Vecteur aléatoire

1 Généralités

1.1 Couples de variables aléatoires

Dénition 1.1 Soient X et Y deux variables aléatoires (discrètes ou continues) dénies

sur le même espace probabilisé (Ω, P(Ω), P). L'application
(X, Y ) : Ω −→ R2
w 7−→ (X(w), Y (w))
est appelée couple aléatoire.
Exemple 1.1 Un sac contient 4 boules numérotées de 1 à 4. On tire deux boules avec
remise.
On note X1 le numéro de la première boule, X2 le numéro de la deuxième boule et Y le
plus grand des deux numéros obtenus.

1.2 Fonction de répartition conjointe

Dénition 1.2 Soient X et Y deux v.a. On appelle fonction de répartition conjointe,

FX,Y , du couple aléatoire (X, Y ) l'application
FX,Y : R2 −→ [0, 1]
(x, y) 7−→ FX,Y (x, y) = P (X ≤ x, Y ≤ y).
Propriétés 1.1
1. FX,Y est continue à droite en tout point de R2 .
2. y→+∞
lim FX,Y = FX (x), lim FX,Y = FY (y).
x→+∞
3. x→+∞,y→+∞
lim FX,Y = 1.
4. lim FX,Y = 0, lim FX,Y = 0.
y→−∞ x→−∞
5. x→−∞,y→−∞
lim FX,Y = 0.
6. Pour tous x1 ≤ x2 , y1 ≤ y2 , on a FX,Y (x1 , y1 ) ≤ FX,Y (x2 , y2 ).
Remarque 1.1 On a :
P (x1 < X ≤ x2 , y1 < Y ≤ y2 ) = P (X ≤ x2 , Y ≤ y2 ) − P (X ≤ x2 , Y ≤ y1 ) −
P (X ≤ x1 , Y ≤ y2 ) + P (X ≤ x1 , Y ≤ y1 )
= FX,Y (x2 , y2 ) − FX,Y (x2 , y1 ) − FX,Y (x1 , y2 ) + FX,Y (x1 , y1 ).

2 Couples de variables aléatoires discrètes

Un couple de v.a. (X, Y ) est dit discret s'il est à valeurs dans un sous-ensemble (X, Y )(Ω)
ni ou dénombrable de R2 , c.à.d, X et Y sont des v.a. discrètes.

1
2.1 Loi du couple

Dénition 2.1 La loi du couple (X, Y ) est dénie par la fonction

PX,Y : (X, Y )(Ω) −→ [0, 1]
(xi , yj ) 7−→ PX,Y (xi , yj ) = P (X = xi , Y = yj ).

Exemple 2.1 Cherchons les lois de (X1 , X2 ) et (X1 , Y ).

X1 \X2 1 2 3 4 X1 \Y 1 2 3 4
1 1 1 1 1 1 1 1
1 16 16 16 16
1 16 16 16 16
1 1 1 1 2 1 1
2 16 16 16 16
2 0 16 16 16
1 1 1 1 3 1
3 16 16 16 16
3 0 0 16 16
1 1 1 1 4
4 16 16 16 16
4 0 0 0 16

2.2 Lois marginales

Dénition 2.2 La loi de la v.a. discrète X (resp. Y ) du couple (X, Y ) est appelée loi
marginale de X (resp. Y ).
La loi marginale de X est donnée par
∑
∀xi ∈ X(Ω), P (X = xi ) = P (X = xi , Y = yj ).
yj ∈Y (Ω)

La loi marginale de Y est donnée par

∑
∀yj ∈ Y (Ω), P (Y = yj ) = P (X = xi , Y = yj ).
xi ∈X(Ω)

Exemple 2.2 Cherchons les lois marginales de X1 et Y .

X1 \Y 1 2 3 4 P (X = xi )
1 1 1 1 1
1 16 16 16 16 4
2 1 1 1
2 0 16 16 16 4
3 1 1
3 0 0 16 16 4
4 1
4 0 0 0 16 4
1 3 5 7
P (Y = yj ) 16 16 16 16

En eet,
∑
P (X1 = 1) = P (X1 = 1, Y = yj )
yj ∈Y (Ω)={1,2,3,4}

= P (X1 = 1, Y = 1) + P (X1 = 1, Y = 2) + P (X1 = 1, Y = 3) +

P (X1 = 1, Y = 4)
1 1 1 1 4 1
= + + + = = .
16 16 16 16 16 4
2
 ∑
P (X1 = 2) = P (X1 = 2, Y = yj )
yj ∈Y (Ω)={1,2,3,4}

= P (X1 = 2, Y = 1) + P (X1 = 2, Y = 2) + P (X1 = 2, Y = 3) +

P (X1 = 2, Y = 4)
2 1 1 4 1
= 0+ + + = = .
16 16 16 16 4
De même, P (X1 = 3) = P (X1 = 4) = 14 . D'autre part,
∑
P (Y = 1) = P (X1 = xi , Y = 1)
xi ∈X1 (Ω)={1,2,3,4}

= P (X1 = 1, Y = 1) + P (X1 = 2, Y = 1) + P (X1 = 3, Y = 1) +

P (X1 = 4, Y = 1)
1 1
= +0+0+0= .
16 16

∑
P (Y = 3) = P (X1 = xi , Y = 3)
xi ∈X1 (Ω)={1,2,3,4}

= P (X1 = 1, Y = 3) + P (X1 = 2, Y = 3) + P (X1 = 3, Y = 3) +

P (X1 = 4, Y = 3)
1 1 3 5
= + + +0= .
16 16 16 16
De même, P (Y = 2) = 163 et P (Y = 4) = 167 .
Donc, la loi marginale de X1 est :
xi 1 2 3 4
1 1 1 1
P (X1 = xi ) 4 4 4 4

et la loi marginale de Y est :

yj 1 2 3 4
1 3 5 7
P (Y = yj ) 16 16 16 16

2.3 Lois conditionnelles

Dénition 2.3 Soit yj ∈ Y (Ω). On dénit la v.a. conditionnelle X/Y = yj par sa loi de
probabilité
P (X = xi , Y = yj )
∀xi ∈ X(Ω), P (X = xi /Y = yj ) = .
P (Y = yj )

Exemple 2.3
xi 1 2 3 4
1 1 3
P (X1 = xi /Y = 3) 5 5 5
0

3
En eet,
1 1
16 1 16 1
P (X1 = 1/Y = 3) = 5 = , P (X1 = 2/Y = 3) = 5 = ,
16
5 16
5
3
16 3 0
P (X1 = 3/Y = 3) = 5 = , P (X1 = 4/Y = 3) = 5 = 0.
16
5 16

2.4 Indépendance de deux v.a. discrètes

Dénition 2.4 On dit que les v.a. discrètes X et Y sont indépendantes si pour tous
xi ∈ X(Ω) et yj ∈ Y (Ω)

P (X = xi , Y = yj ) = P (X = xi )P (Y = yj ).

Remarque 2.1 Si X et Y sont indépendantes, alors

P (X = xi /Y = yj ) = P (X = xi ) et P (Y = yj /X = xi ) = P (Y = yj ).

Généralisation :
Soient X1 , . . . , Xn n v.a. discrètes. On dénit le vecteur aléatoire (X1 , . . . , Xn ) par
(X1 , . . . , Xn ) : Ω −→ Rn
w 7−→ (X1 (w), . . . , Xn (w)).
La loi du vecteur (X1 , . . . , Xn ) est dénie par
PX1 ,...,Xn : Ω −→ [0, 1]
(x1 , . . . , xn ) 7−→ P (X1 = x1 , . . . , Xn = xn ).
On dit que X1 , . . . , Xn sont indépendantes si pour tous x1 ∈ X1 (Ω), . . . , xn ∈ Xn (Ω),
∏
n
P (X1 = x1 , . . . , Xn = xn ) = P (Xi = xi ).
i=1

3 Fonctions de deux v.a. discrètes

3.1 Loi d'une fonction de deux v.a. discrètes

Soit g une fonction de R2 dans R dénie sur (X, Y )(Ω)

g(X, Y ) : Ω −→ R
w 7−→ g(X(w), Y (w)).
g(X, Y ) est une v.a. discrète. La loi de g(X, Y ) est donnée par
∑
∀z ∈ g(X, Y )(Ω), P (g(X, Y ) = z) = P (X = xi , Y = yj ).
g(xi ,yj )=z

4
En particulier,
∑ ∑
P (X + Y = z) = P (X = xi , Y = yj ) = P (X = xi , Y = z − xi )
xi +yj =z xi ∈X(Ω),z−xi ∈Y (Ω)

et ∑
P (XY = z) = P (X = xi , Y = yj ).
xi yj =z

Exemple 3.1 Cherchons les lois de S = X1 + Y et T = X1 Y .

On a S(Ω) = {2, 3, 4, 5, 6, 7, 8}. De plus,
zk 2 3 4 5 6 7 8
1 1 3 2 4 1 4
P (X1 + Y = zk ) 16 16 16 16 16 16 16

En eet,
∑
P (X1 + Y = 5) = P (X1 = xi , Y = yj )
xi +yj =5
∑
= P (X1 = xi , Y = 5 − xi )
xi ∈X1 (Ω),5−xi ∈Y (Ω)

= P (X1 = 1, Y = 4) + P (X1 = 2, Y = 3) + P (X1 = 3, Y = 2) +

P (X1 = 4, Y = 1)
1 1 2
= + +0+0=
16 16 16
et
∑
P (X1 + Y = 7) = P (X1 = xi , Y = yj )
xi +yj =7
∑
= P (X1 = xi , Y = 7 − xi )
xi ∈X1 (Ω),7−xi ∈Y (Ω)

= P (X1 = 3, Y = 4) + P (X1 = 4, Y = 3)
1 1
= +0= .
16 16
D'autre part, T (Ω) = {1, 2, 3, 4, 6, 8, 9, 12, 16} et
tk 1 2 3 4 6 8 9 12 16
1 1 1 3 1 1 3 1 4
P (X1 Y = tk ) 16 16 16 16 16 16 16 16 16

En eet,
∑
P (X1 Y = 4) = P (X1 = xi , Y = yj )
xi yj =4

= P (X1 = 1, Y = 4) + P (X1 = 2, Y = 2) + P (X1 = 4, Y = 1)

1 2 3
= + +0=
16 16 16
5
et
∑
P (X1 Y = 12) = P (X1 = xi , Y = yj )
xi yj =12

= P (X1 = 3, Y = 4) + P (X1 = 4, Y = 3)
1 1
= +0= .
16 16

Remarque 3.1 Si X et Y sont indépendantes et de lois Binomiales respectives B(n, p)

et B(m, p) alors X + Y suit la loi Binomiale B(n + m, p).

3.2 Espérance d'une fonction de deux v.a. discrètes

Dénition 3.1 Soit g une fonction dénie sur (X, Y )(Ω). L'espérance mathématique de
g(X, Y ) est déni par
∑
E(g(X, Y )) = g(xi , yj )P (X = xi , Y = yj ).
(xi ,yj )∈(X,Y )(Ω)

En particulier, ∑
E(XY ) = xi yj P (X = xi , Y = yj ).
(xi ,yj )∈(X,Y )(Ω)

Exemple 3.2 Cherchons E(X1 Y ). On a

∑
E(X1 Y ) = xi yj P (X1 = xi , Y = yj )
(xi ,yj )∈(X1 ,Y )(Ω)
∑ ∑
= xi yj P (X1 = xi , Y = yj )
xi ∈X1 (Ω) yj ∈Y (Ω)

= 1.1.P (X1 = 1, Y = 1) + 1.2.P (X1 = 1, Y = 2) + 1.3.P (X1 = 1, Y = 3) +

1.4.P (X1 = 1, Y = 4) + 2.1.P (X1 = 2, Y = 1) + 2.2.P (X1 = 2, Y = 2) +
2.3.P (X1 = 2, Y = 3) + 2.4.P (X1 = 2, Y = 4) + 3.1.P (X1 = 3, Y = 1) +
3.2.P (X1 = 3, Y = 2) + 3.3.P (X1 = 3, Y = 3) + 3.4.P (X1 = 3, Y = 4) +
4.1.P (X1 = 4, Y = 1) + 4.2.P (X1 = 4, Y = 2) + 4.3.P (X1 = 4, Y = 3) +
4.4.P (X1 = 4, Y = 4)
1 1 1 1 2 1 1 3 1
= +2 +3 +4 +0+4 +6 +8 + 0 + 0 + 9 + 12 +
16 16 16 16 16 16 16 16 16
4 135
0 + 0 + 0 + 16 = .
16 16

Remarque 3.2 (i) E(XY ) = E(Y X).

(ii) Si X et Y sont deux v.a. indépendantes, alors E(XY ) = E(X)E(Y ).
(iii) E(XY ) = E(X)E(Y ) n'implique pas que X et Y sont indépendantes.

6
Propriétés 3.1 Si X et Y sont deux v.a. discrètes, alors
∀(λ, µ) ∈ R2 , E(λX + µY ) = λE(X) + µE(Y ).
D'une manière générale, ( )
∑
n ∑
n
E λi Xi = λi E(Xi ).
i=1 i=1

4 Couples de v.a. continues

Soient X et Y deux v.a. continues. Le couple aléatoire (X, Y ) est alors continu et dont
l'ensemble des valeurs possible (X, Y )(Ω) n'est pas dénombrable.
Exemple 4.1 Une grande société commercialise un article électroménager. La durée de
vie (en années) de cet article est une v.a. X et la part du marché de cette société dans les
ventes totales de cet article est une v.a. Y . Ainsi,
(X, Y )(Ω) = {(x, y) : x ≥ 0, 0 ≤ y ≤ 1} .

4.1 Loi du couple

D'une façon similaire au cas unidimensionnel, on peut dénir la densité d'un couple aléa-
toire (X, Y ), qu'on appelle densité conjointe, par
∂ 2 FX,Y (x, y)
fX,Y (x, y) =
∂x∂y
et doit vérier les propriétés suivantes :
(i) fX,Y (x, y) ≥ 0.
(ii) fX,Y est continue sauf peut être en certains points.
∫ ∫
(iii) fX,Y (x, y)dxdy = fX,Y (x, y)dydx = 1.
R2 R2
∫ x ∫ y
(iv) FX,Y (x, y) = fX,Y (z, t)dzdt.
−∞ −∞
Exemple 4.2 La loi du couple (X, Y ) est donnée par la densité conjointe
{
cye−x si x > 0 et 0 ≤ y ≤ 1
f (x, y) =
0 sinon.
Déterminer c ?
En eet, on a
∫
fX,Y (x, y)dxdy = 1
R2
∫ 1 ∫ +∞
= cye−x dxdy
0 0
∫ 1 ∫ +∞
c
= c y e−x dxdy = .
0 0 2

7
Donc, c = 2.

4.2 La fonction de répartition conjointe

Soit le couple aléatoire (X, Y ) de densité conjointe fX,Y . La fonction de répartition

conjointe de (X, Y ) est dénie par
∫ x ∫ y
FX,Y (x, y) = fX,Y (z, t)dzdt.
−∞ −∞

Exemple 4.3 La loi du couple (X, Y ) est donnée par la densité conjointe
{
2ye−x si x > 0 et 0 ≤ y ≤ 1
f (x, y) =
0 sinon.

Déterminer FX,Y .

Propriété 4.1 FX,Y est continue sur R2 .

4.3 Lois marginales

Soit (X, Y ) un vecteur aléatoire continu de densité conjointe fX,Y .

La loi de probabilité marginale de X est dénie par
 ∫

fX,Y (x, y)dy si x ∈ X(Ω)
f (x) = R
 0 sinon.

La loi de probabilité marginale de Y est dénie par

 ∫

fX,Y (x, y)dx si y ∈ Y (Ω)
f (y) = R
 0 sinon.

Exemple 4.4 La loi du couple (X, Y ) est donnée par la densité conjointe
{
2ye−x si x > 0 et 0 ≤ y ≤ 1
f (x, y) =
0 sinon.
Déterminer fX et fY . {
2e−x si x > 0
fX (x) =
0 sinon
et {
2y si 0 ≤ y ≤ 1
fY (y) =
0 sinon.

8
4.4 Indépendance de deux v.a. continues

Dénition 4.1 On dit que X et Y sont indépendantes si

∀(x, y) ∈ R2 , fX,Y (x, y) = fX (x)fY (y).

D'une manière générale, si (X1 , . . . , Xn ) est un vecteur aléatoire de densité la fonction

fX1 ,...,Xn . On dit alors que X1 , . . . , Xn sont indépendantes si

∏
n
∀(x1 , . . . , xn ) ∈ R , fX1 ,...,Xn =
n
fXi (xi ),
i=1

où fXi est la densité marginale de Xi .

Propriétés 4.1 Soit (X, Y ) un couple aléatoire (discret ou continu). Alors les assertions
suivantes sont équivalentes :
(i) X et Y sont indépendantes.
(ii) Pour toute fonction g continue, bornée, on a E(g(X)Y ) = E(g(X))E(Y ).
(iii) FX,Y (x, y) = FX (x)FY (y), ∀(x, y) ∈ R2 .

4.5 Loi de la somme de deux v.a. continues

Soient X et Y deux v.a. continues et indépendantes. La loi de la somme de X et Y est

dénie par ∫
fX+Y (z) = fX (x)fY (z − x)dx.
R

Remarque 4.1 (i) Si X et Y sont indépendantes et de lois Normales respectives N (m, σ12 )
et N (n, σ22 ) alors X + Y suit la loi Normale N (m + n, σ12 + σ22 ).
(ii) Loi chi-deux χ2 (n) = γ( n2 , 12 ) : Loi chi-deux à n degrés de libertés.
Si X1 , . . . , Xn sont indépendantes et de même loi Normale centrée réduite N (0, 1) alors
∑
n
Xi2 suit la loi de χ2 (n).
i=1

4.6 Espérance d'une fonction de deux v.a. continues

Dénition 4.2 Soient X et Y deux v.a. continues et g une fonction dénie sur (X, Y )(Ω).
L'espérance mathématique de g(X, Y ) (s'il existe) est déni par
∫
E(g(X, Y )) = g(x, y)fX,Y (x, y)dxdy.
R2

En particulier, ∫
E(XY ) = xyfX,Y (x, y)dxdy.
R2

9
4.7 Covarianve de deux v.a.

Dénition 4.3 Soient X et Y deux v.a. (discrètes ou continues). On appelle covariance

de X et Y , le nombre réel (s'il existe)
Cov(X, Y ) = E[(X − E(X))(Y − E(Y ))].

Propriétés 4.2 (i) Cov(X, Y ) = Cov(Y, X).

(ii) V (X) = Cov(X, X).
(iii) Cov(aX + bZ, Y ) = a Cov(X, Y ) + b Cov(Z, Y ).
(iv) Cov(X, Y ) = E(XY ) − E(X)E(Y ).
Si X et Y sont indépendantes, alors Cov(X, Y ) = 0.
(v) V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y ).

10