Outils pour utilisateurs

Outils du site


math:2:covariance

Covariance

Définition

Soit $(X,Y)$ un couple de variables aléatoires définies sur un espace probabilisé $(\Omega,\mathcal{A},\mathbb{P})$ admettant chacune une espérance.

  • On appelle covariance des deux variables aléatoires l'espérance, si elle existe, de la variable aléatoire $(X-\mathbb{E}(X))(Y-\mathbb{E}(Y))$. Notation :
    $$\mathrm{Cov}(X,Y)=\mathbb{E}\big((X-\mathbb{E}(X))(Y-\mathbb{E}(Y))\big)$$
  • Ces deux variables aléatoires sont dites non corrélées si et seulement si $\mathrm{Cov}(X,Y)=0$.

Exemple

Soit $(X,Y)$ un couple de variables aléatoires de Bernoulli. Montrer que :
$$\ds\mathrm{Cov}(X,Y)=\mathbb{P}([X=1]\cap[Y=1])-\mathbb{P}(X=1)\mathbb{P}(Y=1)$$

Théorème : Propriétés de la covariance

  • Symétrie. Pour tout couple $(X,Y)$ de variables aléatoires discrètes admettant une covariance, on a :
    $$\mathrm{Cov}(Y,X)=\mathrm{Cov}(X,Y)$$
  • Bilinéarité. Pour tout famille $(X_{1},X_{2},Y_{1},Y_{2})$ de variables aléatoires discrètes telle que toutes les couples $(X_{i},Y_{j})$ admettent une covariance et toute famille $(\alpha_{1},\alpha_{2},\beta_{1},\beta_{2})$ de réels, le couple $\left(\alpha_{1}X_{1}+\alpha_{2}X_{2},\beta_{1}Y_{1}+\beta_{2}Y_{2}\right)$ admet une covariance et on a : $$\ds\mathrm{Cov}\left(\alpha_{1}X_{1}+\alpha_{2}X_{2},\beta_{1}Y_{1}+\beta_{2}Y_{2}\right)=\sum_{i=1}^{2}{\sum_{j=1}^{2}{\alpha_{i}\beta_{j}\mathrm{Cov}(X_{i},Y_{j})}}$$
  • Positivité. Pour toute variable aléatoire discrète $X$ admettant une variance, on a : $$\ds\mathrm{Cov}(X,X)=\mathbb{V}(X)\geqslant0$$

Exemple

Soit $(X,Y)$ un couple de variables aléatoires discrètes finies admettant la même variance. Montrer que les variables aléatoires $X+Y$ et $X-Y$ sont non corrélées.

Théorème : Formule de Huygens

Soit $(X,Y)$ un couple de variables aléatoires définies sur un espace probabilisé $(\Omega,\mathcal{A},\mathbb{P})$ admettant chacune une variance. Alors $(X,Y)$ admet une covariance et on a :
$$\ds\mathrm{Cov}(X,Y)=\mathbb{E}(XY)-\mathbb{E}(X)\mathbb{E}(Y)$$

Théorème

Si deux variables aléatoires sont indépendantes et admettent chacune une variance alors elles sont non corrélées (la réciproque est fausse).

Exemple classique et contre-exemple

  1. Montrer que deux variables aléatoires de Bernoulli sont indépendantes si et seulement si elles sont non corrélées.
  2. Soit $X$ une variable aléatoire discrète à valeurs strictement positives admettant un moment d'ordre 2 et soit $Y\hookrightarrow\mathcal{U}\left(\left\{ -1,1\right\} \right)$ indépendante de $X$. Montrer que $X$ et $XY$ sont non corrélées et qu'elles ne sont pas indépendantes.

Théorème : Inégalité de Cauchy-Schwarz

Pour tout couple $(X,Y)$ de variables aléatoires discrètes admettant chacune une variance, on a : $$\ds\mathrm{Cov}(X,Y)^{2}\leqslant\mathbb{V}(X)\mathbb{V}(Y)$$ $$\ds|\mathrm{Cov}(X,Y)|\leqslant\sigma(X)\sigma(Y)$$ De plus, lorsque $\mathbb{V}(X)\ne0$, cette inégalité est une égalité si et seulement si : $$\ds\exists(a,b)\in\R^{2}\;/\;\mathbb{P}(Y=aX+b)=1$$

Définition

Lorsque $X$ et $Y$ admettent une variance non nulle, on appelle coefficient de corrélation de ces deux variables aléatoires le réel : $$\rho(X,Y)=\dfrac{\mathrm{Cov}(X,Y)}{\sigma(X)\sigma(Y)}$$

Remarque

D'après l'inégalité de Cauchy-Schwarz, on a : $\left|\rho(X,Y)\right|\leqslant1$.

Théorème : Lien avec la variance

Soit $(X,Y)$ un couple de variables aléatoires discrètes admettant chacune une variance.

  • La variable aléatoire $X+Y$ admet une variance et on a : $$\mathbb{V}(X+Y)=\mathbb{V}(X)+\mathbb{V}(Y)+2\mathrm{Cov}(X,Y)$$
  • Dans le cas où $X$ et $Y$ sont indépendantes, on a : $$\mathbb{V}(X+Y)=\mathbb{V}(X)+\mathbb{V}(Y)$$

Exemple

Une urne contient $r$ boules rouges, $v$ boules vertes et $b$ boules bleues. On tire $n$ boules dans l'urne ($n\leqslant r+v+b$). On note $R$ (resp. $V$, $B$) la variable aléatoire égale au nombre de boules rouges (resp. vertes, bleues) tirées.

  1. Les tirages sont supposés successifs et avec remise. Reconnaître les lois de $R$, $V$, $B$ puis calculer $\mathrm{Cov}(R,V)$.
  2. Les tirages sont simultanés. Déterminer les lois de $R$, $V$, $B$ puis calculer $\mathrm{Cov}(R,V)$.
math/2/covariance.txt · Dernière modification: 2020/05/25 10:41 par Alain Guichet