Aléatoire – MAP 361 Ecole Polytechnique Salle PC 41

Lundi 20 mai 2019 Sébastien Gadat

PC 5 – Calcul de lois & Vecteurs gaussiens

Exercice 1. Soient X et Y deux variables aléatoires indépendantes gaussiennes centrées

réduites.  
1. Déterminer la loi de X+Y
√ , X−Y
2
√
2
.
2. Déterminer la loi de X/Y .
x2 +y 2
1 − 2
Solution. Comme X et Y sont indépendantes, la loi de (X, Y ) a une densité 2π e sur R2 .
Soit g : R2 →  une fonction
h R i continue bornée. On applique la méthode de la fonction muette en
X+Y X−Y
calculant E g √
2
, 2
√ :
    
X +Y X −Y x+y x−y
Z
1 x2 +y 2
E g √ , √ = g √ , √ e− 2 dx dy.
2 2 2π R2 2 2

Or (x, y) ∈ R×R 7→ ( x+y

√ , x−y
2
√ ) ∈ R×R est un C 1 -difféormorphisme de jacobien 1. Le changement
2
x+y
de variable u = √
2
et v = x−y
√ donne x = u+v
2
√ et y = u−v
2
√ , de sorte que :
2
  
X +Y X −Y
Z
1 (u+v)2 +(u−v)2
E g √ , √ = g (u, v) e− 4 du dv
2 2 2π R2
Z
1 u2 +v 2
= g (u, v) e− 2 du dv.
2π R2
2 +v 2
1 −u
√ , X−Y
On en déduit que ( X+Y
2
√ ) est à densité, de densité donnée par (u, v) 7→
2 2π e
2 . Ainsi,
( X+Y
√
2
, X−Y
√) a la même loi qu’un couple de deux variables aléatoires gaussiennes centrées réduites
2
indépendantes.
x2 +y 2
1 − 2
Comme X et Y sont indépendantes, la loi de (X, Y ) a une densité 2π e sur R2 . Soit
g : R → R une fonction continue bornée. On applique la méthode de la fonction muette en
calculant E [g(X/Y )] :
   Z  
X 1 x − x2 +y2
E g = g e 2 dx dy.
Y 2π R2 y
Or (x, y) ∈ R × R∗ 7→ (x/y, y) ∈ R × R∗ est un C 1 -difféormorphisme de jacobien y −1 . En faisant
le changement de variable u = x/y et v = y, de sorte que x = uv et y = v, on a
Z   Z   2 2
x − x2 +y2 x − y ( x +1)
g e 2 dx dy = g |y| e 2 y2 |y|−1 dx dy
R2 y R2 y
Z
v2 2
= g (u) |v| e− 2 (u +1) du dv
2
ZR Z 
v2 2
= g(u) |v| e− 2 (u +1) dv du
R R
Z
1
= 2 g(u) 2 du.
R u +1

1
Donc    Z
X 1 1
E g = g(u) 2 du,
Y π R u +1
ce qui signifie que la loi de X/Y est la loi de Cauchy, c’est-à-dire la loi de densité (π(1 + x2 ))−1
par rapport à la mesure de Lebesgue.

Exercice 2. (Pale 2013) Soient X et Y deux variables aléatoires indépendantes

√ √ de lois respec-
tives Γ(α, λ) et Γ(α + 1/2, λ), avec α > 0 et λ > 0. On pose (V, W ) = ( XY , Y ). Déterminer
la loi de (V, W ).
On rappelle que la densité de la loi Γ(a, λ) est
Z ∞
1 a a−1 −λx
λ x e 1x>0 , avec Γ(a) = z a−1 e−z dz.
Γ(a) 0

Solution. Comme X et Y sont indépendantes, la loi de (X, Y ) a pour densité (x, y) → 7

fX (x)fY (y), où fX et fY désignent les densités de X et Y . On utilise alors la méthode de
la fonction muette :
h √ √ i
E [h(V, W )] = E h( XY , Y )
√ √
Z
= h( xy, y)f(X,Y ) (x, y)dxdy
2
ZR
√ √
= h( xy, y)fX (x)fY (y)dxdy
R2
λ2α+1/2 √ √
Z
dxdy
= h( xy, y)(xy)α−1/2 e−λ(x+y) √ .
Γ(α)Γ(α + 1/2) ]0,∞[2 x
√ √
On considère le changement de variable v = xy, w = y qui est un C 1 difféomorphisme de
]0, ∞[2 dans lui-même. Le calcul du déterminant de la matrice jacobienne donne

dxdy
dvdw = √ .
4 x

Ainsi, avec y = w2 et x = v 2 /w2 ,

4λ2α+1/2
Z
2 + v2 )
E [h(V, W )] = h(v, w)v 2α−1 e−λ(w w2 dvdw.
Γ(α)Γ(α + 1/2) ]0,∞[2

Ainsi, (V, W ) est à densité et sa densité est donnée par

4λ2α+1/2 2 v2
f(V,W ) (v, w) = v 2α−1 e−λ(w + w2 ) 1v>0,w>0 .
Γ(α)Γ(α + 1/2)

Exercice 3. 1. Soit (X, Y ) un couple de variables indépendantes de lois respectives Γ(a, λ)

et Γ(b, λ). Déterminer la loi jointe du vecteur aléatoire (U, V ) où U = X/Y et V = X +Y .
2. Soient Z et S des variables indépendantes de lois respectives N (0, 1) et χ2n . On appelle
loi de Student à n degrés de liberté la loi de la variable T = √Z . Montrer que la densité
S/n
de T est donnée sur R par
− n+1
Γ n+1


2 t2 2
t 7→ √ 1 + .
nπΓ n2


n

2
Solution. 1. D’après le cours, V suit la loi Gamma Γ(a+b, λ). En revanche, pour déterminer
la densité jointe de (U, V ) on utilisera la méthode de la fonction muette. Soit h : R2 → R2
une fonction continue, bornée. Notons que par indépendance f(X,Y ) = fX fY . On a
Z  
x
E [h(U, V )] = h , x + y f(X,Y ) (x, y)d(x, y)
R2 y
λa+b
Z  
x
= h , x + y xa−1 y b−1 e−λ(x+y) d(x, y).
Γ(a)Γ(b) R2+ y

Faisons le changement
  de variables (u, v) = φ(x, y) := (x/y, x + y). La réciproque est
φ−1 (u, v) = 1+u , 1+u . Le Jacobien J de φ−1 (u, v) vaut
uv v

!
v u
(1+u)2 1+u v uv v
J = det v 1 = + = .
− (1+u) 2 1+u (1 + u)3 (1 + u)3 (1 + u)2

On en déduit que

uv a−1
b−1
λa+b
  
|v|
Z
v
E [h(U, V )] = h(u, v) e−λv 1 uv v d(u, v)
Γ(a)Γ(b) R2 1+u 1+u (1 + u)2 { 1+u >0, 1+u >0}
λa+b a+b−1 −λv ua−1
Z
Γ(a + b)
= h(u, v) v e 1v>0 1u>0 d(u, v).
R2 Γ(a + b) Γ(a)Γ(b) (1 + u)a+b
| {z }| {z }
=fV (v) =fU (u)

On observe que V suit bien la loi Gamma Γ(a+b, λ). La loi de U est dite loi beta prime de
paramètres a et b. En plus, U et V sont indépendantes, car la densité jointe se factorise.
2. Soit h : R → R une fonction continue, bornée. On a
Z r 
n
E [h(T )] = h z fZ (z)fS (s)d(z, s)
R2 s
Z Z r 
n 1 z2 1 n s
= h z √ e− 2 n n

s 2 −1 e− 2 dzds.
R+ R s 2π 22Γ 2

Par le changement de variable t = ns z avec dz = ns dt, on obtient

p p

Z Z r
1 − st
2 n
−1 − 2s s
E [h(T )] = n+1
√ h(t)e 2n s 2 e dtds
2 2 Γ 2 n
π R+ R n
s t2
Z Z   
1 n+1
−1
= n+1
√ h(t) s 2 exp − +1 dsdt
2 2 Γ n2 nπ R R+ 2 n
| {z }
t2
  
n+1 1
= densité de la loi Γ 2
,2 n
+1 à une constante près
− n+1
Γ n+1

Z  2
2 t 2
= √ h(t) + 1 dt.
Γ n2


nπ R n

Γ( n+1
− n+1
2 )

t2 2
On trouve bien que T a la densité √
nπΓ( n
1+ n .
2)

Exercice 4. Soit X = (X1 , X2 , X3 ) un vecteur gaussien centré de matrice de covariance

 
3 1 0
Γ= 1  2 0
0 0 1

3
 1. Que peut-on dire de X3 et de (X1 , X2 ) ?
2. Quelle est la loi de (X1 , X2 ) ?
3. Montrer que pour tout a ∈ R le vecteur (X2 , X2 + aX1 ) est un vecteur gaussien.
4. En choisissant a de sorte que X2 et X2 + aX1 soient indépendants, calculer E[X1 |X2 ].
Solution. 1. On voit que pour i = 1 et i = 2 on a Cov(X3 Xi ) = 0. Donc X3 est indépendant
du vecteur gaussien (X1 , X2 ).
2. On va montrer
 que (X1 , X2 ) est un vecteur gaussien centré, de matrice de covariance
3 1
Γ12 = . On calcul la densité de (X1 , X2 ) par la formule
1 2
Z
1 1 −1
f(X1 ,X2 ) (x1 , x2 ) = p e− 2 (xΓ x) dx3
3/2 |Γ12 |
R (2π)
Z
1 1 1 −1
= p √ e− 2 (xΓ x) dx3 ,
2π |Γ12 | R 2π
 −1 
Γ12 0
puisque |Γ| = |Γ12 |. On a de plus Γ−1 = donc
0 1
Z
1 − 12 ((x1 ,x2 )Γ−1 (x1 ,x2 )t ) 1 1 2
f(X1 ,X2 ) (x1 , x2 ) = p e 12 √ e− 2 |x3 | dx3
2π |Γ12 | R 2π
1 1 −1 t
= p e− 2 ((x1 ,x2 )Γ12 (x1 ,x2 ) ) .
2π |Γ12 |
 
0 1
3. On a (X2 , X2 + aX1 )t = A(X1 , X2 )t avec A = . Donc (X2 , X2 + aX1 ) est un
a 1
vecteur gaussien centré de matrice AΓ12 At .
4. Comme le vecteur (X2 , X2 +aX1 ) est gaussien (centré), X2 et X2 +aX1 sont indépendants
si et seulement si Cov(X2 , X2 + aX1 ) = 0. Or

Cov(X2 , X2 + aX1 ) = Var(X2 ) + aCov(X2 , X1 ) = 2 + a.

En prenant a = −2, on en déduit que X2 − 2X1 et X2 sont indépendants.

Pour calculer E [X1 |X2 ], l’idée est de choisir α, β pour avoir X1 = α(X2 − 2X1 ) + βX2 :
en écrivant X1 = − 21 (X2 − 2X1 ) + 21 X2 , on obtient donc :
 
1 1 1 1 1
E [X1 |X2 ] = − E [X2 − 2X1 |X2 ] + E X2 |X2 = − E [X2 − 2X1 ] + X2 = X2 .
2 2 2 2 2

Exercice 5. Soient X, Y, Z trois variables aléatoires indépendantes, de même loi N (0, 1). Mon-
trer que la variable aléatoire (X − Y )2 + (X − Z)2 + (Y − Z)2 est indépendante de la variable
aléatoire X + Y + Z.
Solution. Comme X, Y, Z sont i.i.d. de loi normale standard, le vecteur (X, Y, Z) est gaussien
centrée de matrice de variance l’identité (produit des densités). On a (X, Y, Z) ∼ N3 (0, I3 ).
Considérons le vecteur
   
X −Y   1 −1 0
 X −Z  X 1 0 −1
V :=   = A Y  , avec A = 0 1 −1 .
 
 Y −Z 
Z
X +Y +Z 1 2 3

4
Donc, V est vecteur gaussien en tant que transformation linéaire d’un vecteur gaussien. Sa
matrice de variance-covariance est donnée par
 
     2 1 −1 0
X X  1 2 1 0
Var(U) = Var A  Y  = AVar  Y  AT = AAT =  −1 1 2 0 .

Z Z
0 0 0 3
 
X −Y
Les covariances nulles implique l’indépendance du sous-vecteur W := X − Z  de la variable
Y −Z
2 2 2 2
X + Y + Z. Or, (X − Y ) + (X − Z) + (Y − Z) = kWk est fonction mesurable de W, donc
l’indépendance de X + Y + Z est préservée.
Exercice 6 (Théorème de Cochran). Soit Z un vecteur gaussien de Rn d’espérance nulle et de
matrice de covariance In où In est la matrice identité de dimension n. Supposons que Rn s’écrit
comme la somme directe de J sous-espaces vectoriels orthogonaux V1 , · · · , VJ de dimensions
respectives p1 , · · · , pJ . On désigne par ΠVj la matrice de projection orthogonale sur Vj .
1. Montrer que ΠV1 Z, · · · , ΠVk Z sont des vecteurs aléatoires indépendants. Déterminer leurs
lois.
2. Montrer que kΠVj Zk2 suit la loi χ2 (pj ) pour tout 1 ≤ j ≤ J.
3. Application. Soient Xi , i = 1, . . . , n des variables aléatoires indépendantes
P de loi normale
N (µ, σ) avec µ ∈ R et σ > 0. On pose X̄ = n1 ni=1 Xi et Sn2 = n1 ni=1 (Xi − X̄n )2 .
P
Déterminer la loi jointe du vecteur aléatoire (X̄n , Sn2 ).
Solution. 1. Formons d’abord une grande matrice A avec toutes les matrices de projec-
tions :
 
ΠV1
 ΠV 
 2
A =  . .
 .. 
ΠV1
 
Π V1 Z
Puisque Z est un vecteur gaussien,  · · ·  = AZ l’est aussi comme transformation
ΠVJ Z
affine d’un vecteur gaussien. Sa moyenne est E [AZ] = AE [Z] = 0 et sa matrice de
variance-covariance est Var(AZ) = AVar(Z)AT = AAT .
Rappel sur les projecteurs orthogonaux : on a pour tout j, ΠVj = ΠTVj (symétrie) et
Π2Vj = ΠVj , et par orthogonalité des sous-espaces vectoriels Vj on a ΠVj ΠVl = 0 pour tout
j 6= l.
Donc, la matrice de variance-covariance de AZ est diagonale par block :
 
ΠV1 0 ··· 0
.. 
 0 ΠV2 . . .

. 
Var(AZ) =  .
.
.
 . . . .


0 · · · · · · ΠVk

La structure de la matrice Var(AZ) implique que les sous-vecteurs ΠVj Z sont des vecteurs
gaussiens indépendants. Et ΠVj Z est de moyenne nulle et Var(ΠVj Z) = ΠVj pour tout j.
Donc, ΠVj Z ∼ Npj (0, ΠVj ).

5
 2. Comme ΠVj est symétrique, il existe une matrice Γ orthogonale telle que ΠVj = ΓΛΓT ,
où Λ = Diag(λ1 , . . . , λp ) est la matrice diagonale des valeurs propres de ΠVj . Alors,

k
X
kΠVj Zk2 = Z T ΠTVj ΠVj Z = Z T ΠVj Z = (Z T Γ)Λ(ΓT Z) = U T ΛU = λi Ui2 ,
i=1

où U = ΓT Z = (U1 , . . . , Un )T . En utilisant l’orthogonalité de Γ, on vérifie que U est un

vecteur normal de loi Nk (0, Ik ). En effet,

E [U ] = ΓT E [Z] = 0 et Var(U ) = ΓT Var(Z)Γ = ΓT Γ = Ik .

Or, ΠVj est un projecteur orthogonal, donc λj ∈ {0, 1} et Card{j : λj = 1} =

Rang(ΠVj ) = pj . Donc,
X
kΠVj Zk2 = Ui2 ∼ χ2pj .
i:λi =1

3. Le vecteur aléatoire X = (X1 , . . . , Xn )T est de loi normale de moyenne (µ, . . . , µ)T et

de matrice de variance σ 2 In . Posons Z = X−µ σ . Alors Z est un vecteur gaussien centré
de variance
  n I . Notons V 1 = Vect(1 n ) le sous-espace vectoriel engendré par le vecteur
1
 .. 
1n =  .  ∈ Rn . La projection orthogonale ΠV1 Z de Z sur V1 est donnée par
1

1 1 1
h √ 1n , Zi √ 1n = 1Tn Z1n = Z̄n 1n ,
n n n

où Z̄n = X̄n − µ. On en déduit que la projection orthogonale de Z sur V2 = V1⊥ est
donnée par Z − ΠV1 Z = Z − Z̄n 1n . Par le théorème de Cochran, Z̄n 1n et Z − Z̄n 1n sont
2
des vecteurs gaussiens indépendants. De plus, kZ − Z̄n 1n k2 = nS σ2
n
suit la loi de khi-deux
dont le nombre de degrés de liberté est dim(V2 ) = n− dim(V1 ) = n − 1. On en déduit
2
l’indépendance de X̄n et Sn2 avec X̄n ∼ N (µ, σ 2 ) et nS
σ2
n
∼ χ2n−1 .

Exercice 7 (Tomber dans le cercle). Soit X, Y, Z trois vecteurs aléatoires indépendants à valeurs
dans R2 de loi gaussienne standard. Montrer que la probabilité que Z tombe dans le cercle de
diamètre Y − X qui passe par X et Y vaut 1/4.

Solution. L’événement considéré se produit si et seulement si

Z − (X + Y ) 1
≤ kX − Y k,
2 2

en notant k · k la norme euclidienne standard sur R2 . En élevant au carré et en développant, on

trouve la condition

(X1 + Y1 ) 2 (X2 + Y2 ) 2 X1 − Y1 2 X2 − Y2 2
       
Z1 − + Z2 − ≤ + .
2 2 2 2

Posons U1 = Z1 − (X1 +Y
2
1)
, U2 = Z2 − (X2 +Y2
2)
, U3 = X1 −Y
2
1
et U4 = X2 −Y
2
2
et déterminons la
loi du vecteur U = (U1 , U2 , U3 , U4 ). Tout d’abord U est un vecteur Gaussien. En effet, on peut

6
écrire U = AV , où V = (X1 , X2 , Y1 , Y2 , Z1 , Z2 ) est un vecteur Gaussien standard sur R6 et A
une matrice de taille 4 × 6 donnée par
 1
− 2 0 − 12

0 1 0
 0 −1 0 − 21 0 1
A= 2 .
 1 0 − 12 0 0 0
2
1
0 2 0 − 12 0 0

On a E [U ] = AE [V ] = 0 et pour la matrice de variance

3 
2 0 0 0
0 3
0 0
Var(U ) = AVar(V )AT = AAT = 
0
2
1
.
0 2 0
1
0 0 0 2

La structure diagonale de Var(U ) implique que les composantes du vecteur U sont indépendantes.
Par ailleurs, U1 et U2 sont de loi normale N (0, 32 ) et U3 et U4 sont de loi normale N (0, 21 ).
Pour résumer, on a
p p √ √
U1 = 3/2ε1 , U2 = 3/2ε2 , U3 = (1/ 2)ε3 , U4 = (1/ 2)ε4 ,

avec (ε1 , ε2 , ε3 , ε4 ) un vecteur gaussien standard de R4 . La probabilité p recherchée vaut donc

 
(X + Y ) 1
≤ kX − Y k = P 3(ε21 + ε22 ) ≤ ε23 + ε24 .


p := P Z −
2 2

Par la définition de la loi du khi-deux, les variables alétaoires R12 := ε21 + ε22 et R22 := ε23 + ε24
suivent la loi χ22 = Γ( 22 , 21 ) = Exp( 21 ). Par conséquent,
Z +∞ Z +∞ Z +∞
1 1 1
p= 13r1 ≤r2 e−r1 /2 e−r2 /2 dr1 dr2 = e−2r1 dr1 = .
4 0 0 2 0 4