= EP [X jG1 ] .
Soit Bk , un atome de G1. Puisque Bk 2 G1 G2 alorsBk 2 G2 et, par conséquent, Bk peut se représenter comme uneunion de certains atomes de G2, cest-à-dire quil existeCk1 , ...,Ckq 2 P2 tels que Bk =
Sqi=1 Cki . De plus, notons que
EP [X jG2 ] étant G2mesurable, elle est constante sur lesatomes de G2. Posons 8k 2 f1, ..., ng , 8ω 2 Ck ,
xk EP [X jG2 ] (ω)
=n
∑j=1
ICj (ω)
P (Cj )∑
ω2CjX (ω)P (ω)
=1
P (Ck )∑
ω2CkX (ω)P (ω) .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIDémonstration de EC3
Soit ω 2 Ck 0 Bk quelconque.
EPhEP [X jG2 ] jG1
i(ω)
=m
∑j=1
IBj (ω)
P (Bj )∑
ω2BjEP [X jG2 ] (ω)P (ω)
=1
P (Bk )∑
ω2BkEP [X jG2 ] (ω)P (ω)
=1
P (Bk )
q
∑i=1
∑ω2Cki
EP [X jG2 ] (ω)| z xki
P (ω)
=1
P (Bk )
q
∑i=1xki ∑
ω2Cki
P (ω)
=1
P (Bk )
q
∑i=1xkiP (Cki )
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIIDémonstration de EC3
=1
P (Bk )
q
∑i=1
0@ 1P (Cki )
∑ω2Cki
X (ω)P (ω)
1AP (Cki )
=1
P (Bk )
q
∑i=1
∑ω2Cki
X (ω)P (ω)
=1
P (Bk )∑
ω2BkX (ω)P (ω)
=m
∑j=1
IBj (ω)
P (Bj )∑
ω2BjX (ω)P (ω)
= EP [X jG1 ] (ω) .
Ainsi, 8ω 2 Ω, EPEP [X jG2 ] jG1
(ω) = EP [X jG1 ] (ω).
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelleDémonstration de EC4
À montrer. EP [X jf?,Ωg ] = EP [X ].
Comme f?,Ωg est une tribu engendrée par Ω, alors enappliquant la dénition despérance conditionnelle de X parrapport à cette tribu, nous obtenons 8ω 2 Ω,
EP [X jf?,Ωg ] (ω) =1
∑j=1
IΩ (ω)
P (Ω) ∑ω2Ω
X (ω)P (ω)
= ∑ω2Ω
X (ω)P (ω)
= EP [X ] .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelleDémonstration de EC5
À montrer. EPEP [X jG ]
= EP [X ].
Il su¢ t dappliquer la propriété (EC3) avec G2 = G etG1 = f?,Ωg.
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IDémonstration de EC6
À montrer. Si Y est Gmesurable alorsEP [XY jG ] = YEP [X jG ] .
Comme Y est Gmesurable, alors elle est constante sur lesatomes de G. Posons donc
yj = Y (ω) , 8ω 2 Aj , 8j 2 f1, ..., ng .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIDémonstration de EC6
Maintenant, soit ω 2 Ak .
EP [XY jG ] (ω) =n
∑j=1
IAj (ω)
P (Aj )∑
ω2AjX (ω)Y (ω)P (ω)
=IAk (ω)
P (Ak )∑
ω2AkX (ω)Y (ω)P (ω)
=1
P (Ak )∑
ω2AkX (ω) ykP (ω)
=yk
P (Ak )∑
ω2AkX (ω)P (ω)
= ykEP [X jG ] (ω)= Y (ω)EP [X jG ] (ω) .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIIDémonstration de EC6
Puisque ω était choisi de façon arbitraire, nous avons que
8ω 2 Ω, EP [XY jG ] (ω) = Y (ω)EP [X jG ] (ω) .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IDémonstration de EC7
À montrer. Si X et Y sont indépendantes alorsEP [X jσ (Y ) ] = EP [X ] .
Soient PX = fA1, ...,Ang et PY = fB1, ...,Bmg, les partitionsnies qui engendrent, respectivement, σ (X ) et σ (Y ). PuisqueX et Y sont indépendantes, nous avons que
8i 2 f1, ..., ng et 8j 2 f1, ...,mg , P (Ai \ Bj ) = P (Ai )P (Bj ) .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIDémonstration de EC7
Posons xi = X (ω) 8ω 2 Ai , 8i 2 f1, ..., ng. Alors
EP [X jσ (Y ) ] =m
∑j=1
IBj
P (Bj )∑
ω2BjX (ω)P (ω)
=m
∑j=1
IBj
P (Bj )
n
∑i=1
∑ω2Ai\Bj
X (ω)P (ω)
=m
∑j=1
IBj
P (Bj )
n
∑i=1
∑ω2Ai\Bj
xiP (ω)
=m
∑j=1
IBj
P (Bj )
n
∑i=1xi ∑
ω2Ai\BjP (ω)| z
=P(Ai\Bj )=P(Ai )P(Bj )
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IIIDémonstration de EC7
=m
∑j=1
IBj
n
∑i=1xiP (Ai )
=m
∑j=1
IBjEP [X ]
= EP [X ]m
∑j=1
IBj
= EP [X ] IΩ
= EP [X ] .
Espérance
Indépendance
Probabilitéconditionnelle
Espérance
Moments
EspéranceconditionnelleDénitionExemplePropriétés
Espérance conditionnelle IDémonstration de EC8
À montrer. 8a, b 2 R,EP [aX + bY jG ] = aEP [X jG ] + bEP [Y jG ]
EP [aX + bY jG ]
=n
∑j=1
IAj
P (Aj )∑
ω2Aj(aX (ω) + bY (ω))P (ω)
= an
∑j=1
IAj
P (Aj )∑
ω2AjX (ω)P (ω)
+bn
∑j=1
IAj
P (Aj )∑
ω2AjY (ω)P (ω)
= aEP [X jG ] + bEP [Y jG ] .
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Annexe
Annexe
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelleIntroduction
Soit (Ω,F ,P), un espace probabilisé tel queCard(Ω) < ∞.Pour tout événement A 2 F ayant une probabilitépositive, P(A) > 0, il est possible de dénir une nouvellemesure de probabilité qui est nommée probabilitéconditionnelle étant donné A.
Soyons plus précis :
DenitionSoit
FA fF \ A : F 2 Fg .FA est une collection dévénements.
Dans les faits, à chaque événement F de la tribu F , nousenlevons les éléments qui nappartiennent pas à lévénement A.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelleExemple
Exemple. Ω =n1 , 2 , 3 , 4 , 5 , 6
oF =
n?,n1 , 3 , 5
o,n2 , 4 , 6
o,Ωo.
et A =n1 , 2 , 3
o, cest-à-dire que je vous annonce que le
résultat du lancer du dé est inférieur à 4. Alors
FA =n?,n1 , 3
o,n2o,n1 , 2 , 3
oo.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelle ITribu
TheoremThéorème. FA est une tribu de A.
Preuve du théorème.
(T1) A 2 FA puisque Ω 2 F ) A = Ω \ A 2 FA.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelle IITribu
(T2) Soit B 2 FA. Nous voulons montrer que Bc 2 FA.Attention, nous travaillons présentement sur lensemblefondamental A donc Bc = A n (B \ A).
F
Ω
F'
B'
B
A
Puisque B 2 FA alors 9F 2 F tel que B = F \ A. Maiscomme Bc = F c \ A alors F c 2 F implique queBc = F c \ A 2 FA.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelle IIITribu
(T3) Soit B1,B2, ... 2 FA. Nous voulons montrer queSn1 Bn 2 FA.Pour tout n, Bn 2 FA implique lexistence de Fn 2 F telque Bn = Fn \ A. Or, comme
Sn1 Fn 2 F , alors
[n1
Bn =[n1
(Fn \ A) = [n1
Fn
!\ A 2 FA.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelle IProbabilité
DenitionDénition. Sur lespace probabilisable (A,FA), nousdénissons une fonction
P : FA ! [0, 1]
B 7! P (B \ A)P (A)
.
TheoremThéorème. P est une mesure de probabilité sur (A,FA).
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelle IIProbabilité
Preuve du théorème.
(P1)
P (A) =P (A\ A)
P (A)=
P (A)P (A)
= 1.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelle IIIProbabilité
(P2)
Dune part,
8B 2 FA, P (B) =P (B \ A)
P (A) 0.
Dautre part, puisque 8B 2 FA, A = (B \ A) [ (Bc \ A)(A peut être représenté comme lunion de deuxévénements disjoints) et que P est une mesure deprobabilité sur (Ω,F ), alors
P (A) = P (B \ A) +P (Bc \ A)) P (B \ A) = P (A)P (Bc \ A) .
Ainsi,
P (B) =P (B \ A)
P (A)=
P (A)P (Bc \ A)P (A)
= 1 P (Bc \ A)P (A)
1.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Probabilité conditionnelle IVProbabilité
(P3) Si B1, ...,Bn 2 FA sont des événements de Amutuellement disjoints, alors
P
n[i=1
Bi
!=
P ((Sni=1 Bi ) \ A)P (A)
=P (Sni=1 (Bi \ A))P (A)
=n
∑i=1
P (Bi \ A)P (A)
(car P est une mesure de probabilité)
=n
∑i=1
P (Bi ) .
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Annexe ICoe¢ cient de dissymétrie
Outre la variance, deux autres moments centrés sont beaucouputilisés en modélisation: les coe¢ cients de dissymétrie etdaplatissement.
DenitionDénition. Le coe¢ cient de dissymétrie dune variablealéatoire X construite sur lespace probabilisé (Ω,F ,P) estlespérance de la variable aléatoire0@X EP [X ]q
VarP [X ]
1A3
.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Annexe IICoe¢ cient de dissymétrie
Lutilité de ce coe¢ cient est quil est nul si et seulement sila fonction de masse (fonction de densité, dans le cas desvariables continues) de la variable aléatoire est symétrique.Par exemples, la loi binomiale
n, 12
et la loi normale sont
symétriques.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Annexe ICoe¢ cient daplatissement
DenitionDénition. Le coe¢ cient daplatissement dune variablealéatoire X construite sur lespace probabilisé (Ω,F ,P) estlespérance de la variable aléatoire0@X EP [X ]q
VarP [X ]
1A4
3.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Annexe IICoe¢ cient daplatissement
Le coe¢ cient dapplatissement mesure la « lourdeur» desqueues dune distribution, cest-à-dire la probabilitédobserver des valeurs extrêmes. Pourquoisoustrayons-nous 3? La raison est que pour toute variablealéatoire X de distribution normale de moyenne µ etdécart-type σ,
EP
240@X EP [X ]qVarP [X ]
1A435 = 3.
Espérance
AnnexeProbabilitéCoe¢ cient dedissymétrieCoe¢ cientdaplatissement
Annexe IIICoe¢ cient daplatissement
Donc, si le coe¢ cient daplatissement est négatif, cestque la probabilité dobserver des valeurs extrêmes est pluspetite que dans le cas dune distribution normale demêmes espérance et variance tandis que si le coe¢ cientdaplatissement est positif, alors lobservation de valeursextrêmes est plus grande que si nous observions unevariable aléatoire de distribution normale.