Master Mécanique, parcours MFS et MAREENE Formation : M2 Numerical Methods for UQ Transformation of random variables and random vectors Problème 1— Transformations de variables aléatoires Soit X une variable aléatoire à valeur dans R de loi PX admettant une densité pX . Soit Y une variable aléatoire définie par Y = f (X) où f : R 7→ R est une fonction bijective. PY admet une densité pY qui s’exprime pY (y) = pX (x) pX (f −1 (y)) = ′ ′ −1 |f (f (y))| |f (x)| x=f −1 (y) Remarque – Si f n’est pas bijective mais est telle que pour y donné, l’équation y = f (x) admette un ensemble de solutions {xi }i∈I , où I est un ensemble au plus dénombrable, et que f ′ (xi ) ̸= 0, alors ∑ pX (xi ) pY (y) = |f ′ (xi )| i∈I Q1 – Soit X une variable aléatoire de loi uniforme sur [0, 1]. Déterminer la fonction de répartition et la densité de probabilité (si elle existe) de la variable aléatoire X définie par (a) Y = (2X − 1)2 1 (b) Y = 1+X Q2 – Déterminer pour chacun des cas précédents l’espérance et la variance de Y . Problème 2— Transformation linéaire de variables aléatoires Transformation de vecteur aléatoire Soit X un vecteur aléatoire à valeur dans Rn , de loi PX admettant une densité pX . Soit Y un vecteur aléatoire à valeur dans Rn défini par Y = f (X) où f : Rn 7→ Rn est une fonction bijective. Pour y donné et x tel que y = f (x), si on suppose que f admet en x une différentielle inversible, on montre que la loi PY admet une densité définie par pY (y) = pX (x) |det(∇f (x))| x=f −1 (y) (1) ∂fi où (∇f )ij = ∂x désigne la matrice gradient de la transformation f . det(∇f (x)) est donc le j jacobien de la transformation en x. Remarque – Si f n’est pas bijective mais est telle que pour y donné, l’équation y = f (x) admette un ensemble de solution {xi }i∈I , où I est un ensemble au plus dénombrable, et que de plus la différentielle de f soit inversible en tout point xi , alors pY (y) = ∑ i∈I pX (xi ) |det(∇f (xi ))| On considère un vecteur aléatoire X de dimension n et de densité de probabilité pX (x). 1 Master Mécanique, parcours MFS et MAREENE Formation : M2 Q1 – Déterminer la densité de probabilité du vecteur aléatoire Y = AX + b où A ∈ Rn×n est une matrice inversible et b ∈ Rn . Q2 – Exprimer la moyenne µY et la matrice de covariance CY de Y en fonctions de la moyenne µX et la matrice de covariance CX de X. Q3 – En considérant que X est un vecteur gaussien, déterminer A et b de telle sorte que Y soit un vecteur gaussien centré réduit à composantes indépendantes. Problème 3— Somme, produit et quotient de variables aléatoires On considère deux variables aléatoires X1 et X2 de densité de probabilité jointe pX1 X2 . Q1 – Donner la densité de probabilité de Y = X1 + X2 . Montrer que dans le cas où X1 et X2 sont indépendantes, la densité de Y s’obtient par un produit de convolution des densités de X1 et X2 : pY (y) = (pX1 ∗ pX2 )(y) Q2 – Exprimer la densité de probabilité de Y = X1 X2 Q3 – Exprimer la densité de probabilité de Y = X1 /X2 Problème 4— Transformation de Rosenblatt Soit X un vecteur aléatoire de dimension n. On définit la transformation de Roseblatt Y = f (X) de la manière suivante : y1 = Φ−1 ◦ FX1 (x1 ) y2 = Φ−1 ◦ FX2 |X1 (x2 |x1 ) ... yn = Φ−1 ◦ FXn |X1 ,...Xn−1 (xn |x1 , . . . , xn−1 ) où Φ est la fonction de distribution gaussienne centrée réduite. Q1 – Montrer que le vecteur Y est gaussien centré réduit et à composantes indépendantes. 2