Couples et vecteurs de variables al´eatoires

Pr´eparation `a l’agr´egation interne

1 Couples et vecteurs al´eatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donn´ee par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables al´eatoires discr`etes avec X(Ω) = {x i,i∈N}et Y(Ω) =

P(X= x,Y= y) = P{ω,X(ω) = x et Y(ω) = y}, pour tout couple (x,y) ∈(X,Y)(Ω).
Y(Ω)) ainsi que par les probabilit´es

Remarque : On doit bien entendu avoir x,y P(X= x,Y= y) = 1.

loi conjointe du vecteur (X1,...,Xn) est donn´ee par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus g´en´eralement, si X1,...,Xn sont n variables al´eatoires discr`etes `a valeurs dans N, la

ainsi que par les probabilit´es P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et consid´erons le couple de variables al´eatoires (X,Y) `a
valeurs dans {0,1}×N dont la loi est donn´ee par :
P(X = 0,Y = 0) = 1−p
P(X = 1,Y= k) = pe−λλk/k!, pour tout k∈N
P(X= j,Y= k) = 0 sinon.
On a bien i,j P(X= i,Y= j) = 1 : on a donc bien ´ecrit la loi d’un couple al´eatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons num´erot´es de 1 `a 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les r´esultats des deux tirages.
On a : P(X= i,Y= i) = 0 pour tout i entre 1 et 4 et P(X= i,Y= j) = 1/12 si
1 ≤i,j ≤4 et i̸= j.
On peut ´ecrire les probabilit´es sous la forme du tableau suivant (o`u par exemple dans la
deuxi`eme case de la premi`ere ligne, on lit P(X = 1,Y = 2)) :
X\Y 1 2 1/12 3 4Couples
et vecteurs de variables al´eatoires
Pr´eparation `a l’agr´egation interne
1 Couples et vecteurs al´eatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donn´ee par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables al´eatoires discr`etes avec X(Ω) = {x i,i∈N}et Y(Ω) =

P(X= x,Y= y) = P{ω,X(ω) = x et Y(ω) = y}, pour tout couple (x,y) ∈(X,Y)(Ω).
Y(Ω)) ainsi que par les probabilit´es

Remarque : On doit bien entendu avoir x,y P(X= x,Y= y) = 1.

loi conjointe du vecteur (X1,...,Xn) est donn´ee par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus g´en´eralement, si X1,...,Xn sont n variables al´eatoires discr`etes `a valeurs dans N, la

ainsi que par les probabilit´es P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et consid´erons le couple de variables al´eatoires (X,Y) `a
valeurs dans {0,1}×N dont la loi est donn´ee par :
P(X = 0,Y = 0) = 1−p
P(X = 1,Y= k) = pe−λλk/k!, pour tout k∈N
P(X= j,Y= k) = 0 sinon.
On a bien i,j P(X= i,Y= j) = 1 : on a donc bien ´ecrit la loi d’un couple al´eatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons num´erot´es de 1 `a 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les r´esultats des deux tirages.
On a : P(X= i,Y= i) = 0 pour tout i entre 1 et 4 et P(X= i,Y= j) = 1/12 si
1 ≤i,j ≤4 et i̸= j.
On peut ´ecrire les probabilit´es sous la forme du tableau suivant (o`u par exemple dans la
deuxi`eme case de la premi`ere ligne, on lit P(X = 1,Y = 2)) :
X\Y 1 2 1/12 3 4
1/12
4 1/12 1 0 1/12 2 1/12 0 1/12 1/12
3 1/12 1/12 0 1/12
1/12 1/12 0
Exemple 3 : Loi trinomiale. On se fixe un nombre entier nstrictement positif et deux param`etres

tel que (X,Y)(Ω) ∈N2 et donn´ee pour tout (i,j) ∈N2 tels que i+ j ≤n par :
r´eels positifs px et py tels que px+py ≤1. La loi trinomiale (n,px,py) est la loi du couple (X,Y)

P(X= i,Y= j) = n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
,2
et P(X= i,Y= j) = 0 sinon.
Exercice : Montrer que l’on d´efinit bien ainsi la loi d’un couple al´eatoire.
La loi trinomiale est une extension de la loi binomiale. Imaginons en effet une exp´erience
qui a trois issues possibles, not´ee x, y et z, avec comme probabilit´e de r´ealisation p x, py et
pz = 1−px−py. R´ep´etons nfois cette exp´erience (nest fix´e) de fa¸con ind´ependante et comptons
le nombre d’apparitions de x (nombre not´e X) et de y (not´e Z) parmi ces n r´ep´etitions. C’est
alors un exercice de d´enombrement que de d´emontrer que le couple (X,Y) suit alors une loi
trinomiale de param`etres (n,px,py).
1.2 Lois marginales
D´efinition 1.1 Les (deux) lois marginales du couple (X,Y) sont les lois des variables al´ea-
toires X et Y. On les obtient de la fa¸con suivante :
P(X= x) =
y∈Y(Ω)
P(Y= y) =
x∈X(Ω)
P(X= x,Y= y),
P(X= x,Y= y).

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

y∈Y(Ω)
Comme la r´eunion est d´enombrable et disjointe, il vient :
P(X= x) =
y∈Y(Ω)
P(X= x,Y= y).
Plus g´en´eralement, un vecteur (X1,...,Xn) `a valeurs dans Zn poss`ede n lois marginales
unidimensionnelles, mais ´egalement n(n−1) lois marginales bidimensionnelles, et ainsi de suite.
On a par exemple
P(X1 = x) =
(x2,...,xn)∈Zn−1
P(X1 = x,X2 = x2,...,Xn = xn).
Reprenons les exemples pr´ec´edents :
Exemple 1.
D´eterminons la loi de X : X est `a valeurs dans {0,1}et on a :
P(X = 0) =
j∈N
P(X = 0,Y= j) = 1−p.
De la mˆeme fa¸con :
P(X = 1) =
j∈N
P(X = 1,Y= j) =
pe−λλj/j! = p.j≥03
La variable al´eatoire X suit donc une loi de Bernoulli de param`etre p. Calculons aussi la loi de
Y:
P(Y = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
.
Et pour tout j ≥1,
P(Y= j) = P(X = 0,Y= j) + P(X = 1,Y= j) = pe −λλj/j!.
P(X= j,Y= k)
Exemple 2 : Il suffit de sommer en colonne pour avoir la loi de X, et en ligne pour obtenir celle
de Y. En pratique, on peut ajouter une colonne et une ligne au tableau pour y ´ecrire les lois de
X et Y. Et avant de conclure, on prend le soin de v´erifier que la somme de cette colonne (et de
cette ligne) vaut 1.
On trouve ici que X et Y suivent une loi uniforme sur {1,2,3,4}.

marginale de X : fixons j ∈{0,...,n}et ´evaluons P(X= j).

Exemple 3 : On consid`ere le couple (X,Y) de loi trinomiale (n,p x,py). D´eterminons la loi

On a
P(X= j) =
=
n
k=0
n−j
k=0
n−j
k=0
P(X= j,Y= k) +
n
k=n−j+1
P(X= j,Y= k)
n!
=
j!k!(n−j−k)!pj
xpk
y(1−px−py)n−j−k + 0
n!
=
j!(n−j)!pj
x
n−j
(n−j)!
k!(n−j−k)!pk
y(1−px−py)n−j−k
k=0
=
n
j pj
x(1−px)n−j
La variable al´eatoire X suit donc une loi Bin(n,px). Un calcul similaire montre que Y suit
une loi binomiale Bin(n,py).
1.3 Loi de f(X,Y)
Probl`eme : On dispose d’un couple de variables al´eatoires discr`etes (X,Y) dont on connaˆıt
la loi conjointe et on voudrait connaˆıtre la loi de la variable al´eatoire Z= f(X,Y), o`u f :
X(Ω) ×Y(Ω) →R est une fonction donn´ee. Par exemple, on a souvent besoin de connaˆıtre la
loi de X + Y, ou celle de X−Y, ou de XY. Et d´eterminer la loi de X `a partir de celle de

Proposition 1.2 On a Z(Ω) = f((X,Y)(Ω)) et pour tout z ∈f((X,Y)(Ω)), on a

(X,Y) revient `a consid´erer la fonction f(x,y) = x.

P(Z= z) =
(x,y)∈(X,Y)(Ω),f(x,y)=z
P(X= x,Y= y).4
Exemple : Reprenons une nouvelle fois l’exemple 1 et consid´erons la fonction f(x,y) = xy. La
variable al´eatoire XY est `a valeurs dans N et on a
P(XY = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
et, pour tout k∈N∗
,
P(XY= k) = P(X = 1,Y= k) = pe−λλk
k!.
Un cas particulier important. Nous consid´erons ici la fonction f(x,y) = x+ y. On obtient :
P(X+ Y= z) =
P(X= x,Y= y)
(x,y)∈(X,Y)(Ω),x+y=z
=
P(X= x,Y= z−x)
x∈X(Ω)
=
P(X= z−y,Y= y)
y∈Y(Ω)
Plus g´en´eralement, si X = (X1,...,Xn) est un vecteur al´eatoire discret et f : X(Ω) →R
est une fonction donn´ee, on a :
P(f(X1,...,Xn) = z) =
x1,...,xn,f(x1,...,xn)=z
P(X1 = x1,...,Xn = xn).
On en d´eduit le corollaire fondamental suivant :
Proposition 1.3 Soient X et Y deux variables al´eatoires discr`etes et int´egrables. Alors la
variable al´eatoire Z= X+ Y est int´egrable et on a E(X+ Y) = E(X) + E(Y).

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable al´eatoire discr`ete et que sa loi est

P(X+ Y= z) =
P(X= x,Y= z−x)
x∈X(Ω)
On a donc
Puis
E(|X+ Y|) =
z∈(X+Y)(Ω)

E(|X+ Y|) =
z∈(X+Y)(Ω)
x∈X(Ω)

|z|
x∈X(Ω)
P(X= x,Y= z−x)

|x+ (z−x)|P(X= x,Y= z−x)
5
En utilisant l’in´egalit´e triangulaire, il vient :
E(|X+ Y|) ≤
z∈(X+Y)(Ω)
≤
z∈(X+Y)(Ω)

x∈X(Ω)
(|x|+ |z−x|)P(X= x,Y= z−x)


x∈X(Ω)
+
z∈(X+Y)(Ω)
|x|P(X= x,Y= z−x)
+
 x∈X(Ω)
|z−x|P(X= x,Y= z−x) 
´
Etudions tout d’abord la premi`ere somme :

z∈(X+Y)(Ω)
x∈X(Ω)
|x|P(X= x,Y= z−x)
=
x∈X(Ω)
=
x∈X(Ω)

|x|
z∈(X+Y)(Ω)
[|x|P(X= x)] = E(|X|)
P(X= x,Y= z−x)

Passons `a la deuxi`eme somme : sommer sur x ∈X(Ω) ou sur x tel que z−x ∈Y(Ω) ne


change pas la valeur de cette somme. On a donc



z∈(X+Y)(Ω)
x∈X(Ω)
|z−x|P(X= x,Y= z−x)
=
z∈(X+Y)(Ω)
z−x∈Y(Ω)
|z−x|P(X= x,Y= z−x)


=
z∈(X+Y)(Ω)
y∈Y(Ω)

=
y∈Y(Ω)
|y|
z∈(X+Y)(Ω)
|y|P(X= z−y,Y= y)

P(X= z−y,Y= y)

=
|y|P(Y= y) = E(|Y|)
y∈Y(Ω)
On remarque donc que si X et Y sont int´egrables, X + Y l’est ´egalement, et en effectuant le
mˆeme calcul sans les valeurs absolues, on conclut que E(X+ Y) = E(X) + E(Y).
Exemple : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi de X+ Y.
Cette variable al´eatoire est `a valeurs dans N et on a, pour tout entier k :
P(X+ Y= k) =
n
j=0
P(X= j,Y= k−j).
Pour tout k>n, chacun des termes de cette somme est nul donc P(X+ Y= k) = 0.6
Fixons maintenant un entier k∈{0,...,n}. On a :
P(X+ Y= k) =
=
=
=
k
j=0
k
j=0
P(X= j,Y= k−j)
n!
j!(k−j)!(n−k)!pj
xpk−j
y (1−px−py)n−k
n!
(n−k)!(1−px−py)n−k
k
j=0
n!
1
j!(k−j)!pj
xpk−j
y
k!(n−k)!(1−px−py)n−k(px + py)k
.
La variable al´eatoire X+ Y suit donc une loi binomiale Bin(n,p x + py).
1.4 Loi conditionnelle
Consid´erons un couple (X,Y) de variables al´eatoires discr`etes, dont on connaˆıt la loi jointe
et fixons y tel que P(Y= y) >0.
La loi conditionnelle de X sachant l’´ev´enement {Y= y}est donn´ee par le fait que c’est
une loi sur X(Ω) ainsi que par les probabilit´es conditionnelles P(X= x|Y= y) pour tout
x∈X(Ω).
On v´erifie ais´ement que
P(X= x|Y= y) = 1
x∈X(Ω)
ce qui implique que la loi conditionnelle de X sachant {Y= y}est la loi d’une variable al´eatoire.
De plus, la formule des probabilit´es totales implique que
P(X= x) =
P(X= x|Y= y)P(Y= y).
y∈Y(Ω)
Cette d´efinition de la loi conditionnelle s’´etend `a des vecteurs al´eatoires : par exemple pour
un triplet al´eatoire (X,Y,Z), on peut ´etudier la loi conditionnelle de X sachant {Y= y}, la loi
conditionnelle de X sachant {Y= y et Z= z}, la loi conditionnelle du couple (X,Y) sachant

Exemple 1 : La loi de Y sachant {X = 1}est donn´ee par Y(Ω) ∈N et, pour tout entier
{Z= z}...

positif k, on a
1
P(Y= k|X = 1) = P(Y= k et X = 1)
P(X = 1)
= pe−λλk
k! ×
p
= e−λλk
k!.
La loi conditionnelle de Y sachant que {X = 1}est donc une loi de Poisson de param`etre
λ.7
Exemple 2 : La loi de X sachant {Y = 1}est la loi uniforme sur {2,3,4}.
Exemple 3 : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi

que si j <0 ou j >n−k, P(X= j|Y= k) = 0. Fixons maintenant un entier j ∈{0,...,n−k}.

conditionnelle de X sachant {Y= k}, pour un entier k∈{0,...,n}. Remarquons tout d’abord

On a
P(X= j|Y= k) = P(X= j et Y= k)
P(Y= k)
n! pj
xpk
y(1−px−py)n−j−k
k!(n−k)!
=
j!k!(n−j−k)!
n! pk
y(1−py)n−k
(n−k)!
=
j!(n−k−j)!
px
1−py
j 1−px−py
1−py
.
La loi conditionnelle de X sachant {Y= k}est donc une loi binomiale (n−k,p x/(1−py)).
n−k−j
1.5 Ind´ependance de variables al´eatoires discr`etes

tout x ∈X(Ω) et tout y ∈Y(Ω), les ´ev´enements {X= x}et {Y= y}sont ind´ependants,
D´efinition 1.4 Deux variables al´eatoires discr`etes X et Y sont dites ind´ependantes si pour

c’est-`a-dire :
P(X= x,Y= y) = P(X= x)P(Y= y).

y ∈Y(Ω) et tout x ∈X(Ω) tels que P(Y= y) > 0 et P(X= x) > 0, P(X= x|Y= y) =
Si X et Y sont deux variables al´eatoires discr`etes ind´ependantes, on aura donc, pour tout

P(X= x) et P(Y= y|X= x) = P(Y= y).

n `a n) ind´ependantes si, pour tout choix de x1 ∈X1(Ω),...,xn ∈Xn(Ω), on a

Plus g´en´eralement, les n variables al´eatoires discr`etes X1,...,Xn sont (mutuellement ou

P(X1 = x1,...,Xn = xn) = P(X1 = x1)...P(Xn = xn).

Remarques :
´
•L’ind´ependance n`a nentraˆıne l’ind´ependance 2 `a 2 (mais la r´eciproque est fausse).
Ecrire
la preuve de ce r´esultat pour n= 3.
•Des ´ev´enements A1,...,An sont ind´ependants si et seulement si les variables al´eatoires
1A1 ,...,1An
le sont.
Proposition 1.5 Si les n variables al´eatoires discr`etes X1,...,Xn sont ind´ependantes alors
on a X(Ω) = X1(Ω) ×···×Xn(Ω).
Remarque : Lorsque les variables al´eatoires X et Y sont ind´ependantes, connaˆıtre les lois
marginales permet donc de connaˆıtre la loi jointe du couple (X,Y), alors que pour des variables
al´eatoires quelconques, cela ne suffit pas.8
1.6 Esp´erance, matrice de covariance
Dans un souci de clart´e, tous les r´esultats de ce paragraphe et du suivant sont ´enonc´es pour
les couples de variables al´eatoires discr`etes, et ils s’´etendent sans peine aux vecteurs al´eatoires
discrets.
On consid`ere un couple al´eatoire discret (X,Y).
D´efinition 1.6 •L’esp´erance du couple (X,Y) est d´efinie si X et Y sont int´egrables et on
a alors : E(X,Y) = (E(X),E(Y)).
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la covariance de X et de Y,
ou covariance du couple (X,Y), est donn´ee par
cov(X,Y) = E(XY)−E(X)E(Y) = E[(X−E(X))(Y−E(Y))].
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la matrice de covariance du
couple (X,Y) est la matrice
C=
var (X) cov(X,Y)
cov(X,Y) var (Y).
Plus g´en´eralement, la matrice de covariance d’un vecteur (X1,...,Xn), dont chacune des com-
posantes est de carr´e int´egrable, est une matrice n×n dont les termes diagonaux sont les
variances des Xi et dont le terme (i,j) est la covariance cov(Xi,Xj) pour tout i̸= j.
Remarque : Le calcul de l’esp´erance de X ou de Y ne fait intervenir que les lois marginales,
mais nous allons voir qu’il n’est pas n´ecessaire d’expliciter ces lois marginales.
Proposition 1.7 Si (X,Y) est un couple de variables al´eatoires discr`etes, pour toute fonction
h: R2 →R telle que
|h(x,y)|P(X= x,Y= y) <∞,
x∈X(Ω),y∈Y(Ω)
la variable al´eatoire h(X,Y) est int´egrable et on a
E(h(X,Y)) =
x∈X(Ω),y∈Y(Ω)
h(x,y)P(X= x,Y= y).

est discr`ete et on a, pour tout z ∈(h(X,Y))(Ω),

Preuve : Notons Z= h(X,Y). On a une ´ecriture explicite de la loi de Z : cette variable al´eatoire

P(Z= z) =
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y)
La variable al´eatoire Z est donc int´egrable si la somme
S=
z∈(h(X,Y))(Ω)
 |z|
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y) 9
converge. Or cette somme peut s’´ecrire
S=
z∈(h(X,Y))(Ω)
 (x,y)∈(X,Y)(Ω),h(x,y)=z
=
|h(x,y)|P(X= x,Y= y)
(x,y)∈(X,Y)(Ω)
|h(x,y)|P(X= x,Y= y) 
La mˆeme proc´edure appliqu´ee `a la somme sans les valeurs absolues permet d’obtenir le r´esultat
d´esir´e pour E(h(X,Y)).
Application : Cette proposition permet d’´ecrire notamment les esp´erances de X, de Y ou de
XY sans expliciter la loi de ces variables al´eatoires. Si le couple (X,Y) est discret, on a ainsi
E(X) =
(x,y)∈(X,Y)(Ω)
E(Y) =
(x,y)∈(X,Y)(Ω)
E(XY) =
(x,y)∈(X,Y)(Ω)
xP(X= x,Y= y)
yP(X= x,Y= y)
xyP(X= x,Y= y)
lorsque les s´eries convergent.
Revenons maintenant `a la matrice de covariance :
Proposition 1.8 1. Une matrice de covariance C est toujours une matrice sym´etrique et
positive (i.e., pour tout v∈Rn
, <v,Cv>≥0).
2. Si X et Y sont deux variables al´eatoires ind´ependantes et int´egrables, on a E(XY) =
E(X)E(Y) et donc cov(X,Y) = 0. La r´eciproque de ce r´esultat est fausse.
3. Si X et Y sont deux variables al´eatoires ind´ependantes et f et g deux fonctions telles que
les variables al´eatoires f(X) et g(Y) sont int´egrables, on a E(f(X)g(Y)) = E(f(X))E(g(Y)).
La r´eciproque de ce r´esultat est fausse.
4. Si les variables al´eatoires X1,...,Xn sont ind´ependantes et de carr´e int´egrable, alors la
matrice de covariance de (X1,...,Xn) est diagonale. La r´eciproque de ce r´esultat est
fausse.
Preuve : 1. Soit X = (X1,...,Xn) un vecteur al´eatoire dont chaque composante est de carr´e
int´egrable, notons C sa matrice de covariance et fixons v = (v1,...,vn) un vecteur de Rn
.
Quitte `a remplacer chaque Xi par Xi−E(Xi), on supposera les variables al´eatoires centr´ees
(d’esp´erance nulle).10
On a
<v,Cv>=
Cijvivj
i,j
=
E(XiXj)vivj
i,j
=E
i,j
viXivjXj
=E
i
viXi ×
j
= E  i
viXi
2 
vjXj
On a donc bien <v,Cv>≥0.
2. Consid´erons deux variables al´eatoires discr`etes X et Y ind´ependantes et int´egrables. Mon-
trons que XY est int´egrable et calculons son esp´erance. On a
E(|XY|) =
x∈X(Ω),y∈Y(Ω)
|xy|P(X= x,Y= y)
Comme X et Y sont ind´ependantes, P(X= x,Y= y) = P(X= x)P(Y= y) donc
E(|XY|) =
|xy|P(X= x)P(Y= y)
x∈X(Ω),y∈Y(Ω)
=
x∈X(Ω)
 |x|P(X= x)
y∈Y(Ω)
=  x∈X(Ω)
|x|P(X= x)  y∈Y(Ω)
= E(|X|)E(|Y|).
|y|P(Y= y) 
|y|P(Y= y) 
On montre alors par un calcul similaire que E(XY) = E(X)E(Y), puis on en d´eduit que
cov(X,Y) = 0.
3. et 4. se d´eduisent ais´ement de 2.
La proposition suivante, bien que tr`es simple `a prouver, est fort utile :
Proposition 1.9 Si X et Y sont deux variables al´eatoires de carr´e int´egrable, on a
var (X+ Y) = var (X) + var (Y) + 2cov(X,Y).
Si de plus, X et Y sont ind´ependantes, on a
var (X+ Y) = var (X) + var (Y).11
De plus, pour deux variables al´eatoires de carr´e int´egrable, il est possible d’obtenir une
majoration de cov(X,Y) `a partir des variances de X et Y :
Proposition 1.10 (In´egalit´e de Cauchy Schwarz) Soient X et Y deux variables al´eatoires
de carr´e int´egrable. On a
|E(XY)|≤E(|XY|) ≤ E(X2)E(Y2]
|cov(X,Y)|≤ var (X)var (Y)
Preuve : Le deuxi`eme point s’obtient en appliquant le premier `a X−E(X) et Y−E(Y).
Le premier point se montre de la mˆeme fa¸con que dans le cas classique (produit scalaire de
deux vecteurs) : on ´etudie le polynˆome
R(λ) = E(X2)λ2
−2E|XY|λ+ E(Y2).
Ce polynˆome se factorise en
R(λ) = E[(λ|X|−|Y|)2].
Il n’admet donc pas deux racines r´eelles distinctes, ce qui signifie que son discriminant (r´eduit)
est n´egatif :
(E|XY|)2
−E(X2)E(Y2) ≤0.
On ´etudie de la mˆeme fa¸con le cas d’´egalit´e : le discriminant n’est nul que si le polynˆome admet
une racine r´eelle double. Dans ce cas, il existe donc λ0 tel que
E[(λ0|X|+ |Y|)2] = 0;
l’esp´erance d’une variable al´eatoire positive ne pouvant ˆetre nulle que si la variable al´eatoire est
(presque sˆurement) nulle, on aura alors : |Y|=−λ0|X|, presque sˆurement.
Les preuves sans les valeurs absolues sont similaires.
1.7 Fonction g´en´eratrice d’un couple
D´efinition 1.11 La fonction g´en´eratrice d’un couple de variables al´eatoires discr`etes positives
est la fonction d´efinie sur [0,1]2 par
G(X,Y)(s,t) = E(sXtY) =
sxtyP(X= x,Y= y).
x∈X(Ω),y∈Y(Ω)
Proposition 1.12 La fonction g´en´eratrice d´etermine la loi du couple (X,Y) au sens o`u si deux
couples de variables al´eatoires positives ont la mˆeme fonction g´en´eratrice, alors ils suivent la
mˆeme loi.
La fonction g´en´eratrice de (X,Y) permet de retrouver par exemple :
•la fonction g´en´eratrice de X : GX(s) = G(X,Y)(s,1) et de Y,
•l’esp´erance de X si X est int´egrable : E(X) = ∂
∂sG(X,Y)(1,1),
•l’esp´erance de X2 si X est de carr´e int´egrable : E(X2) = ∂2
∂s2 G(X,Y)(1,1) + ∂
∂sG(X,Y)(1,1),12
•l’esp´erance de XY si X et Y sont de carr´e int´egrable : E(X,Y) = ∂ 2
∂s∂tG(X,Y)(1,1).
Une autre utilit´e importante de la fonction g´en´eratrice est de permettre de calculer simple-
ment la loi de somme de variables al´eatoires, `a partir du moment o`u on connaˆıt leur loi jointe.
En effet, on a le r´esultat suivant :
Proposition 1.13 Soient (X,Y) un couple de variables al´eatoires positives dont on connaˆıt la
loi jointe. Notons GX,Y la fonction g´en´eratrice du couple. On a alors GX+Y(s) = G(X,Y)(s,s).
Preuve : On a G(X,Y)(s,s) = E(sXsY) = E(sX+Y) = GX+Y(s).
Si X et Y sont `a valeurs enti`eres, il ne reste plus qu’`a d´ecomposer la fonction G X+Y en s´erie
enti`ere pour obtenir les probabilit´es P(X+ Y= k).
Il est facile de voir que si X et Y sont deux variables al´eatoires positives ind´ependantes,
alors on a G(X,Y)(s,t) = GX(s)GY(t). La r´eciproque de ce r´esultat est ´egalement vraie :
Proposition 1.14 Les variables al´eatoires positives X et Y sont ind´ependantes si et seulement
si

Remarque : La fonction g´en´eratrice du vecteur al´eatoire X = (X 1,...,Xn) v´erifiant X(Ω) ⊂

G(X,Y)(s,t) = GX(s)GY(t).

Nn est la fonction G: [0,1]n →R+ d´efinie par

G(s1,...,sn) = E(sX1
1 ×...×sXn
n ).
Cette fonction de n variables caract´erise la loi du n-uplet, permet de retrouver les lois margi-
nales ...
1.8 Exemple d’utilisation de la fonction g´en´eratrice
Calculons la fonction g´en´eratrice de la loi trinomiale (n,px,py).
Soit (X,Y) un couple de variable al´eatoire de loi trinomiale (n,p x,py).
On a
G(X,Y)(s,t) = E(sXtY)
=
sitjP(X= i,Y= j)
i,j∈{0,...,n},i+j≤n
=
n
n−i
sitj n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i
n−i
(n−i)!
j!(n−i−j)!(tpy)j(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i(1−px−(1−t)py)n−i
i=0
= (1−(1−s)px−(1−t)py)n
.13
En prenant t= 1 dans le r´esultat ci-dessus, on trouve : G (X,Y)(s,1) = (1−(1−s)px)n; on
reconnaˆıt la fonction caract´eristique d’une loi binomiale (n,p x) ce qui prouve que X suit une
loi binomiale (n,px).
La fonction g´en´eratrice de (X,Y) permet ´egalement de calculer celle de X + Y. On a en
effet :
E(sX+Y) = E(sXsY) = G(X,Y)(s,s).
On trouve ici : GX+Y(s) = (1−(1−s)(px + py))n; on retrouve donc que X + Y suit une loi
binomiale (n,px + py).
1.9 Somme de deux variables al´eatoires de loi de Poisson et ind´e-
pendantes
Consid´erons deux variables al´eatoires X et Y ind´ependantes et de loi de Poisson de para-
m`etre respectivement µ1 >0 et µ2 >0, et calculons la loi de X+ Y.
Premi`ere m´ethode
Commen¸cons par calculer la fonction g´en´eratrice de la loi de X. On a
GX(s) = E(sX)
=
n≥0
=
n≥0
= e−µ1 eµ1s
= e−µ1(1−s)
snP(X= n)
sne−µ1 µn
1
n!
De la mˆeme fa¸con, on a GY(t) = e−µ2(1−t). Comme X et Y sont des variables al´eatoires
ind´ependantes, on en d´eduit la fonction g´en´eratrice du couple (X,Y) :
G(X,Y)(s,t) = e−µ1(1−s)e−µ2(1−t)
.
La fonction g´en´eratrice de X+ Y est donc
GX+Y(s) = G(X,Y)(s,s) = e−(µ1+µ2)(1−s)
.
On reconnaˆıt ici la fonction g´en´eratrice d’une loi de Poisson de param`etre µ 1 + µ2 et on peut
conclure que X+ Y suit une loi de Poisson de param`etre µ1 + µ2.
Attention : La variable al´eatoire X−Y ne suit pas une loi de Poisson : cette variable al´eatoire
prend ses valeurs dans Z et non dans N et, en cons´equence, on ne peut pas calculer sa fonction
g´en´eratrice.

On a ´evidemment (X+Y)(Ω) ⊂N. Fixons donc n∈N et calculons directement la probabilit´e

Deuxi`eme m´ethode

P(X+ Y= n).14
On a
P(X+ Y= n) =
P(X= k,X+ Y= n)
k≥0
=
k≥0
=
k≥0
=
n
k=0
= e−(µ1+µ2) 1
n!
P(X= k,Y= n−k)
P(X= k)P(Y= n−k)
e−µ1 µk
1
2
k! e−µ2 µn−k
(n−k)!
n
n!
k!(n−k)!µk
1µn−k
2
k=0
= e−(µ1+µ2) (µ1 + µ2)n
n!
On retrouve donc que X+ Y suit une loi de Poisson de param`etre µ 1 + µ2.
2 Couples al´eatoires `a densit´e
2.1 Densit´e d’un couple
D´efinition 2.1 Un couple (X,Y) de variables al´eatoires r´eelles sera dit « `a densit´e par rapport
`a la mesure de Lebesgue de R2 »s’il existe une fonction f : R2 →R+ telle que, pour tous

P(X ∈I et Y ∈J) =
intervalles I et J et pour toute fonction continue born´ee ou positive h on ait :

I×J
f(x,y) dxdy et E(h(X,Y)) =
h(x,y)f(x,y) dxdy.
R2
Remarque :
– La densit´e f est toujours une fonction positive, int´egrable et dont l’int´egrale sur R 2 par
rapport `a la mesure de Lebesgue vaut 1.
– On peut montrer que la d´efinition de la densit´e est ´equivalente `a : pour tout ouvert U de

P((X,Y) ∈U) =
R2

U
f(x,y) dxdy.

1. Soit D= {(x,y) ∈R2,x2 + y2 ≤1}le disque unit´e de R2 et f la fonction d´efinie sur R2

Exemples :

par : f(x,y) = 1D(x,y)/π. f est bien une densit´e de probabilit´e sur R2 : c’est la densit´e
de la loi uniforme sur D, c’est-`a-dire la loi que l’on obtient en jetant un point au hasard
et uniform´ement sur D.
2. Soit X une variable al´eatoire de loi exponentielle. La loi du couple (X,X) n’admet pas
de densit´e par rapport `a la mesure de Lebesgue sur R2. En effet, si une telle densit´e f15
existait, elle devrait ˆetre (presque partout) nulle en dehors de la droite {x= y}puisque
P(X ̸= Y) = 0. On aurait alors
1=
R2
f(x,y) dxdy=
f(x,y) dxdy.
{x=y}⊂R2
Or une droite est de mesure nulle pour la mesure de Lebesgue sur R2, donc l’int´egrale,
toujours par rapport `a la mesure de Lebesgue sur R2, de n’importe quelle fonction sur ce
domaine est nulle. On aboutit donc `a une contradiction.
2.2 Loi marginale
Les lois marginales du couple (X,Y) sont les lois des variables al´eatoires X et Y. On peut
v´erifier ais´ement la proposition suivante :
Proposition 2.2 Soit (X,Y) un couple de variables al´eatoires de densit´e (conjointe) f : R 2 →
R+. Alors les deux variables al´eatoires X et Y ont chacune une densit´e, not´ee respectivement
fX et fY donn´ees par :
fX(x) =
y∈R
f(x,y) dy et fY(y) =
x∈R
f(x,y) dx.

P(X ≤t) = P(X ∈] −∞,t] et Y ∈R)

Preuve : En effet, soit t∈R et calculons la fonction de r´epartition de X. On a

=
f(x,y) dxdy
]−∞,t]×R
=
t
−∞ y∈R
f(x,y)dy dx
Ce principe s’applique aux vecteurs `a densit´e, `a ceci pr`es que les lois marginales d’un triplet
sont les lois de chacune des variables qui le constituent ainsi que les lois des couples de variables.
Exercice : Calculer les lois marginales du couple (X,Y) de loi uniforme sur le disque D de
centre 0 et de rayon 1.
2.3 Ind´ependance
Rappelons la d´efinition de l’ind´ependance de variables al´eatoires :
D´efinition 2.3 Les variables al´eatoires X et Y sont ind´ependantes si, pour tous intervalles

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus g´en´eralement, n variables al´eatoires X1,...,Xn sont (mutuellement) ind´ependantes

si, pour tous intervalles I1,...,In, on a
P
{Xk ∈Ik}=
k≤n

P{Xk ∈Ik}.k≤n16
Le lien entre densit´es et ind´ependance est clair :
Proposition 2.4 Deux variables al´eatoires (X,Y) de densit´e respectivement f et g sont in-
d´ependantes si et seulement si la loi du couple admet une densit´e et que cette densit´e est la
fonction (x,y) →f(x)g(y).
2.4 Esp´erance, covariance
D´efinition 2.5 On d´efinit, comme pour les couples discrets l’esp´erance d’un couple de variables
al´eatoires int´egrables comme ´etant le couple des esp´erances E(X,Y) = (E(X),E(Y)), et il est
facile de v´erifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces int´egrales sont absolument convergentes.
Si les variables al´eatoires sont de carr´e int´egrable, on d´efinit ´egalement la matrice de cova-
riance du couple (X,Y) par
C=
var (X) cov(X,Y)
cov(X,Y) var (Y)
Les termes non-diagonaux de cette matrice seront
cov(X,Y) = E((X−E(X))(Y−E(Y))) = E(XY)−E(X)E(Y)
o`u
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice sym´etrique et positive (au
sens des formes bilin´eaires).
Ces d´efinitions s’´etendent naturellement au cas des vecteurs al´eatoires `a densit´e, en rempla¸cant
les int´egrales doubles par des int´egrales multiples.
Remarque : Pour identifier la densit´e d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et born´ee et on essaie d’´ecrire E(h(X,Y)) sous la forme
E(h(X,Y))) =
R2
h(x,y)f(x,y) dx
,dy.
La fonction f : R2 →R+ ci-dessus, si elle existe, sera la densit´e du couple (X,Y).
Les propri´et´es vues dans le cas discret restent vraies pour les couples `a densit´e : notamment,
si le couple est form´e de variables al´eatoires ind´ependantes et de carr´e int´egrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables al´eatoires dont le couple admet une densit´e, peut ˆetre nulle sans que les variables
soient ind´ependantes : reprendre par exemple l’exemple du couple de loi uniforme sur le disque
de centre 0 et de rayon 1.17
2.5 Loi de la somme
On peut v´erifier que si le couple (X,Y) a une densit´e, la variable X + Y aura ´egalement
une densit´e, et on peut expliciter cette densit´e :
Proposition 2.6 – Si le couple (X,Y) admet pour densit´e la fonction f, alors la densit´e
de la variable al´eatoire X+ Y est la fonction g d´efinie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables al´eatoires ind´ependantes de densit´e f X et fY, la densit´e,
not´ee g, de X+ Y est le produit de convolution de fX et fY :
g(z) =
R
fX(x)fY(z−x) dx=
R
fX(z−y)fY(y) dy.
Preuve : Soit h: R →R une fonction continue par morceaux et born´ee. On a
Eh(X+ Y) =
R2
=
R
h(x+ y)f(x,y) dx
,dy
h(z)
R
f(x,z−x) dx dz
en posant x = x et z = x+ y. Si on avait effectu´e le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annonc´ee.
Couples et vecteurs de variables al´eatoires
Pr´eparation `a l’agr´egation interne
1 Couples et vecteurs al´eatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donn´ee par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables al´eatoires discr`etes avec X(Ω) = {x i,i∈N}et Y(Ω) =

P(X= x,Y= y) = P{ω,X(ω) = x et Y(ω) = y}, pour tout couple (x,y) ∈(X,Y)(Ω).
Y(Ω)) ainsi que par les probabilit´es

Remarque : On doit bien entendu avoir x,y P(X= x,Y= y) = 1.

loi conjointe du vecteur (X1,...,Xn) est donn´ee par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus g´en´eralement, si X1,...,Xn sont n variables al´eatoires discr`etes `a valeurs dans N, la

ainsi que par les probabilit´es P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et consid´erons le couple de variables al´eatoires (X,Y) `a
valeurs dans {0,1}×N dont la loi est donn´ee par :
P(X = 0,Y = 0) = 1−p
P(X = 1,Y= k) = pe−λλk/k!, pour tout k∈N
P(X= j,Y= k) = 0 sinon.
On a bien i,j P(X= i,Y= j) = 1 : on a donc bien ´ecrit la loi d’un couple al´eatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons num´erot´es de 1 `a 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les r´esultats des deux tirages.
On a : P(X= i,Y= i) = 0 pour tout i entre 1 et 4 et P(X= i,Y= j) = 1/12 si
1 ≤i,j ≤4 et i̸= j.
On peut ´ecrire les probabilit´es sous la forme du tableau suivant (o`u par exemple dans la
deuxi`eme case de la premi`ere ligne, on lit P(X = 1,Y = 2)) :
X\Y 1 2 1/12 3 4
1/12
4 1/12 1 0 1/12 2 1/12 0 1/12 1/12
3 1/12 1/12 0 1/12
1/12 1/12 0
Exemple 3 : Loi trinomiale. On se fixe un nombre entier nstrictement positif et deux param`etres

tel que (X,Y)(Ω) ∈N2 et donn´ee pour tout (i,j) ∈N2 tels que i+ j ≤n par :
r´eels positifs px et py tels que px+py ≤1. La loi trinomiale (n,px,py) est la loi du couple (X,Y)

P(X= i,Y= j) = n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
,2
et P(X= i,Y= j) = 0 sinon.
Exercice : Montrer que l’on d´efinit bien ainsi la loi d’un couple al´eatoire.
La loi trinomiale est une extension de la loi binomiale. Imaginons en effet une exp´erience
qui a trois issues possibles, not´ee x, y et z, avec comme probabilit´e de r´ealisation p x, py et
pz = 1−px−py. R´ep´etons nfois cette exp´erience (nest fix´e) de fa¸con ind´ependante et comptons
le nombre d’apparitions de x (nombre not´e X) et de y (not´e Z) parmi ces n r´ep´etitions. C’est
alors un exercice de d´enombrement que de d´emontrer que le couple (X,Y) suit alors une loi
trinomiale de param`etres (n,px,py).
1.2 Lois marginales
D´efinition 1.1 Les (deux) lois marginales du couple (X,Y) sont les lois des variables al´ea-
toires X et Y. On les obtient de la fa¸con suivante :
P(X= x) =
y∈Y(Ω)
P(Y= y) =
x∈X(Ω)
P(X= x,Y= y),
P(X= x,Y= y).

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

y∈Y(Ω)
Comme la r´eunion est d´enombrable et disjointe, il vient :
P(X= x) =
y∈Y(Ω)
P(X= x,Y= y).
Plus g´en´eralement, un vecteur (X1,...,Xn) `a valeurs dans Zn poss`ede n lois marginales
unidimensionnelles, mais ´egalement n(n−1) lois marginales bidimensionnelles, et ainsi de suite.
On a par exemple
P(X1 = x) =
(x2,...,xn)∈Zn−1
P(X1 = x,X2 = x2,...,Xn = xn).
Reprenons les exemples pr´ec´edents :
Exemple 1.
D´eterminons la loi de X : X est `a valeurs dans {0,1}et on a :
P(X = 0) =
j∈N
P(X = 0,Y= j) = 1−p.
De la mˆeme fa¸con :
P(X = 1) =
j∈N
P(X = 1,Y= j) =
pe−λλj/j! = p.j≥03
La variable al´eatoire X suit donc une loi de Bernoulli de param`etre p. Calculons aussi la loi de
Y:
P(Y = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
.
Et pour tout j ≥1,
P(Y= j) = P(X = 0,Y= j) + P(X = 1,Y= j) = pe −λλj/j!.
P(X= j,Y= k)
Exemple 2 : Il suffit de sommer en colonne pour avoir la loi de X, et en ligne pour obtenir celle
de Y. En pratique, on peut ajouter une colonne et une ligne au tableau pour y ´ecrire les lois de
X et Y. Et avant de conclure, on prend le soin de v´erifier que la somme de cette colonne (et de
cette ligne) vaut 1.
On trouve ici que X et Y suivent une loi uniforme sur {1,2,3,4}.

marginale de X : fixons j ∈{0,...,n}et ´evaluons P(X= j).

Exemple 3 : On consid`ere le couple (X,Y) de loi trinomiale (n,p x,py). D´eterminons la loi

On a
P(X= j) =
=
n
k=0
n−j
k=0
n−j
k=0
P(X= j,Y= k) +
n
k=n−j+1
P(X= j,Y= k)
n!
=
j!k!(n−j−k)!pj
xpk
y(1−px−py)n−j−k + 0
n!
=
j!(n−j)!pj
x
n−j
(n−j)!
k!(n−j−k)!pk
y(1−px−py)n−j−k
k=0
=
n
j pj
x(1−px)n−j
La variable al´eatoire X suit donc une loi Bin(n,px). Un calcul similaire montre que Y suit
une loi binomiale Bin(n,py).
1.3 Loi de f(X,Y)
Probl`eme : On dispose d’un couple de variables al´eatoires discr`etes (X,Y) dont on connaˆıt
la loi conjointe et on voudrait connaˆıtre la loi de la variable al´eatoire Z= f(X,Y), o`u f :
X(Ω) ×Y(Ω) →R est une fonction donn´ee. Par exemple, on a souvent besoin de connaˆıtre la
loi de X + Y, ou celle de X−Y, ou de XY. Et d´eterminer la loi de X `a partir de celle de

Proposition 1.2 On a Z(Ω) = f((X,Y)(Ω)) et pour tout z ∈f((X,Y)(Ω)), on a

(X,Y) revient `a consid´erer la fonction f(x,y) = x.

P(Z= z) =
(x,y)∈(X,Y)(Ω),f(x,y)=z
P(X= x,Y= y).4
Exemple : Reprenons une nouvelle fois l’exemple 1 et consid´erons la fonction f(x,y) = xy. La
variable al´eatoire XY est `a valeurs dans N et on a
P(XY = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
et, pour tout k∈N∗
,
P(XY= k) = P(X = 1,Y= k) = pe−λλk
k!.
Un cas particulier important. Nous consid´erons ici la fonction f(x,y) = x+ y. On obtient :
P(X+ Y= z) =
P(X= x,Y= y)
(x,y)∈(X,Y)(Ω),x+y=z
=
P(X= x,Y= z−x)
x∈X(Ω)
=
P(X= z−y,Y= y)
y∈Y(Ω)
Plus g´en´eralement, si X = (X1,...,Xn) est un vecteur al´eatoire discret et f : X(Ω) →R
est une fonction donn´ee, on a :
P(f(X1,...,Xn) = z) =
x1,...,xn,f(x1,...,xn)=z
P(X1 = x1,...,Xn = xn).
On en d´eduit le corollaire fondamental suivant :
Proposition 1.3 Soient X et Y deux variables al´eatoires discr`etes et int´egrables. Alors la
variable al´eatoire Z= X+ Y est int´egrable et on a E(X+ Y) = E(X) + E(Y).

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable al´eatoire discr`ete et que sa loi est

P(X+ Y= z) =
P(X= x,Y= z−x)
x∈X(Ω)
On a donc
Puis
E(|X+ Y|) =
z∈(X+Y)(Ω)

E(|X+ Y|) =
z∈(X+Y)(Ω)
x∈X(Ω)

|z|
x∈X(Ω)
P(X= x,Y= z−x)

|x+ (z−x)|P(X= x,Y= z−x)
5
En utilisant l’in´egalit´e triangulaire, il vient :
E(|X+ Y|) ≤
z∈(X+Y)(Ω)
≤
z∈(X+Y)(Ω)

x∈X(Ω)
(|x|+ |z−x|)P(X= x,Y= z−x)


x∈X(Ω)
+
z∈(X+Y)(Ω)
|x|P(X= x,Y= z−x)
+
 x∈X(Ω)
|z−x|P(X= x,Y= z−x) 
´
Etudions tout d’abord la premi`ere somme :

z∈(X+Y)(Ω)
x∈X(Ω)
|x|P(X= x,Y= z−x)
=
x∈X(Ω)
=
x∈X(Ω)

|x|
z∈(X+Y)(Ω)
[|x|P(X= x)] = E(|X|)
P(X= x,Y= z−x)

Passons `a la deuxi`eme somme : sommer sur x ∈X(Ω) ou sur x tel que z−x ∈Y(Ω) ne


change pas la valeur de cette somme. On a donc



z∈(X+Y)(Ω)
x∈X(Ω)
|z−x|P(X= x,Y= z−x)
=
z∈(X+Y)(Ω)
z−x∈Y(Ω)
|z−x|P(X= x,Y= z−x)


=
z∈(X+Y)(Ω)
y∈Y(Ω)

=
y∈Y(Ω)
|y|
z∈(X+Y)(Ω)
|y|P(X= z−y,Y= y)

P(X= z−y,Y= y)

=
|y|P(Y= y) = E(|Y|)
y∈Y(Ω)
On remarque donc que si X et Y sont int´egrables, X + Y l’est ´egalement, et en effectuant le
mˆeme calcul sans les valeurs absolues, on conclut que E(X+ Y) = E(X) + E(Y).
Exemple : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi de X+ Y.
Cette variable al´eatoire est `a valeurs dans N et on a, pour tout entier k :
P(X+ Y= k) =
n
j=0
P(X= j,Y= k−j).
Pour tout k>n, chacun des termes de cette somme est nul donc P(X+ Y= k) = 0.6
Fixons maintenant un entier k∈{0,...,n}. On a :
P(X+ Y= k) =
=
=
=
k
j=0
k
j=0
P(X= j,Y= k−j)
n!
j!(k−j)!(n−k)!pj
xpk−j
y (1−px−py)n−k
n!
(n−k)!(1−px−py)n−k
k
j=0
n!
1
j!(k−j)!pj
xpk−j
y
k!(n−k)!(1−px−py)n−k(px + py)k
.
La variable al´eatoire X+ Y suit donc une loi binomiale Bin(n,p x + py).
1.4 Loi conditionnelle
Consid´erons un couple (X,Y) de variables al´eatoires discr`etes, dont on connaˆıt la loi jointe
et fixons y tel que P(Y= y) >0.
La loi conditionnelle de X sachant l’´ev´enement {Y= y}est donn´ee par le fait que c’est
une loi sur X(Ω) ainsi que par les probabilit´es conditionnelles P(X= x|Y= y) pour tout
x∈X(Ω).
On v´erifie ais´ement que
P(X= x|Y= y) = 1
x∈X(Ω)
ce qui implique que la loi conditionnelle de X sachant {Y= y}est la loi d’une variable al´eatoire.
De plus, la formule des probabilit´es totales implique que
P(X= x) =
P(X= x|Y= y)P(Y= y).
y∈Y(Ω)
Cette d´efinition de la loi conditionnelle s’´etend `a des vecteurs al´eatoires : par exemple pour
un triplet al´eatoire (X,Y,Z), on peut ´etudier la loi conditionnelle de X sachant {Y= y}, la loi
conditionnelle de X sachant {Y= y et Z= z}, la loi conditionnelle du couple (X,Y) sachant

Exemple 1 : La loi de Y sachant {X = 1}est donn´ee par Y(Ω) ∈N et, pour tout entier
{Z= z}...

positif k, on a
1
P(Y= k|X = 1) = P(Y= k et X = 1)
P(X = 1)
= pe−λλk
k! ×
p
= e−λλk
k!.
La loi conditionnelle de Y sachant que {X = 1}est donc une loi de Poisson de param`etre
λ.7
Exemple 2 : La loi de X sachant {Y = 1}est la loi uniforme sur {2,3,4}.
Exemple 3 : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi
conditionnelle de X sachant {Y= k}, pour un entier k∈{0,...,n}. Remarquons tout d’abord
que si j <0 ou j >n−k, P(X= j|Y= k) = 0. Fixons maintenant un entier j ∈{0,...,n−k}.
On a
P(X= j|Y= k) = P(X= j et Y= k)
P(Y= k)
n! pj
xpk
y(1−px−py)n−j−k
k!(n−k)!
=
j!k!(n−j−k)!
n! pk
y(1−py)n−k
(n−k)!
=
j!(n−k−j)!
px
1−py
j 1−px−py
1−py
.
La loi conditionnelle de X sachant {Y= k}est donc une loi binomiale (n−k,p x/(1−py)).
n−k−j
1.5 Ind´ependance de variables al´eatoires discr`etes

tout x ∈X(Ω) et tout y ∈Y(Ω), les ´ev´enements {X= x}et {Y= y}sont ind´ependants,
D´efinition 1.4 Deux variables al´eatoires discr`etes X et Y sont dites ind´ependantes si pour

c’est-`a-dire :
P(X= x,Y= y) = P(X= x)P(Y= y).

y ∈Y(Ω) et tout x ∈X(Ω) tels que P(Y= y) > 0 et P(X= x) > 0, P(X= x|Y= y) =
Si X et Y sont deux variables al´eatoires discr`etes ind´ependantes, on aura donc, pour tout

P(X= x) et P(Y= y|X= x) = P(Y= y).

n `a n) ind´ependantes si, pour tout choix de x1 ∈X1(Ω),...,xn ∈Xn(Ω), on a

Plus g´en´eralement, les n variables al´eatoires discr`etes X1,...,Xn sont (mutuellement ou

P(X1 = x1,...,Xn = xn) = P(X1 = x1)...P(Xn = xn).

Remarques :
´
•L’ind´ependance n`a nentraˆıne l’ind´ependance 2 `a 2 (mais la r´eciproque est fausse).
Ecrire
la preuve de ce r´esultat pour n= 3.
•Des ´ev´enements A1,...,An sont ind´ependants si et seulement si les variables al´eatoires
1A1 ,...,1An
le sont.
Proposition 1.5 Si les n variables al´eatoires discr`etes X1,...,Xn sont ind´ependantes alors
on a X(Ω) = X1(Ω) ×···×Xn(Ω).
Remarque : Lorsque les variables al´eatoires X et Y sont ind´ependantes, connaˆıtre les lois
marginales permet donc de connaˆıtre la loi jointe du couple (X,Y), alors que pour des variables
al´eatoires quelconques, cela ne suffit pas.8
1.6 Esp´erance, matrice de covariance
Dans un souci de clart´e, tous les r´esultats de ce paragraphe et du suivant sont ´enonc´es pour
les couples de variables al´eatoires discr`etes, et ils s’´etendent sans peine aux vecteurs al´eatoires
discrets.
On consid`ere un couple al´eatoire discret (X,Y).
D´efinition 1.6 •L’esp´erance du couple (X,Y) est d´efinie si X et Y sont int´egrables et on
a alors : E(X,Y) = (E(X),E(Y)).
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la covariance de X et de Y,
ou covariance du couple (X,Y), est donn´ee par
cov(X,Y) = E(XY)−E(X)E(Y) = E[(X−E(X))(Y−E(Y))].
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la matrice de covariance du
couple (X,Y) est la matrice
C=
var (X) cov(X,Y)
cov(X,Y) var (Y).
Plus g´en´eralement, la matrice de covariance d’un vecteur (X1,...,Xn), dont chacune des com-
posantes est de carr´e int´egrable, est une matrice n×n dont les termes diagonaux sont les
variances des Xi et dont le terme (i,j) est la covariance cov(Xi,Xj) pour tout i̸= j.
Remarque : Le calcul de l’esp´erance de X ou de Y ne fait intervenir que les lois marginales,
mais nous allons voir qu’il n’est pas n´ecessaire d’expliciter ces lois marginales.
Proposition 1.7 Si (X,Y) est un couple de variables al´eatoires discr`etes, pour toute fonction
h: R2 →R telle que
|h(x,y)|P(X= x,Y= y) <∞,
x∈X(Ω),y∈Y(Ω)
la variable al´eatoire h(X,Y) est int´egrable et on a
E(h(X,Y)) =
x∈X(Ω),y∈Y(Ω)
h(x,y)P(X= x,Y= y).

est discr`ete et on a, pour tout z ∈(h(X,Y))(Ω),

Preuve : Notons Z= h(X,Y). On a une ´ecriture explicite de la loi de Z : cette variable al´eatoire

P(Z= z) =
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y)
La variable al´eatoire Z est donc int´egrable si la somme
S=
z∈(h(X,Y))(Ω)
 |z|
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y) 9
converge. Or cette somme peut s’´ecrire
S=
z∈(h(X,Y))(Ω)
 (x,y)∈(X,Y)(Ω),h(x,y)=z
=
|h(x,y)|P(X= x,Y= y)
(x,y)∈(X,Y)(Ω)
|h(x,y)|P(X= x,Y= y) 
La mˆeme proc´edure appliqu´ee `a la somme sans les valeurs absolues permet d’obtenir le r´esultat
d´esir´e pour E(h(X,Y)).
Application : Cette proposition permet d’´ecrire notamment les esp´erances de X, de Y ou de
XY sans expliciter la loi de ces variables al´eatoires. Si le couple (X,Y) est discret, on a ainsi
E(X) =
(x,y)∈(X,Y)(Ω)
E(Y) =
(x,y)∈(X,Y)(Ω)
E(XY) =
(x,y)∈(X,Y)(Ω)
xP(X= x,Y= y)
yP(X= x,Y= y)
xyP(X= x,Y= y)
lorsque les s´eries convergent.
Revenons maintenant `a la matrice de covariance :
Proposition 1.8 1. Une matrice de covariance C est toujours une matrice sym´etrique et
positive (i.e., pour tout v∈Rn
, <v,Cv>≥0).
2. Si X et Y sont deux variables al´eatoires ind´ependantes et int´egrables, on a E(XY) =
E(X)E(Y) et donc cov(X,Y) = 0. La r´eciproque de ce r´esultat est fausse.
3. Si X et Y sont deux variables al´eatoires ind´ependantes et f et g deux fonctions telles que
les variables al´eatoires f(X) et g(Y) sont int´egrables, on a E(f(X)g(Y)) = E(f(X))E(g(Y)).
La r´eciproque de ce r´esultat est fausse.
4. Si les variables al´eatoires X1,...,Xn sont ind´ependantes et de carr´e int´egrable, alors la
matrice de covariance de (X1,...,Xn) est diagonale. La r´eciproque de ce r´esultat est
fausse.
Preuve : 1. Soit X = (X1,...,Xn) un vecteur al´eatoire dont chaque composante est de carr´e
int´egrable, notons C sa matrice de covariance et fixons v = (v1,...,vn) un vecteur de Rn
.
Quitte `a remplacer chaque Xi par Xi−E(Xi), on supposera les variables al´eatoires centr´ees
(d’esp´erance nulle).10
On a
<v,Cv>=
Cijvivj
i,j
=
E(XiXj)vivj
i,j
=E
i,j
viXivjXj
=E
i
viXi ×
j
= E  i
viXi
2 
vjXj
On a donc bien <v,Cv>≥0.
2. Consid´erons deux variables al´eatoires discr`etes X et Y ind´ependantes et int´egrables. Mon-
trons que XY est int´egrable et calculons son esp´erance. On a
E(|XY|) =
x∈X(Ω),y∈Y(Ω)
|xy|P(X= x,Y= y)
Comme X et Y sont ind´ependantes, P(X= x,Y= y) = P(X= x)P(Y= y) donc
E(|XY|) =
|xy|P(X= x)P(Y= y)
x∈X(Ω),y∈Y(Ω)
=
x∈X(Ω)
 |x|P(X= x)
y∈Y(Ω)
=  x∈X(Ω)
|x|P(X= x)  y∈Y(Ω)
= E(|X|)E(|Y|).
|y|P(Y= y) 
|y|P(Y= y) 
On montre alors par un calcul similaire que E(XY) = E(X)E(Y), puis on en d´eduit que
cov(X,Y) = 0.
3. et 4. se d´eduisent ais´ement de 2.
La proposition suivante, bien que tr`es simple `a prouver, est fort utile :
Proposition 1.9 Si X et Y sont deux variables al´eatoires de carr´e int´egrable, on a
var (X+ Y) = var (X) + var (Y) + 2cov(X,Y).
Si de plus, X et Y sont ind´ependantes, on a
var (X+ Y) = var (X) + var (Y).11
De plus, pour deux variables al´eatoires de carr´e int´egrable, il est possible d’obtenir une
majoration de cov(X,Y) `a partir des variances de X et Y :
Proposition 1.10 (In´egalit´e de Cauchy Schwarz) Soient X et Y deux variables al´eatoires
de carr´e int´egrable. On a
|E(XY)|≤E(|XY|) ≤ E(X2)E(Y2]
|cov(X,Y)|≤ var (X)var (Y)
Preuve : Le deuxi`eme point s’obtient en appliquant le premier `a X−E(X) et Y−E(Y).
Le premier point se montre de la mˆeme fa¸con que dans le cas classique (produit scalaire de
deux vecteurs) : on ´etudie le polynˆome
R(λ) = E(X2)λ2
−2E|XY|λ+ E(Y2).
Ce polynˆome se factorise en
R(λ) = E[(λ|X|−|Y|)2].
Il n’admet donc pas deux racines r´eelles distinctes, ce qui signifie que son discriminant (r´eduit)
est n´egatif :
(E|XY|)2
−E(X2)E(Y2) ≤0.
On ´etudie de la mˆeme fa¸con le cas d’´egalit´e : le discriminant n’est nul que si le polynˆome admet
une racine r´eelle double. Dans ce cas, il existe donc λ0 tel que
E[(λ0|X|+ |Y|)2] = 0;
l’esp´erance d’une variable al´eatoire positive ne pouvant ˆetre nulle que si la variable al´eatoire est
(presque sˆurement) nulle, on aura alors : |Y|=−λ0|X|, presque sˆurement.
Les preuves sans les valeurs absolues sont similaires.
1.7 Fonction g´en´eratrice d’un couple
D´efinition 1.11 La fonction g´en´eratrice d’un couple de variables al´eatoires discr`etes positives
est la fonction d´efinie sur [0,1]2 par
G(X,Y)(s,t) = E(sXtY) =
sxtyP(X= x,Y= y).
x∈X(Ω),y∈Y(Ω)
Proposition 1.12 La fonction g´en´eratrice d´etermine la loi du couple (X,Y) au sens o`u si deux
couples de variables al´eatoires positives ont la mˆeme fonction g´en´eratrice, alors ils suivent la
mˆeme loi.
La fonction g´en´eratrice de (X,Y) permet de retrouver par exemple :
•la fonction g´en´eratrice de X : GX(s) = G(X,Y)(s,1) et de Y,
•l’esp´erance de X si X est int´egrable : E(X) = ∂
∂sG(X,Y)(1,1),
•l’esp´erance de X2 si X est de carr´e int´egrable : E(X2) = ∂2
∂s2 G(X,Y)(1,1) + ∂
∂sG(X,Y)(1,1),12
•l’esp´erance de XY si X et Y sont de carr´e int´egrable : E(X,Y) = ∂ 2
∂s∂tG(X,Y)(1,1).
Une autre utilit´e importante de la fonction g´en´eratrice est de permettre de calculer simple-
ment la loi de somme de variables al´eatoires, `a partir du moment o`u on connaˆıt leur loi jointe.
En effet, on a le r´esultat suivant :
Proposition 1.13 Soient (X,Y) un couple de variables al´eatoires positives dont on connaˆıt la
loi jointe. Notons GX,Y la fonction g´en´eratrice du couple. On a alors GX+Y(s) = G(X,Y)(s,s).
Preuve : On a G(X,Y)(s,s) = E(sXsY) = E(sX+Y) = GX+Y(s).
Si X et Y sont `a valeurs enti`eres, il ne reste plus qu’`a d´ecomposer la fonction G X+Y en s´erie
enti`ere pour obtenir les probabilit´es P(X+ Y= k).
Il est facile de voir que si X et Y sont deux variables al´eatoires positives ind´ependantes,
alors on a G(X,Y)(s,t) = GX(s)GY(t). La r´eciproque de ce r´esultat est ´egalement vraie :
Proposition 1.14 Les variables al´eatoires positives X et Y sont ind´ependantes si et seulement
si

Remarque : La fonction g´en´eratrice du vecteur al´eatoire X = (X 1,...,Xn) v´erifiant X(Ω) ⊂

G(X,Y)(s,t) = GX(s)GY(t).

Nn est la fonction G: [0,1]n →R+ d´efinie par

G(s1,...,sn) = E(sX1
1 ×...×sXn
n ).
Cette fonction de n variables caract´erise la loi du n-uplet, permet de retrouver les lois margi-
nales ...
1.8 Exemple d’utilisation de la fonction g´en´eratrice
Calculons la fonction g´en´eratrice de la loi trinomiale (n,px,py).
Soit (X,Y) un couple de variable al´eatoire de loi trinomiale (n,p x,py).
On a
G(X,Y)(s,t) = E(sXtY)
=
sitjP(X= i,Y= j)
i,j∈{0,...,n},i+j≤n
=
n
n−i
sitj n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i
n−i
(n−i)!
j!(n−i−j)!(tpy)j(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i(1−px−(1−t)py)n−i
i=0
= (1−(1−s)px−(1−t)py)n
.13
En prenant t= 1 dans le r´esultat ci-dessus, on trouve : G (X,Y)(s,1) = (1−(1−s)px)n; on
reconnaˆıt la fonction caract´eristique d’une loi binomiale (n,p x) ce qui prouve que X suit une
loi binomiale (n,px).
La fonction g´en´eratrice de (X,Y) permet ´egalement de calculer celle de X + Y. On a en
effet :
E(sX+Y) = E(sXsY) = G(X,Y)(s,s).
On trouve ici : GX+Y(s) = (1−(1−s)(px + py))n; on retrouve donc que X + Y suit une loi
binomiale (n,px + py).
1.9 Somme de deux variables al´eatoires de loi de Poisson et ind´e-
pendantes
Consid´erons deux variables al´eatoires X et Y ind´ependantes et de loi de Poisson de para-
m`etre respectivement µ1 >0 et µ2 >0, et calculons la loi de X+ Y.
Premi`ere m´ethode
Commen¸cons par calculer la fonction g´en´eratrice de la loi de X. On a
GX(s) = E(sX)
=
n≥0
=
n≥0
= e−µ1 eµ1s
= e−µ1(1−s)
snP(X= n)
sne−µ1 µn
1
n!
De la mˆeme fa¸con, on a GY(t) = e−µ2(1−t). Comme X et Y sont des variables al´eatoires
ind´ependantes, on en d´eduit la fonction g´en´eratrice du couple (X,Y) :
G(X,Y)(s,t) = e−µ1(1−s)e−µ2(1−t)
.
La fonction g´en´eratrice de X+ Y est donc
GX+Y(s) = G(X,Y)(s,s) = e−(µ1+µ2)(1−s)
.
On reconnaˆıt ici la fonction g´en´eratrice d’une loi de Poisson de param`etre µ 1 + µ2 et on peut
conclure que X+ Y suit une loi de Poisson de param`etre µ1 + µ2.
Attention : La variable al´eatoire X−Y ne suit pas une loi de Poisson : cette variable al´eatoire
prend ses valeurs dans Z et non dans N et, en cons´equence, on ne peut pas calculer sa fonction
g´en´eratrice.

On a ´evidemment (X+Y)(Ω) ⊂N. Fixons donc n∈N et calculons directement la probabilit´e

Deuxi`eme m´ethode

P(X+ Y= n).14
On a
P(X+ Y= n) =
P(X= k,X+ Y= n)
k≥0
=
k≥0
=
k≥0
=
n
k=0
= e−(µ1+µ2) 1
n!
P(X= k,Y= n−k)
P(X= k)P(Y= n−k)
e−µ1 µk
1
2
k! e−µ2 µn−k
(n−k)!
n
n!
k!(n−k)!µk
1µn−k
2
k=0
= e−(µ1+µ2) (µ1 + µ2)n
n!
On retrouve donc que X+ Y suit une loi de Poisson de param`etre µ 1 + µ2.
2 Couples al´eatoires `a densit´e
2.1 Densit´e d’un couple
D´efinition 2.1 Un couple (X,Y) de variables al´eatoires r´eelles sera dit « `a densit´e par rapport
`a la mesure de Lebesgue de R2 »s’il existe une fonction f : R2 →R+ telle que, pour tous

P(X ∈I et Y ∈J) =
intervalles I et J et pour toute fonction continue born´ee ou positive h on ait :

I×J
f(x,y) dxdy et E(h(X,Y)) =
h(x,y)f(x,y) dxdy.
R2
Remarque :
– La densit´e f est toujours une fonction positive, int´egrable et dont l’int´egrale sur R 2 par
rapport `a la mesure de Lebesgue vaut 1.
– On peut montrer que la d´efinition de la densit´e est ´equivalente `a : pour tout ouvert U de

P((X,Y) ∈U) =
R2

U
f(x,y) dxdy.
1. Soit D= {(x,y) ∈R2,x2 + y2 ≤1}le disque unit´e de R2 et f la fonction d´efinie sur R2
Exemples :

par : f(x,y) = 1D(x,y)/π. f est bien une densit´e de probabilit´e sur R2 : c’est la densit´e
de la loi uniforme sur D, c’est-`a-dire la loi que l’on obtient en jetant un point au hasard
et uniform´ement sur D.
2. Soit X une variable al´eatoire de loi exponentielle. La loi du couple (X,X) n’admet pas
de densit´e par rapport `a la mesure de Lebesgue sur R2. En effet, si une telle densit´e f15
existait, elle devrait ˆetre (presque partout) nulle en dehors de la droite {x= y}puisque
P(X ̸= Y) = 0. On aurait alors
1=
R2
f(x,y) dxdy=
f(x,y) dxdy.
{x=y}⊂R2
Or une droite est de mesure nulle pour la mesure de Lebesgue sur R2, donc l’int´egrale,
toujours par rapport `a la mesure de Lebesgue sur R2, de n’importe quelle fonction sur ce
domaine est nulle. On aboutit donc `a une contradiction.
2.2 Loi marginale
Les lois marginales du couple (X,Y) sont les lois des variables al´eatoires X et Y. On peut
v´erifier ais´ement la proposition suivante :
Proposition 2.2 Soit (X,Y) un couple de variables al´eatoires de densit´e (conjointe) f : R 2 →
R+. Alors les deux variables al´eatoires X et Y ont chacune une densit´e, not´ee respectivement
fX et fY donn´ees par :
fX(x) =
y∈R
f(x,y) dy et fY(y) =
x∈R
f(x,y) dx.

P(X ≤t) = P(X ∈] −∞,t] et Y ∈R)

Preuve : En effet, soit t∈R et calculons la fonction de r´epartition de X. On a

=
f(x,y) dxdy
]−∞,t]×R
=
t
−∞ y∈R
f(x,y)dy dx
Ce principe s’applique aux vecteurs `a densit´e, `a ceci pr`es que les lois marginales d’un triplet
sont les lois de chacune des variables qui le constituent ainsi que les lois des couples de variables.
Exercice : Calculer les lois marginales du couple (X,Y) de loi uniforme sur le disque D de
centre 0 et de rayon 1.
2.3 Ind´ependance
Rappelons la d´efinition de l’ind´ependance de variables al´eatoires :
D´efinition 2.3 Les variables al´eatoires X et Y sont ind´ependantes si, pour tous intervalles

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus g´en´eralement, n variables al´eatoires X1,...,Xn sont (mutuellement) ind´ependantes

si, pour tous intervalles I1,...,In, on a
P
{Xk ∈Ik}=
k≤n

P{Xk ∈Ik}.k≤n16
Le lien entre densit´es et ind´ependance est clair :
Proposition 2.4 Deux variables al´eatoires (X,Y) de densit´e respectivement f et g sont in-
d´ependantes si et seulement si la loi du couple admet une densit´e et que cette densit´e est la
fonction (x,y) →f(x)g(y).
2.4 Esp´erance, covariance
D´efinition 2.5 On d´efinit, comme pour les couples discrets l’esp´erance d’un couple de variables
al´eatoires int´egrables comme ´etant le couple des esp´erances E(X,Y) = (E(X),E(Y)), et il est
facile de v´erifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces int´egrales sont absolument convergentes.
Si les variables al´eatoires sont de carr´e int´egrable, on d´efinit ´egalement la matrice de cova-
riance du couple (X,Y) par
C=
var (X) cov(X,Y)
cov(X,Y) var (Y)
Les termes non-diagonaux de cette matrice seront
cov(X,Y) = E((X−E(X))(Y−E(Y))) = E(XY)−E(X)E(Y)
o`u
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice sym´etrique et positive (au
sens des formes bilin´eaires).
Ces d´efinitions s’´etendent naturellement au cas des vecteurs al´eatoires `a densit´e, en rempla¸cant
les int´egrales doubles par des int´egrales multiples.
Remarque : Pour identifier la densit´e d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et born´ee et on essaie d’´ecrire E(h(X,Y)) sous la forme
E(h(X,Y))) =
R2
h(x,y)f(x,y) dx
,dy.
La fonction f : R2 →R+ ci-dessus, si elle existe, sera la densit´e du couple (X,Y).
Les propri´et´es vues dans le cas discret restent vraies pour les couples `a densit´e : notamment,
si le couple est form´e de variables al´eatoires ind´ependantes et de carr´e int´egrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables al´eatoires dont le couple admet une densit´e, peut ˆetre nulle sans que les variables
soient ind´ependantes : reprendre par exemple l’exemple du couple de loi uniforme sur le disque
de centre 0 et de rayon 1.17
2.5 Loi de la somme
On peut v´erifier que si le couple (X,Y) a une densit´e, la variable X + Y aura ´egalement
une densit´e, et on peut expliciter cette densit´e :
Proposition 2.6 – Si le couple (X,Y) admet pour densit´e la fonction f, alors la densit´e
de la variable al´eatoire X+ Y est la fonction g d´efinie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables al´eatoires ind´ependantes de densit´e f X et fY, la densit´e,
not´ee g, de X+ Y est le produit de convolution de fX et fY :
g(z) =
R
fX(x)fY(z−x) dx=
R
fX(z−y)fY(y) dy.
Preuve : Soit h: R →R une fonction continue par morceaux et born´ee. On a
Eh(X+ Y) =
R2
=
R
h(x+ y)f(x,y) dx
,dy
h(z)
R
f(x,z−x) dx dz
en posant x = x et z = x+ y. Si on avait effectu´e le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annonc´ee.
Couples et vecteurs de variables al´eatoires
Pr´eparation `a l’agr´egation interne
1 Couples et vecteurs al´eatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donn´ee par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables al´eatoires discr`etes avec X(Ω) = {x i,i∈N}et Y(Ω) =

P(X= x,Y= y) = P{ω,X(ω) = x et Y(ω) = y}, pour tout couple (x,y) ∈(X,Y)(Ω).
Y(Ω)) ainsi que par les probabilit´es

Remarque : On doit bien entendu avoir x,y P(X= x,Y= y) = 1.

loi conjointe du vecteur (X1,...,Xn) est donn´ee par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus g´en´eralement, si X1,...,Xn sont n variables al´eatoires discr`etes `a valeurs dans N, la

ainsi que par les probabilit´es P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et consid´erons le couple de variables al´eatoires (X,Y) `a
valeurs dans {0,1}×N dont la loi est donn´ee par :
P(X = 0,Y = 0) = 1−p
P(X = 1,Y= k) = pe−λλk/k!, pour tout k∈N
P(X= j,Y= k) = 0 sinon.
On a bien i,j P(X= i,Y= j) = 1 : on a donc bien ´ecrit la loi d’un couple al´eatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons num´erot´es de 1 `a 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les r´esultats des deux tirages.
On a : P(X= i,Y= i) = 0 pour tout i entre 1 et 4 et P(X= i,Y= j) = 1/12 si
1 ≤i,j ≤4 et i̸= j.
On peut ´ecrire les probabilit´es sous la forme du tableau suivant (o`u par exemple dans la
deuxi`eme case de la premi`ere ligne, on lit P(X = 1,Y = 2)) :
X\Y 1 2 1/12 3 4
1/12
4 1/12 1 0 1/12 2 1/12 0 1/12 1/12
3 1/12 1/12 0 1/12
1/12 1/12 0
Exemple 3 : Loi trinomiale. On se fixe un nombre entier nstrictement positif et deux param`etres

tel que (X,Y)(Ω) ∈N2 et donn´ee pour tout (i,j) ∈N2 tels que i+ j ≤n par :
r´eels positifs px et py tels que px+py ≤1. La loi trinomiale (n,px,py) est la loi du couple (X,Y)

P(X= i,Y= j) = n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
,2
et P(X= i,Y= j) = 0 sinon.
Exercice : Montrer que l’on d´efinit bien ainsi la loi d’un couple al´eatoire.
La loi trinomiale est une extension de la loi binomiale. Imaginons en effet une exp´erience
qui a trois issues possibles, not´ee x, y et z, avec comme probabilit´e de r´ealisation p x, py et
pz = 1−px−py. R´ep´etons nfois cette exp´erience (nest fix´e) de fa¸con ind´ependante et comptons
le nombre d’apparitions de x (nombre not´e X) et de y (not´e Z) parmi ces n r´ep´etitions. C’est
alors un exercice de d´enombrement que de d´emontrer que le couple (X,Y) suit alors une loi
trinomiale de param`etres (n,px,py).
1.2 Lois marginales
D´efinition 1.1 Les (deux) lois marginales du couple (X,Y) sont les lois des variables al´ea-
toires X et Y. On les obtient de la fa¸con suivante :
P(X= x) =
y∈Y(Ω)
P(Y= y) =
x∈X(Ω)
P(X= x,Y= y),
P(X= x,Y= y).

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

y∈Y(Ω)
Comme la r´eunion est d´enombrable et disjointe, il vient :
P(X= x) =
y∈Y(Ω)
P(X= x,Y= y).
Plus g´en´eralement, un vecteur (X1,...,Xn) `a valeurs dans Zn poss`ede n lois marginales
unidimensionnelles, mais ´egalement n(n−1) lois marginales bidimensionnelles, et ainsi de suite.
On a par exemple
P(X1 = x) =
(x2,...,xn)∈Zn−1
P(X1 = x,X2 = x2,...,Xn = xn).
Reprenons les exemples pr´ec´edents :
Exemple 1.
D´eterminons la loi de X : X est `a valeurs dans {0,1}et on a :
P(X = 0) =
j∈N
P(X = 0,Y= j) = 1−p.
De la mˆeme fa¸con :
P(X = 1) =
j∈N
P(X = 1,Y= j) =
pe−λλj/j! = p.j≥03
La variable al´eatoire X suit donc une loi de Bernoulli de param`etre p. Calculons aussi la loi de
Y:
P(Y = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
.
Et pour tout j ≥1,
P(Y= j) = P(X = 0,Y= j) + P(X = 1,Y= j) = pe −λλj/j!.
P(X= j,Y= k)
Exemple 2 : Il suffit de sommer en colonne pour avoir la loi de X, et en ligne pour obtenir celle
de Y. En pratique, on peut ajouter une colonne et une ligne au tableau pour y ´ecrire les lois de
X et Y. Et avant de conclure, on prend le soin de v´erifier que la somme de cette colonne (et de
cette ligne) vaut 1.
On trouve ici que X et Y suivent une loi uniforme sur {1,2,3,4}.

marginale de X : fixons j ∈{0,...,n}et ´evaluons P(X= j).

Exemple 3 : On consid`ere le couple (X,Y) de loi trinomiale (n,p x,py). D´eterminons la loi

On a
P(X= j) =
=
n
k=0
n−j
k=0
n−j
k=0
P(X= j,Y= k) +
n
k=n−j+1
P(X= j,Y= k)
n!
=
j!k!(n−j−k)!pj
xpk
y(1−px−py)n−j−k + 0
n!
=
j!(n−j)!pj
x
n−j
(n−j)!
k!(n−j−k)!pk
y(1−px−py)n−j−k
k=0
=
n
j pj
x(1−px)n−j
La variable al´eatoire X suit donc une loi Bin(n,px). Un calcul similaire montre que Y suit
une loi binomiale Bin(n,py).
1.3 Loi de f(X,Y)
Probl`eme : On dispose d’un couple de variables al´eatoires discr`etes (X,Y) dont on connaˆıt
la loi conjointe et on voudrait connaˆıtre la loi de la variable al´eatoire Z= f(X,Y), o`u f :
X(Ω) ×Y(Ω) →R est une fonction donn´ee. Par exemple, on a souvent besoin de connaˆıtre la
loi de X + Y, ou celle de X−Y, ou de XY. Et d´eterminer la loi de X `a partir de celle de

Proposition 1.2 On a Z(Ω) = f((X,Y)(Ω)) et pour tout z ∈f((X,Y)(Ω)), on a

(X,Y) revient `a consid´erer la fonction f(x,y) = x.

P(Z= z) =
(x,y)∈(X,Y)(Ω),f(x,y)=z
P(X= x,Y= y).4
Exemple : Reprenons une nouvelle fois l’exemple 1 et consid´erons la fonction f(x,y) = xy. La
variable al´eatoire XY est `a valeurs dans N et on a
P(XY = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
et, pour tout k∈N∗
,
P(XY= k) = P(X = 1,Y= k) = pe−λλk
k!.
Un cas particulier important. Nous consid´erons ici la fonction f(x,y) = x+ y. On obtient :
P(X+ Y= z) =
P(X= x,Y= y)
(x,y)∈(X,Y)(Ω),x+y=z
=
P(X= x,Y= z−x)
x∈X(Ω)
=
P(X= z−y,Y= y)
y∈Y(Ω)
Plus g´en´eralement, si X = (X1,...,Xn) est un vecteur al´eatoire discret et f : X(Ω) →R
est une fonction donn´ee, on a :
P(f(X1,...,Xn) = z) =
x1,...,xn,f(x1,...,xn)=z
P(X1 = x1,...,Xn = xn).
On en d´eduit le corollaire fondamental suivant :
Proposition 1.3 Soient X et Y deux variables al´eatoires discr`etes et int´egrables. Alors la
variable al´eatoire Z= X+ Y est int´egrable et on a E(X+ Y) = E(X) + E(Y).

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable al´eatoire discr`ete et que sa loi est

P(X+ Y= z) =
P(X= x,Y= z−x)
x∈X(Ω)
On a donc
Puis
E(|X+ Y|) =
z∈(X+Y)(Ω)

E(|X+ Y|) =
z∈(X+Y)(Ω)
x∈X(Ω)

|z|
x∈X(Ω)
P(X= x,Y= z−x)

|x+ (z−x)|P(X= x,Y= z−x)
5
En utilisant l’in´egalit´e triangulaire, il vient :
E(|X+ Y|) ≤
z∈(X+Y)(Ω)
≤
z∈(X+Y)(Ω)

x∈X(Ω)
(|x|+ |z−x|)P(X= x,Y= z−x)


x∈X(Ω)
+
z∈(X+Y)(Ω)
|x|P(X= x,Y= z−x)
+
 x∈X(Ω)
|z−x|P(X= x,Y= z−x) 
´
Etudions tout d’abord la premi`ere somme :

z∈(X+Y)(Ω)
x∈X(Ω)
|x|P(X= x,Y= z−x)
=
x∈X(Ω)
=
x∈X(Ω)

|x|
z∈(X+Y)(Ω)
[|x|P(X= x)] = E(|X|)
P(X= x,Y= z−x)

Passons `a la deuxi`eme somme : sommer sur x ∈X(Ω) ou sur x tel que z−x ∈Y(Ω) ne


change pas la valeur de cette somme. On a donc



z∈(X+Y)(Ω)
x∈X(Ω)
|z−x|P(X= x,Y= z−x)
=
z∈(X+Y)(Ω)
z−x∈Y(Ω)
|z−x|P(X= x,Y= z−x)


=
z∈(X+Y)(Ω)
y∈Y(Ω)

=
y∈Y(Ω)
|y|
z∈(X+Y)(Ω)
|y|P(X= z−y,Y= y)

P(X= z−y,Y= y)

=
|y|P(Y= y) = E(|Y|)
y∈Y(Ω)
On remarque donc que si X et Y sont int´egrables, X + Y l’est ´egalement, et en effectuant le
mˆeme calcul sans les valeurs absolues, on conclut que E(X+ Y) = E(X) + E(Y).
Exemple : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi de X+ Y.
Cette variable al´eatoire est `a valeurs dans N et on a, pour tout entier k :
P(X+ Y= k) =
n
j=0
P(X= j,Y= k−j).
Pour tout k>n, chacun des termes de cette somme est nul donc P(X+ Y= k) = 0.6
Fixons maintenant un entier k∈{0,...,n}. On a :
P(X+ Y= k) =
=
=
=
k
j=0
k
j=0
P(X= j,Y= k−j)
n!
j!(k−j)!(n−k)!pj
xpk−j
y (1−px−py)n−k
n!
(n−k)!(1−px−py)n−k
k
j=0
n!
1
j!(k−j)!pj
xpk−j
y
k!(n−k)!(1−px−py)n−k(px + py)k
.
La variable al´eatoire X+ Y suit donc une loi binomiale Bin(n,p x + py).
1.4 Loi conditionnelle
Consid´erons un couple (X,Y) de variables al´eatoires discr`etes, dont on connaˆıt la loi jointe
et fixons y tel que P(Y= y) >0.
La loi conditionnelle de X sachant l’´ev´enement {Y= y}est donn´ee par le fait que c’est
une loi sur X(Ω) ainsi que par les probabilit´es conditionnelles P(X= x|Y= y) pour tout
x∈X(Ω).
On v´erifie ais´ement que
P(X= x|Y= y) = 1
x∈X(Ω)
ce qui implique que la loi conditionnelle de X sachant {Y= y}est la loi d’une variable al´eatoire.
De plus, la formule des probabilit´es totales implique que
P(X= x) =
P(X= x|Y= y)P(Y= y).
y∈Y(Ω)
Cette d´efinition de la loi conditionnelle s’´etend `a des vecteurs al´eatoires : par exemple pour
un triplet al´eatoire (X,Y,Z), on peut ´etudier la loi conditionnelle de X sachant {Y= y}, la loi
conditionnelle de X sachant {Y= y et Z= z}, la loi conditionnelle du couple (X,Y) sachant

Exemple 1 : La loi de Y sachant {X = 1}est donn´ee par Y(Ω) ∈N et, pour tout entier
{Z= z}...

positif k, on a
1
P(Y= k|X = 1) = P(Y= k et X = 1)
P(X = 1)
= pe−λλk
k! ×
p
= e−λλk
k!.
La loi conditionnelle de Y sachant que {X = 1}est donc une loi de Poisson de param`etre
λ.7
Exemple 2 : La loi de X sachant {Y = 1}est la loi uniforme sur {2,3,4}.
Exemple 3 : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi

que si j <0 ou j >n−k, P(X= j|Y= k) = 0. Fixons maintenant un entier j ∈{0,...,n−k}.

conditionnelle de X sachant {Y= k}, pour un entier k∈{0,...,n}. Remarquons tout d’abord

On a
P(X= j|Y= k) = P(X= j et Y= k)
P(Y= k)
n! pj
xpk
y(1−px−py)n−j−k
k!(n−k)!
=
j!k!(n−j−k)!
n! pk
y(1−py)n−k
(n−k)!
=
j!(n−k−j)!
px
1−py
j 1−px−py
1−py
.
La loi conditionnelle de X sachant {Y= k}est donc une loi binomiale (n−k,p x/(1−py)).
n−k−j
1.5 Ind´ependance de variables al´eatoires discr`etes

tout x ∈X(Ω) et tout y ∈Y(Ω), les ´ev´enements {X= x}et {Y= y}sont ind´ependants,
D´efinition 1.4 Deux variables al´eatoires discr`etes X et Y sont dites ind´ependantes si pour

c’est-`a-dire :
P(X= x,Y= y) = P(X= x)P(Y= y).

y ∈Y(Ω) et tout x ∈X(Ω) tels que P(Y= y) > 0 et P(X= x) > 0, P(X= x|Y= y) =
Si X et Y sont deux variables al´eatoires discr`etes ind´ependantes, on aura donc, pour tout

P(X= x) et P(Y= y|X= x) = P(Y= y).

n `a n) ind´ependantes si, pour tout choix de x1 ∈X1(Ω),...,xn ∈Xn(Ω), on a

Plus g´en´eralement, les n variables al´eatoires discr`etes X1,...,Xn sont (mutuellement ou

P(X1 = x1,...,Xn = xn) = P(X1 = x1)...P(Xn = xn).

Remarques :
´
•L’ind´ependance n`a nentraˆıne l’ind´ependance 2 `a 2 (mais la r´eciproque est fausse).
Ecrire
la preuve de ce r´esultat pour n= 3.
•Des ´ev´enements A1,...,An sont ind´ependants si et seulement si les variables al´eatoires
1A1 ,...,1An
le sont.
Proposition 1.5 Si les n variables al´eatoires discr`etes X1,...,Xn sont ind´ependantes alors
on a X(Ω) = X1(Ω) ×···×Xn(Ω).
Remarque : Lorsque les variables al´eatoires X et Y sont ind´ependantes, connaˆıtre les lois
marginales permet donc de connaˆıtre la loi jointe du couple (X,Y), alors que pour des variables
al´eatoires quelconques, cela ne suffit pas.8
1.6 Esp´erance, matrice de covariance
Dans un souci de clart´e, tous les r´esultats de ce paragraphe et du suivant sont ´enonc´es pour
les couples de variables al´eatoires discr`etes, et ils s’´etendent sans peine aux vecteurs al´eatoires
discrets.
On consid`ere un couple al´eatoire discret (X,Y).
D´efinition 1.6 •L’esp´erance du couple (X,Y) est d´efinie si X et Y sont int´egrables et on
a alors : E(X,Y) = (E(X),E(Y)).
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la covariance de X et de Y,
ou covariance du couple (X,Y), est donn´ee par
cov(X,Y) = E(XY)−E(X)E(Y) = E[(X−E(X))(Y−E(Y))].
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la matrice de covariance du
couple (X,Y) est la matrice
C=
var (X) cov(X,Y)
cov(X,Y) var (Y).
Plus g´en´eralement, la matrice de covariance d’un vecteur (X1,...,Xn), dont chacune des com-
posantes est de carr´e int´egrable, est une matrice n×n dont les termes diagonaux sont les
variances des Xi et dont le terme (i,j) est la covariance cov(Xi,Xj) pour tout i̸= j.
Remarque : Le calcul de l’esp´erance de X ou de Y ne fait intervenir que les lois marginales,
mais nous allons voir qu’il n’est pas n´ecessaire d’expliciter ces lois marginales.
Proposition 1.7 Si (X,Y) est un couple de variables al´eatoires discr`etes, pour toute fonction
h: R2 →R telle que
|h(x,y)|P(X= x,Y= y) <∞,
x∈X(Ω),y∈Y(Ω)
la variable al´eatoire h(X,Y) est int´egrable et on a
E(h(X,Y)) =
x∈X(Ω),y∈Y(Ω)
h(x,y)P(X= x,Y= y).

est discr`ete et on a, pour tout z ∈(h(X,Y))(Ω),

Preuve : Notons Z= h(X,Y). On a une ´ecriture explicite de la loi de Z : cette variable al´eatoire

P(Z= z) =
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y)
La variable al´eatoire Z est donc int´egrable si la somme
S=
z∈(h(X,Y))(Ω)
 |z|
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y) 9
converge. Or cette somme peut s’´ecrire
S=
z∈(h(X,Y))(Ω)
 (x,y)∈(X,Y)(Ω),h(x,y)=z
=
|h(x,y)|P(X= x,Y= y)
(x,y)∈(X,Y)(Ω)
|h(x,y)|P(X= x,Y= y) 
La mˆeme proc´edure appliqu´ee `a la somme sans les valeurs absolues permet d’obtenir le r´esultat
d´esir´e pour E(h(X,Y)).
Application : Cette proposition permet d’´ecrire notamment les esp´erances de X, de Y ou de
XY sans expliciter la loi de ces variables al´eatoires. Si le couple (X,Y) est discret, on a ainsi
E(X) =
(x,y)∈(X,Y)(Ω)
E(Y) =
(x,y)∈(X,Y)(Ω)
E(XY) =
(x,y)∈(X,Y)(Ω)
xP(X= x,Y= y)
yP(X= x,Y= y)
xyP(X= x,Y= y)
lorsque les s´eries convergent.
Revenons maintenant `a la matrice de covariance :
Proposition 1.8 1. Une matrice de covariance C est toujours une matrice sym´etrique et
positive (i.e., pour tout v∈Rn
, <v,Cv>≥0).
2. Si X et Y sont deux variables al´eatoires ind´ependantes et int´egrables, on a E(XY) =
E(X)E(Y) et donc cov(X,Y) = 0. La r´eciproque de ce r´esultat est fausse.
3. Si X et Y sont deux variables al´eatoires ind´ependantes et f et g deux fonctions telles que
les variables al´eatoires f(X) et g(Y) sont int´egrables, on a E(f(X)g(Y)) = E(f(X))E(g(Y)).
La r´eciproque de ce r´esultat est fausse.
4. Si les variables al´eatoires X1,...,Xn sont ind´ependantes et de carr´e int´egrable, alors la
matrice de covariance de (X1,...,Xn) est diagonale. La r´eciproque de ce r´esultat est
fausse.
Preuve : 1. Soit X = (X1,...,Xn) un vecteur al´eatoire dont chaque composante est de carr´e
int´egrable, notons C sa matrice de covariance et fixons v = (v1,...,vn) un vecteur de Rn
.
Quitte `a remplacer chaque Xi par Xi−E(Xi), on supposera les variables al´eatoires centr´ees
(d’esp´erance nulle).10
On a
<v,Cv>=
Cijvivj
i,j
=
E(XiXj)vivj
i,j
=E
i,j
viXivjXj
=E
i
viXi ×
j
= E  i
viXi
2 
vjXj
On a donc bien <v,Cv>≥0.
2. Consid´erons deux variables al´eatoires discr`etes X et Y ind´ependantes et int´egrables. Mon-
trons que XY est int´egrable et calculons son esp´erance. On a
E(|XY|) =
x∈X(Ω),y∈Y(Ω)
|xy|P(X= x,Y= y)
Comme X et Y sont ind´ependantes, P(X= x,Y= y) = P(X= x)P(Y= y) donc
E(|XY|) =
|xy|P(X= x)P(Y= y)
x∈X(Ω),y∈Y(Ω)
=
x∈X(Ω)
 |x|P(X= x)
y∈Y(Ω)
=  x∈X(Ω)
|x|P(X= x)  y∈Y(Ω)
= E(|X|)E(|Y|).
|y|P(Y= y) 
|y|P(Y= y) 
On montre alors par un calcul similaire que E(XY) = E(X)E(Y), puis on en d´eduit que
cov(X,Y) = 0.
3. et 4. se d´eduisent ais´ement de 2.
La proposition suivante, bien que tr`es simple `a prouver, est fort utile :
Proposition 1.9 Si X et Y sont deux variables al´eatoires de carr´e int´egrable, on a
var (X+ Y) = var (X) + var (Y) + 2cov(X,Y).
Si de plus, X et Y sont ind´ependantes, on a
var (X+ Y) = var (X) + var (Y).11
De plus, pour deux variables al´eatoires de carr´e int´egrable, il est possible d’obtenir une
majoration de cov(X,Y) `a partir des variances de X et Y :
Proposition 1.10 (In´egalit´e de Cauchy Schwarz) Soient X et Y deux variables al´eatoires
de carr´e int´egrable. On a
|E(XY)|≤E(|XY|) ≤ E(X2)E(Y2]
|cov(X,Y)|≤ var (X)var (Y)
Preuve : Le deuxi`eme point s’obtient en appliquant le premier `a X−E(X) et Y−E(Y).
Le premier point se montre de la mˆeme fa¸con que dans le cas classique (produit scalaire de
deux vecteurs) : on ´etudie le polynˆome
R(λ) = E(X2)λ2
−2E|XY|λ+ E(Y2).
Ce polynˆome se factorise en
R(λ) = E[(λ|X|−|Y|)2].
Il n’admet donc pas deux racines r´eelles distinctes, ce qui signifie que son discriminant (r´eduit)
est n´egatif :
(E|XY|)2
−E(X2)E(Y2) ≤0.
On ´etudie de la mˆeme fa¸con le cas d’´egalit´e : le discriminant n’est nul que si le polynˆome admet
une racine r´eelle double. Dans ce cas, il existe donc λ0 tel que
E[(λ0|X|+ |Y|)2] = 0;
l’esp´erance d’une variable al´eatoire positive ne pouvant ˆetre nulle que si la variable al´eatoire est
(presque sˆurement) nulle, on aura alors : |Y|=−λ0|X|, presque sˆurement.
Les preuves sans les valeurs absolues sont similaires.
1.7 Fonction g´en´eratrice d’un couple
D´efinition 1.11 La fonction g´en´eratrice d’un couple de variables al´eatoires discr`etes positives
est la fonction d´efinie sur [0,1]2 par
G(X,Y)(s,t) = E(sXtY) =
sxtyP(X= x,Y= y).
x∈X(Ω),y∈Y(Ω)
Proposition 1.12 La fonction g´en´eratrice d´etermine la loi du couple (X,Y) au sens o`u si deux
couples de variables al´eatoires positives ont la mˆeme fonction g´en´eratrice, alors ils suivent la
mˆeme loi.
La fonction g´en´eratrice de (X,Y) permet de retrouver par exemple :
•la fonction g´en´eratrice de X : GX(s) = G(X,Y)(s,1) et de Y,
•l’esp´erance de X si X est int´egrable : E(X) = ∂
∂sG(X,Y)(1,1),
•l’esp´erance de X2 si X est de carr´e int´egrable : E(X2) = ∂2
∂s2 G(X,Y)(1,1) + ∂
∂sG(X,Y)(1,1),12
•l’esp´erance de XY si X et Y sont de carr´e int´egrable : E(X,Y) = ∂ 2
∂s∂tG(X,Y)(1,1).
Une autre utilit´e importante de la fonction g´en´eratrice est de permettre de calculer simple-
ment la loi de somme de variables al´eatoires, `a partir du moment o`u on connaˆıt leur loi jointe.
En effet, on a le r´esultat suivant :
Proposition 1.13 Soient (X,Y) un couple de variables al´eatoires positives dont on connaˆıt la
loi jointe. Notons GX,Y la fonction g´en´eratrice du couple. On a alors GX+Y(s) = G(X,Y)(s,s).
Preuve : On a G(X,Y)(s,s) = E(sXsY) = E(sX+Y) = GX+Y(s).
Si X et Y sont `a valeurs enti`eres, il ne reste plus qu’`a d´ecomposer la fonction G X+Y en s´erie
enti`ere pour obtenir les probabilit´es P(X+ Y= k).
Il est facile de voir que si X et Y sont deux variables al´eatoires positives ind´ependantes,
alors on a G(X,Y)(s,t) = GX(s)GY(t). La r´eciproque de ce r´esultat est ´egalement vraie :
Proposition 1.14 Les variables al´eatoires positives X et Y sont ind´ependantes si et seulement
si

Remarque : La fonction g´en´eratrice du vecteur al´eatoire X = (X 1,...,Xn) v´erifiant X(Ω) ⊂

G(X,Y)(s,t) = GX(s)GY(t).

Nn est la fonction G: [0,1]n →R+ d´efinie par

G(s1,...,sn) = E(sX1
1 ×...×sXn
n ).
Cette fonction de n variables caract´erise la loi du n-uplet, permet de retrouver les lois margi-
nales ...
1.8 Exemple d’utilisation de la fonction g´en´eratrice
Calculons la fonction g´en´eratrice de la loi trinomiale (n,px,py).
Soit (X,Y) un couple de variable al´eatoire de loi trinomiale (n,p x,py).
On a
G(X,Y)(s,t) = E(sXtY)
=
sitjP(X= i,Y= j)
i,j∈{0,...,n},i+j≤n
=
n
n−i
sitj n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i
n−i
(n−i)!
j!(n−i−j)!(tpy)j(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i(1−px−(1−t)py)n−i
i=0
= (1−(1−s)px−(1−t)py)n
.13
En prenant t= 1 dans le r´esultat ci-dessus, on trouve : G (X,Y)(s,1) = (1−(1−s)px)n; on
reconnaˆıt la fonction caract´eristique d’une loi binomiale (n,p x) ce qui prouve que X suit une
loi binomiale (n,px).
La fonction g´en´eratrice de (X,Y) permet ´egalement de calculer celle de X + Y. On a en
effet :
E(sX+Y) = E(sXsY) = G(X,Y)(s,s).
On trouve ici : GX+Y(s) = (1−(1−s)(px + py))n; on retrouve donc que X + Y suit une loi
binomiale (n,px + py).
1.9 Somme de deux variables al´eatoires de loi de Poisson et ind´e-
pendantes
Consid´erons deux variables al´eatoires X et Y ind´ependantes et de loi de Poisson de para-
m`etre respectivement µ1 >0 et µ2 >0, et calculons la loi de X+ Y.
Premi`ere m´ethode
Commen¸cons par calculer la fonction g´en´eratrice de la loi de X. On a
GX(s) = E(sX)
=
n≥0
=
n≥0
= e−µ1 eµ1s
= e−µ1(1−s)
snP(X= n)
sne−µ1 µn
1
n!
De la mˆeme fa¸con, on a GY(t) = e−µ2(1−t). Comme X et Y sont des variables al´eatoires
ind´ependantes, on en d´eduit la fonction g´en´eratrice du couple (X,Y) :
G(X,Y)(s,t) = e−µ1(1−s)e−µ2(1−t)
.
La fonction g´en´eratrice de X+ Y est donc
GX+Y(s) = G(X,Y)(s,s) = e−(µ1+µ2)(1−s)
.
On reconnaˆıt ici la fonction g´en´eratrice d’une loi de Poisson de param`etre µ 1 + µ2 et on peut
conclure que X+ Y suit une loi de Poisson de param`etre µ1 + µ2.
Attention : La variable al´eatoire X−Y ne suit pas une loi de Poisson : cette variable al´eatoire
prend ses valeurs dans Z et non dans N et, en cons´equence, on ne peut pas calculer sa fonction
g´en´eratrice.

On a ´evidemment (X+Y)(Ω) ⊂N. Fixons donc n∈N et calculons directement la probabilit´e

Deuxi`eme m´ethode

P(X+ Y= n).14
On a
P(X+ Y= n) =
P(X= k,X+ Y= n)
k≥0
=
k≥0
=
k≥0
=
n
k=0
= e−(µ1+µ2) 1
n!
P(X= k,Y= n−k)
P(X= k)P(Y= n−k)
e−µ1 µk
1
2
k! e−µ2 µn−k
(n−k)!
n
n!
k!(n−k)!µk
1µn−k
2
k=0
= e−(µ1+µ2) (µ1 + µ2)n
n!
On retrouve donc que X+ Y suit une loi de Poisson de param`etre µ 1 + µ2.
2 Couples al´eatoires `a densit´e
2.1 Densit´e d’un couple
D´efinition 2.1 Un couple (X,Y) de variables al´eatoires r´eelles sera dit « `a densit´e par rapport
`a la mesure de Lebesgue de R2 »s’il existe une fonction f : R2 →R+ telle que, pour tous
P(X ∈I et Y ∈J) =
intervalles I et J et pour toute fonction continue born´ee ou positive h on ait :

I×J
f(x,y) dxdy et E(h(X,Y)) =
h(x,y)f(x,y) dxdy.
R2
Remarque :
– La densit´e f est toujours une fonction positive, int´egrable et dont l’int´egrale sur R 2 par
rapport `a la mesure de Lebesgue vaut 1.
– On peut montrer que la d´efinition de la densit´e est ´equivalente `a : pour tout ouvert U de

P((X,Y) ∈U) =
R2

U
f(x,y) dxdy.

1. Soit D= {(x,y) ∈R2,x2 + y2 ≤1}le disque unit´e de R2 et f la fonction d´efinie sur R2

Exemples :

par : f(x,y) = 1D(x,y)/π. f est bien une densit´e de probabilit´e sur R2 : c’est la densit´e
de la loi uniforme sur D, c’est-`a-dire la loi que l’on obtient en jetant un point au hasard
et uniform´ement sur D.
2. Soit X une variable al´eatoire de loi exponentielle. La loi du couple (X,X) n’admet pas
de densit´e par rapport `a la mesure de Lebesgue sur R2. En effet, si une telle densit´e f15
existait, elle devrait ˆetre (presque partout) nulle en dehors de la droite {x= y}puisque
P(X ̸= Y) = 0. On aurait alors
1=
R2
f(x,y) dxdy=
f(x,y) dxdy.
{x=y}⊂R2
Or une droite est de mesure nulle pour la mesure de Lebesgue sur R2, donc l’int´egrale,
toujours par rapport `a la mesure de Lebesgue sur R2, de n’importe quelle fonction sur ce
domaine est nulle. On aboutit donc `a une contradiction.
2.2 Loi marginale
Les lois marginales du couple (X,Y) sont les lois des variables al´eatoires X et Y. On peut
v´erifier ais´ement la proposition suivante :
Proposition 2.2 Soit (X,Y) un couple de variables al´eatoires de densit´e (conjointe) f : R 2 →
R+. Alors les deux variables al´eatoires X et Y ont chacune une densit´e, not´ee respectivement
fX et fY donn´ees par :
fX(x) =
y∈R
f(x,y) dy et fY(y) =
x∈R
f(x,y) dx.

P(X ≤t) = P(X ∈] −∞,t] et Y ∈R)

Preuve : En effet, soit t∈R et calculons la fonction de r´epartition de X. On a

=
f(x,y) dxdy
]−∞,t]×R
=
t
−∞ y∈R
f(x,y)dy dx
Ce principe s’applique aux vecteurs `a densit´e, `a ceci pr`es que les lois marginales d’un triplet
sont les lois de chacune des variables qui le constituent ainsi que les lois des couples de variables.
Exercice : Calculer les lois marginales du couple (X,Y) de loi uniforme sur le disque D de
centre 0 et de rayon 1.
2.3 Ind´ependance
Rappelons la d´efinition de l’ind´ependance de variables al´eatoires :
D´efinition 2.3 Les variables al´eatoires X et Y sont ind´ependantes si, pour tous intervalles

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus g´en´eralement, n variables al´eatoires X1,...,Xn sont (mutuellement) ind´ependantes

si, pour tous intervalles I1,...,In, on a
P
{Xk ∈Ik}=
k≤n

P{Xk ∈Ik}.k≤n16
Le lien entre densit´es et ind´ependance est clair :
Proposition 2.4 Deux variables al´eatoires (X,Y) de densit´e respectivement f et g sont in-
d´ependantes si et seulement si la loi du couple admet une densit´e et que cette densit´e est la
fonction (x,y) →f(x)g(y).
2.4 Esp´erance, covariance
D´efinition 2.5 On d´efinit, comme pour les couples discrets l’esp´erance d’un couple de variables
al´eatoires int´egrables comme ´etant le couple des esp´erances E(X,Y) = (E(X),E(Y)), et il est
facile de v´erifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces int´egrales sont absolument convergentes.
Si les variables al´eatoires sont de carr´e int´egrable, on d´efinit ´egalement la matrice de cova-
riance du couple (X,Y) par
C=
var (X) cov(X,Y)
cov(X,Y) var (Y)
Les termes non-diagonaux de cette matrice seront
cov(X,Y) = E((X−E(X))(Y−E(Y))) = E(XY)−E(X)E(Y)
o`u
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice sym´etrique et positive (au
sens des formes bilin´eaires).
Ces d´efinitions s’´etendent naturellement au cas des vecteurs al´eatoires `a densit´e, en rempla¸cant
les int´egrales doubles par des int´egrales multiples.
Remarque : Pour identifier la densit´e d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et born´ee et on essaie d’´ecrire E(h(X,Y)) sous la forme
E(h(X,Y))) =
R2
h(x,y)f(x,y) dx
,dy.
La fonction f : R2 →R+ ci-dessus, si elle existe, sera la densit´e du couple (X,Y).
Les propri´et´es vues dans le cas discret restent vraies pour les couples `a densit´e : notamment,
si le couple est form´e de variables al´eatoires ind´ependantes et de carr´e int´egrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables al´eatoires dont le couple admet une densit´e, peut ˆetre nulle sans que les variables
soient ind´ependantes : reprendre par exemple l’exemple du couple de loi uniforme sur le disque
de centre 0 et de rayon 1.17
2.5 Loi de la somme
On peut v´erifier que si le couple (X,Y) a une densit´e, la variable X + Y aura ´egalement
une densit´e, et on peut expliciter cette densit´e :
Proposition 2.6 – Si le couple (X,Y) admet pour densit´e la fonction f, alors la densit´e
de la variable al´eatoire X+ Y est la fonction g d´efinie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables al´eatoires ind´ependantes de densit´e f X et fY, la densit´e,
not´ee g, de X+ Y est le produit de convolution de fX et fY :
g(z) =
R
fX(x)fY(z−x) dx=
R
fX(z−y)fY(y) dy.
Preuve : Soit h: R →R une fonction continue par morceaux et born´ee. On a
Eh(X+ Y) =
R2
=
R
h(x+ y)f(x,y) dx
,dy
h(z)
R
f(x,z−x) dx dz
en posant x = x et z = x+ y. Si on avait effectu´e le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annonc´ee.
Couples et vecteurs de variables al´eatoires
Pr´eparation `a l’agr´egation interne
1 Couples et vecteurs al´eatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donn´ee par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables al´eatoires discr`etes avec X(Ω) = {x i,i∈N}et Y(Ω) =

P(X= x,Y= y) = P{ω,X(ω) = x et Y(ω) = y}, pour tout couple (x,y) ∈(X,Y)(Ω).
Y(Ω)) ainsi que par les probabilit´es

Remarque : On doit bien entendu avoir x,y P(X= x,Y= y) = 1.

loi conjointe du vecteur (X1,...,Xn) est donn´ee par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus g´en´eralement, si X1,...,Xn sont n variables al´eatoires discr`etes `a valeurs dans N, la

ainsi que par les probabilit´es P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et consid´erons le couple de variables al´eatoires (X,Y) `a
valeurs dans {0,1}×N dont la loi est donn´ee par :
P(X = 0,Y = 0) = 1−p
P(X = 1,Y= k) = pe−λλk/k!, pour tout k∈N
P(X= j,Y= k) = 0 sinon.
On a bien i,j P(X= i,Y= j) = 1 : on a donc bien ´ecrit la loi d’un couple al´eatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons num´erot´es de 1 `a 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les r´esultats des deux tirages.
On a : P(X= i,Y= i) = 0 pour tout i entre 1 et 4 et P(X= i,Y= j) = 1/12 si
1 ≤i,j ≤4 et i̸= j.
On peut ´ecrire les probabilit´es sous la forme du tableau suivant (o`u par exemple dans la
deuxi`eme case de la premi`ere ligne, on lit P(X = 1,Y = 2)) :
X\Y 1 2 1/12 3 4
1/12
4 1/12 1 0 1/12 2 1/12 0 1/12 1/12
3 1/12 1/12 0 1/12
1/12 1/12 0
Exemple 3 : Loi trinomiale. On se fixe un nombre entier nstrictement positif et deux param`etres

tel que (X,Y)(Ω) ∈N2 et donn´ee pour tout (i,j) ∈N2 tels que i+ j ≤n par :
r´eels positifs px et py tels que px+py ≤1. La loi trinomiale (n,px,py) est la loi du couple (X,Y)

P(X= i,Y= j) = n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
,2
et P(X= i,Y= j) = 0 sinon.
Exercice : Montrer que l’on d´efinit bien ainsi la loi d’un couple al´eatoire.
La loi trinomiale est une extension de la loi binomiale. Imaginons en effet une exp´erience
qui a trois issues possibles, not´ee x, y et z, avec comme probabilit´e de r´ealisation p x, py et
pz = 1−px−py. R´ep´etons nfois cette exp´erience (nest fix´e) de fa¸con ind´ependante et comptons
le nombre d’apparitions de x (nombre not´e X) et de y (not´e Z) parmi ces n r´ep´etitions. C’est
alors un exercice de d´enombrement que de d´emontrer que le couple (X,Y) suit alors une loi
trinomiale de param`etres (n,px,py).
1.2 Lois marginales
D´efinition 1.1 Les (deux) lois marginales du couple (X,Y) sont les lois des variables al´ea-
toires X et Y. On les obtient de la fa¸con suivante :
P(X= x) =
y∈Y(Ω)
P(Y= y) =
x∈X(Ω)
P(X= x,Y= y),
P(X= x,Y= y).

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

y∈Y(Ω)
Comme la r´eunion est d´enombrable et disjointe, il vient :
P(X= x) =
y∈Y(Ω)
P(X= x,Y= y).
Plus g´en´eralement, un vecteur (X1,...,Xn) `a valeurs dans Zn poss`ede n lois marginales
unidimensionnelles, mais ´egalement n(n−1) lois marginales bidimensionnelles, et ainsi de suite.
On a par exemple
P(X1 = x) =
(x2,...,xn)∈Zn−1
P(X1 = x,X2 = x2,...,Xn = xn).
Reprenons les exemples pr´ec´edents :
Exemple 1.
D´eterminons la loi de X : X est `a valeurs dans {0,1}et on a :
P(X = 0) =
j∈N
P(X = 0,Y= j) = 1−p.
De la mˆeme fa¸con :
P(X = 1) =
j∈N
P(X = 1,Y= j) =
pe−λλj/j! = p.j≥03
La variable al´eatoire X suit donc une loi de Bernoulli de param`etre p. Calculons aussi la loi de
Y:
P(Y = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
.
Et pour tout j ≥1,
P(Y= j) = P(X = 0,Y= j) + P(X = 1,Y= j) = pe −λλj/j!.
P(X= j,Y= k)
Exemple 2 : Il suffit de sommer en colonne pour avoir la loi de X, et en ligne pour obtenir celle
de Y. En pratique, on peut ajouter une colonne et une ligne au tableau pour y ´ecrire les lois de
X et Y. Et avant de conclure, on prend le soin de v´erifier que la somme de cette colonne (et de
cette ligne) vaut 1.
On trouve ici que X et Y suivent une loi uniforme sur {1,2,3,4}.

marginale de X : fixons j ∈{0,...,n}et ´evaluons P(X= j).

Exemple 3 : On consid`ere le couple (X,Y) de loi trinomiale (n,p x,py). D´eterminons la loi

On a
P(X= j) =
=
n
k=0
n−j
k=0
n−j
k=0
P(X= j,Y= k) +
n
k=n−j+1
P(X= j,Y= k)
n!
=
j!k!(n−j−k)!pj
xpk
y(1−px−py)n−j−k + 0
n!
=
j!(n−j)!pj
x
n−j
(n−j)!
k!(n−j−k)!pk
y(1−px−py)n−j−k
k=0
=
n
j pj
x(1−px)n−j
La variable al´eatoire X suit donc une loi Bin(n,px). Un calcul similaire montre que Y suit
une loi binomiale Bin(n,py).
1.3 Loi de f(X,Y)
Probl`eme : On dispose d’un couple de variables al´eatoires discr`etes (X,Y) dont on connaˆıt
la loi conjointe et on voudrait connaˆıtre la loi de la variable al´eatoire Z= f(X,Y), o`u f :
X(Ω) ×Y(Ω) →R est une fonction donn´ee. Par exemple, on a souvent besoin de connaˆıtre la
loi de X + Y, ou celle de X−Y, ou de XY. Et d´eterminer la loi de X `a partir de celle de

Proposition 1.2 On a Z(Ω) = f((X,Y)(Ω)) et pour tout z ∈f((X,Y)(Ω)), on a

(X,Y) revient `a consid´erer la fonction f(x,y) = x.

P(Z= z) =
(x,y)∈(X,Y)(Ω),f(x,y)=z
P(X= x,Y= y).4
Exemple : Reprenons une nouvelle fois l’exemple 1 et consid´erons la fonction f(x,y) = xy. La
variable al´eatoire XY est `a valeurs dans N et on a
P(XY = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
et, pour tout k∈N∗
,
P(XY= k) = P(X = 1,Y= k) = pe−λλk
k!.
Un cas particulier important. Nous consid´erons ici la fonction f(x,y) = x+ y. On obtient :
P(X+ Y= z) =
P(X= x,Y= y)
(x,y)∈(X,Y)(Ω),x+y=z
=
P(X= x,Y= z−x)
x∈X(Ω)
=
P(X= z−y,Y= y)
y∈Y(Ω)
Plus g´en´eralement, si X = (X1,...,Xn) est un vecteur al´eatoire discret et f : X(Ω) →R
est une fonction donn´ee, on a :
P(f(X1,...,Xn) = z) =
x1,...,xn,f(x1,...,xn)=z
P(X1 = x1,...,Xn = xn).
On en d´eduit le corollaire fondamental suivant :
Proposition 1.3 Soient X et Y deux variables al´eatoires discr`etes et int´egrables. Alors la
variable al´eatoire Z= X+ Y est int´egrable et on a E(X+ Y) = E(X) + E(Y).

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable al´eatoire discr`ete et que sa loi est

P(X+ Y= z) =
P(X= x,Y= z−x)
x∈X(Ω)
On a donc
Puis
E(|X+ Y|) =
z∈(X+Y)(Ω)

E(|X+ Y|) =
z∈(X+Y)(Ω)
x∈X(Ω)

|z|
x∈X(Ω)
P(X= x,Y= z−x)

|x+ (z−x)|P(X= x,Y= z−x)
5
En utilisant l’in´egalit´e triangulaire, il vient :
E(|X+ Y|) ≤
z∈(X+Y)(Ω)
≤
z∈(X+Y)(Ω)

x∈X(Ω)
(|x|+ |z−x|)P(X= x,Y= z−x)


x∈X(Ω)
+
z∈(X+Y)(Ω)
|x|P(X= x,Y= z−x)
+
 x∈X(Ω)
|z−x|P(X= x,Y= z−x) 
´
Etudions tout d’abord la premi`ere somme :

z∈(X+Y)(Ω)
x∈X(Ω)
|x|P(X= x,Y= z−x)
=
x∈X(Ω)
=
x∈X(Ω)

|x|
z∈(X+Y)(Ω)
[|x|P(X= x)] = E(|X|)
P(X= x,Y= z−x)

Passons `a la deuxi`eme somme : sommer sur x ∈X(Ω) ou sur x tel que z−x ∈Y(Ω) ne


change pas la valeur de cette somme. On a donc



z∈(X+Y)(Ω)
x∈X(Ω)
|z−x|P(X= x,Y= z−x)
=
z∈(X+Y)(Ω)
z−x∈Y(Ω)
|z−x|P(X= x,Y= z−x)


=
z∈(X+Y)(Ω)
y∈Y(Ω)

=
y∈Y(Ω)
|y|
z∈(X+Y)(Ω)
|y|P(X= z−y,Y= y)

P(X= z−y,Y= y)

=
|y|P(Y= y) = E(|Y|)
y∈Y(Ω)
On remarque donc que si X et Y sont int´egrables, X + Y l’est ´egalement, et en effectuant le
mˆeme calcul sans les valeurs absolues, on conclut que E(X+ Y) = E(X) + E(Y).
Exemple : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi de X+ Y.
Cette variable al´eatoire est `a valeurs dans N et on a, pour tout entier k :
P(X+ Y= k) =
n
j=0
P(X= j,Y= k−j).
Pour tout k>n, chacun des termes de cette somme est nul donc P(X+ Y= k) = 0.6
Fixons maintenant un entier k∈{0,...,n}. On a :
P(X+ Y= k) =
=
=
=
k
j=0
k
j=0
P(X= j,Y= k−j)
n!
j!(k−j)!(n−k)!pj
xpk−j
y (1−px−py)n−k
n!
(n−k)!(1−px−py)n−k
k
j=0
n!
1
j!(k−j)!pj
xpk−j
y
k!(n−k)!(1−px−py)n−k(px + py)k
.
La variable al´eatoire X+ Y suit donc une loi binomiale Bin(n,p x + py).
1.4 Loi conditionnelle
Consid´erons un couple (X,Y) de variables al´eatoires discr`etes, dont on connaˆıt la loi jointe
et fixons y tel que P(Y= y) >0.
La loi conditionnelle de X sachant l’´ev´enement {Y= y}est donn´ee par le fait que c’est
une loi sur X(Ω) ainsi que par les probabilit´es conditionnelles P(X= x|Y= y) pour tout
x∈X(Ω).
On v´erifie ais´ement que
P(X= x|Y= y) = 1
x∈X(Ω)
ce qui implique que la loi conditionnelle de X sachant {Y= y}est la loi d’une variable al´eatoire.
De plus, la formule des probabilit´es totales implique que
P(X= x) =
P(X= x|Y= y)P(Y= y).
y∈Y(Ω)
Cette d´efinition de la loi conditionnelle s’´etend `a des vecteurs al´eatoires : par exemple pour
un triplet al´eatoire (X,Y,Z), on peut ´etudier la loi conditionnelle de X sachant {Y= y}, la loi
conditionnelle de X sachant {Y= y et Z= z}, la loi conditionnelle du couple (X,Y) sachant

Exemple 1 : La loi de Y sachant {X = 1}est donn´ee par Y(Ω) ∈N et, pour tout entier
{Z= z}...

positif k, on a
1
P(Y= k|X = 1) = P(Y= k et X = 1)
P(X = 1)
= pe−λλk
k! ×
p
= e−λλk
k!.
La loi conditionnelle de Y sachant que {X = 1}est donc une loi de Poisson de param`etre
λ.7
Exemple 2 : La loi de X sachant {Y = 1}est la loi uniforme sur {2,3,4}.
Exemple 3 : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi

que si j <0 ou j >n−k, P(X= j|Y= k) = 0. Fixons maintenant un entier j ∈{0,...,n−k}.

conditionnelle de X sachant {Y= k}, pour un entier k∈{0,...,n}. Remarquons tout d’abord

On a
P(X= j|Y= k) = P(X= j et Y= k)
P(Y= k)
n! pj
xpk
y(1−px−py)n−j−k
k!(n−k)!
=
j!k!(n−j−k)!
n! pk
y(1−py)n−k
(n−k)!
=
j!(n−k−j)!
px
1−py
j 1−px−py
1−py
.
La loi conditionnelle de X sachant {Y= k}est donc une loi binomiale (n−k,p x/(1−py)).
n−k−j
1.5 Ind´ependance de variables al´eatoires discr`etes

tout x ∈X(Ω) et tout y ∈Y(Ω), les ´ev´enements {X= x}et {Y= y}sont ind´ependants,
D´efinition 1.4 Deux variables al´eatoires discr`etes X et Y sont dites ind´ependantes si pour

c’est-`a-dire :
P(X= x,Y= y) = P(X= x)P(Y= y).

y ∈Y(Ω) et tout x ∈X(Ω) tels que P(Y= y) > 0 et P(X= x) > 0, P(X= x|Y= y) =
Si X et Y sont deux variables al´eatoires discr`etes ind´ependantes, on aura donc, pour tout

P(X= x) et P(Y= y|X= x) = P(Y= y).

n `a n) ind´ependantes si, pour tout choix de x1 ∈X1(Ω),...,xn ∈Xn(Ω), on a

Plus g´en´eralement, les n variables al´eatoires discr`etes X1,...,Xn sont (mutuellement ou

P(X1 = x1,...,Xn = xn) = P(X1 = x1)...P(Xn = xn).

Remarques :
´
•L’ind´ependance n`a nentraˆıne l’ind´ependance 2 `a 2 (mais la r´eciproque est fausse).
Ecrire
la preuve de ce r´esultat pour n= 3.
•Des ´ev´enements A1,...,An sont ind´ependants si et seulement si les variables al´eatoires
1A1 ,...,1An
le sont.
Proposition 1.5 Si les n variables al´eatoires discr`etes X1,...,Xn sont ind´ependantes alors
on a X(Ω) = X1(Ω) ×···×Xn(Ω).
Remarque : Lorsque les variables al´eatoires X et Y sont ind´ependantes, connaˆıtre les lois
marginales permet donc de connaˆıtre la loi jointe du couple (X,Y), alors que pour des variables
al´eatoires quelconques, cela ne suffit pas.8
1.6 Esp´erance, matrice de covariance
Dans un souci de clart´e, tous les r´esultats de ce paragraphe et du suivant sont ´enonc´es pour
les couples de variables al´eatoires discr`etes, et ils s’´etendent sans peine aux vecteurs al´eatoires
discrets.
On consid`ere un couple al´eatoire discret (X,Y).
D´efinition 1.6 •L’esp´erance du couple (X,Y) est d´efinie si X et Y sont int´egrables et on
a alors : E(X,Y) = (E(X),E(Y)).
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la covariance de X et de Y,
ou covariance du couple (X,Y), est donn´ee par
cov(X,Y) = E(XY)−E(X)E(Y) = E[(X−E(X))(Y−E(Y))].
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la matrice de covariance du
couple (X,Y) est la matrice
C=
var (X) cov(X,Y)
cov(X,Y) var (Y).
Plus g´en´eralement, la matrice de covariance d’un vecteur (X1,...,Xn), dont chacune des com-
posantes est de carr´e int´egrable, est une matrice n×n dont les termes diagonaux sont les
variances des Xi et dont le terme (i,j) est la covariance cov(Xi,Xj) pour tout i̸= j.
Remarque : Le calcul de l’esp´erance de X ou de Y ne fait intervenir que les lois marginales,
mais nous allons voir qu’il n’est pas n´ecessaire d’expliciter ces lois marginales.
Proposition 1.7 Si (X,Y) est un couple de variables al´eatoires discr`etes, pour toute fonction
h: R2 →R telle que
|h(x,y)|P(X= x,Y= y) <∞,
x∈X(Ω),y∈Y(Ω)
la variable al´eatoire h(X,Y) est int´egrable et on a
E(h(X,Y)) =
x∈X(Ω),y∈Y(Ω)
h(x,y)P(X= x,Y= y).

est discr`ete et on a, pour tout z ∈(h(X,Y))(Ω),

Preuve : Notons Z= h(X,Y). On a une ´ecriture explicite de la loi de Z : cette variable al´eatoire

P(Z= z) =
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y)
La variable al´eatoire Z est donc int´egrable si la somme
S=
z∈(h(X,Y))(Ω)
 |z|
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y) 9
converge. Or cette somme peut s’´ecrire
S=
z∈(h(X,Y))(Ω)
 (x,y)∈(X,Y)(Ω),h(x,y)=z
=
|h(x,y)|P(X= x,Y= y)
(x,y)∈(X,Y)(Ω)
|h(x,y)|P(X= x,Y= y) 
La mˆeme proc´edure appliqu´ee `a la somme sans les valeurs absolues permet d’obtenir le r´esultat
d´esir´e pour E(h(X,Y)).
Application : Cette proposition permet d’´ecrire notamment les esp´erances de X, de Y ou de
XY sans expliciter la loi de ces variables al´eatoires. Si le couple (X,Y) est discret, on a ainsi
E(X) =
(x,y)∈(X,Y)(Ω)
E(Y) =
(x,y)∈(X,Y)(Ω)
E(XY) =
(x,y)∈(X,Y)(Ω)
xP(X= x,Y= y)
yP(X= x,Y= y)
xyP(X= x,Y= y)
lorsque les s´eries convergent.
Revenons maintenant `a la matrice de covariance :
Proposition 1.8 1. Une matrice de covariance C est toujours une matrice sym´etrique et
positive (i.e., pour tout v∈Rn
, <v,Cv>≥0).
2. Si X et Y sont deux variables al´eatoires ind´ependantes et int´egrables, on a E(XY) =
E(X)E(Y) et donc cov(X,Y) = 0. La r´eciproque de ce r´esultat est fausse.
3. Si X et Y sont deux variables al´eatoires ind´ependantes et f et g deux fonctions telles que
les variables al´eatoires f(X) et g(Y) sont int´egrables, on a E(f(X)g(Y)) = E(f(X))E(g(Y)).
La r´eciproque de ce r´esultat est fausse.
4. Si les variables al´eatoires X1,...,Xn sont ind´ependantes et de carr´e int´egrable, alors la
matrice de covariance de (X1,...,Xn) est diagonale. La r´eciproque de ce r´esultat est
fausse.
Preuve : 1. Soit X = (X1,...,Xn) un vecteur al´eatoire dont chaque composante est de carr´e
int´egrable, notons C sa matrice de covariance et fixons v = (v1,...,vn) un vecteur de Rn
.
Quitte `a remplacer chaque Xi par Xi−E(Xi), on supposera les variables al´eatoires centr´ees
(d’esp´erance nulle).10
On a
<v,Cv>=
Cijvivj
i,j
=
E(XiXj)vivj
i,j
=E
i,j
viXivjXj
=E
i
viXi ×
j
= E  i
viXi
2 
vjXj
On a donc bien <v,Cv>≥0.
2. Consid´erons deux variables al´eatoires discr`etes X et Y ind´ependantes et int´egrables. Mon-
trons que XY est int´egrable et calculons son esp´erance. On a
E(|XY|) =
x∈X(Ω),y∈Y(Ω)
|xy|P(X= x,Y= y)
Comme X et Y sont ind´ependantes, P(X= x,Y= y) = P(X= x)P(Y= y) donc
E(|XY|) =
|xy|P(X= x)P(Y= y)
x∈X(Ω),y∈Y(Ω)
=
x∈X(Ω)
 |x|P(X= x)
y∈Y(Ω)
=  x∈X(Ω)
|x|P(X= x)  y∈Y(Ω)
= E(|X|)E(|Y|).
|y|P(Y= y) 
|y|P(Y= y) 
On montre alors par un calcul similaire que E(XY) = E(X)E(Y), puis on en d´eduit que
cov(X,Y) = 0.
3. et 4. se d´eduisent ais´ement de 2.
La proposition suivante, bien que tr`es simple `a prouver, est fort utile :
Proposition 1.9 Si X et Y sont deux variables al´eatoires de carr´e int´egrable, on a
var (X+ Y) = var (X) + var (Y) + 2cov(X,Y).
Si de plus, X et Y sont ind´ependantes, on a
var (X+ Y) = var (X) + var (Y).11
De plus, pour deux variables al´eatoires de carr´e int´egrable, il est possible d’obtenir une
majoration de cov(X,Y) `a partir des variances de X et Y :
Proposition 1.10 (In´egalit´e de Cauchy Schwarz) Soient X et Y deux variables al´eatoires
de carr´e int´egrable. On a
|E(XY)|≤E(|XY|) ≤ E(X2)E(Y2]
|cov(X,Y)|≤ var (X)var (Y)
Preuve : Le deuxi`eme point s’obtient en appliquant le premier `a X−E(X) et Y−E(Y).
Le premier point se montre de la mˆeme fa¸con que dans le cas classique (produit scalaire de
deux vecteurs) : on ´etudie le polynˆome
R(λ) = E(X2)λ2
−2E|XY|λ+ E(Y2).
Ce polynˆome se factorise en
R(λ) = E[(λ|X|−|Y|)2].
Il n’admet donc pas deux racines r´eelles distinctes, ce qui signifie que son discriminant (r´eduit)
est n´egatif :
(E|XY|)2
−E(X2)E(Y2) ≤0.
On ´etudie de la mˆeme fa¸con le cas d’´egalit´e : le discriminant n’est nul que si le polynˆome admet
une racine r´eelle double. Dans ce cas, il existe donc λ0 tel que
E[(λ0|X|+ |Y|)2] = 0;
l’esp´erance d’une variable al´eatoire positive ne pouvant ˆetre nulle que si la variable al´eatoire est
(presque sˆurement) nulle, on aura alors : |Y|=−λ0|X|, presque sˆurement.
Les preuves sans les valeurs absolues sont similaires.
1.7 Fonction g´en´eratrice d’un couple
D´efinition 1.11 La fonction g´en´eratrice d’un couple de variables al´eatoires discr`etes positives
est la fonction d´efinie sur [0,1]2 par
G(X,Y)(s,t) = E(sXtY) =
sxtyP(X= x,Y= y).
x∈X(Ω),y∈Y(Ω)
Proposition 1.12 La fonction g´en´eratrice d´etermine la loi du couple (X,Y) au sens o`u si deux
couples de variables al´eatoires positives ont la mˆeme fonction g´en´eratrice, alors ils suivent la
mˆeme loi.
La fonction g´en´eratrice de (X,Y) permet de retrouver par exemple :
•la fonction g´en´eratrice de X : GX(s) = G(X,Y)(s,1) et de Y,
•l’esp´erance de X si X est int´egrable : E(X) = ∂
∂sG(X,Y)(1,1),
•l’esp´erance de X2 si X est de carr´e int´egrable : E(X2) = ∂2
∂s2 G(X,Y)(1,1) + ∂
∂sG(X,Y)(1,1),12
•l’esp´erance de XY si X et Y sont de carr´e int´egrable : E(X,Y) = ∂ 2
∂s∂tG(X,Y)(1,1).
Une autre utilit´e importante de la fonction g´en´eratrice est de permettre de calculer simple-
ment la loi de somme de variables al´eatoires, `a partir du moment o`u on connaˆıt leur loi jointe.
En effet, on a le r´esultat suivant :
Proposition 1.13 Soient (X,Y) un couple de variables al´eatoires positives dont on connaˆıt la
loi jointe. Notons GX,Y la fonction g´en´eratrice du couple. On a alors GX+Y(s) = G(X,Y)(s,s).
Preuve : On a G(X,Y)(s,s) = E(sXsY) = E(sX+Y) = GX+Y(s).
Si X et Y sont `a valeurs enti`eres, il ne reste plus qu’`a d´ecomposer la fonction G X+Y en s´erie
enti`ere pour obtenir les probabilit´es P(X+ Y= k).
Il est facile de voir que si X et Y sont deux variables al´eatoires positives ind´ependantes,
alors on a G(X,Y)(s,t) = GX(s)GY(t). La r´eciproque de ce r´esultat est ´egalement vraie :
Proposition 1.14 Les variables al´eatoires positives X et Y sont ind´ependantes si et seulement
si

Remarque : La fonction g´en´eratrice du vecteur al´eatoire X = (X 1,...,Xn) v´erifiant X(Ω) ⊂

G(X,Y)(s,t) = GX(s)GY(t).

Nn est la fonction G: [0,1]n →R+ d´efinie par

G(s1,...,sn) = E(sX1
1 ×...×sXn
n ).
Cette fonction de n variables caract´erise la loi du n-uplet, permet de retrouver les lois margi-
nales ...
1.8 Exemple d’utilisation de la fonction g´en´eratrice
Calculons la fonction g´en´eratrice de la loi trinomiale (n,px,py).
Soit (X,Y) un couple de variable al´eatoire de loi trinomiale (n,p x,py).
On a
G(X,Y)(s,t) = E(sXtY)
=
sitjP(X= i,Y= j)
i,j∈{0,...,n},i+j≤n
=
n
n−i
sitj n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i
n−i
(n−i)!
j!(n−i−j)!(tpy)j(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i(1−px−(1−t)py)n−i
i=0
= (1−(1−s)px−(1−t)py)n
.13
En prenant t= 1 dans le r´esultat ci-dessus, on trouve : G (X,Y)(s,1) = (1−(1−s)px)n; on
reconnaˆıt la fonction caract´eristique d’une loi binomiale (n,p x) ce qui prouve que X suit une
loi binomiale (n,px).
La fonction g´en´eratrice de (X,Y) permet ´egalement de calculer celle de X + Y. On a en
effet :
E(sX+Y) = E(sXsY) = G(X,Y)(s,s).
On trouve ici : GX+Y(s) = (1−(1−s)(px + py))n; on retrouve donc que X + Y suit une loi
binomiale (n,px + py).
1.9 Somme de deux variables al´eatoires de loi de Poisson et ind´e-
pendantes
Consid´erons deux variables al´eatoires X et Y ind´ependantes et de loi de Poisson de para-
m`etre respectivement µ1 >0 et µ2 >0, et calculons la loi de X+ Y.
Premi`ere m´ethode
Commen¸cons par calculer la fonction g´en´eratrice de la loi de X. On a
GX(s) = E(sX)
=
n≥0
=
n≥0
= e−µ1 eµ1s
= e−µ1(1−s)
snP(X= n)
sne−µ1 µn
1
n!
De la mˆeme fa¸con, on a GY(t) = e−µ2(1−t). Comme X et Y sont des variables al´eatoires
ind´ependantes, on en d´eduit la fonction g´en´eratrice du couple (X,Y) :
G(X,Y)(s,t) = e−µ1(1−s)e−µ2(1−t)
.
La fonction g´en´eratrice de X+ Y est donc
GX+Y(s) = G(X,Y)(s,s) = e−(µ1+µ2)(1−s)
.
On reconnaˆıt ici la fonction g´en´eratrice d’une loi de Poisson de param`etre µ 1 + µ2 et on peut
conclure que X+ Y suit une loi de Poisson de param`etre µ1 + µ2.
Attention : La variable al´eatoire X−Y ne suit pas une loi de Poisson : cette variable al´eatoire
prend ses valeurs dans Z et non dans N et, en cons´equence, on ne peut pas calculer sa fonction
g´en´eratrice.

On a ´evidemment (X+Y)(Ω) ⊂N. Fixons donc n∈N et calculons directement la probabilit´e

Deuxi`eme m´ethode

P(X+ Y= n).14
On a
P(X+ Y= n) =
P(X= k,X+ Y= n)
k≥0
=
k≥0
=
k≥0
=
n
k=0
= e−(µ1+µ2) 1
n!
P(X= k,Y= n−k)
P(X= k)P(Y= n−k)
e−µ1 µk
1
2
k! e−µ2 µn−k
(n−k)!
n
n!
k!(n−k)!µk
1µn−k
2
k=0
= e−(µ1+µ2) (µ1 + µ2)n
n!
On retrouve donc que X+ Y suit une loi de Poisson de param`etre µ 1 + µ2.
2 Couples al´eatoires `a densit´e
2.1 Densit´e d’un couple
D´efinition 2.1 Un couple (X,Y) de variables al´eatoires r´eelles sera dit « `a densit´e par rapport
`a la mesure de Lebesgue de R2 »s’il existe une fonction f : R2 →R+ telle que, pour tous

P(X ∈I et Y ∈J) =
intervalles I et J et pour toute fonction continue born´ee ou positive h on ait :

I×J
f(x,y) dxdy et E(h(X,Y)) =
h(x,y)f(x,y) dxdy.
R2
Remarque :
– La densit´e f est toujours une fonction positive, int´egrable et dont l’int´egrale sur R 2 par
rapport `a la mesure de Lebesgue vaut 1.
– On peut montrer que la d´efinition de la densit´e est ´equivalente `a : pour tout ouvert U de

P((X,Y) ∈U) =
R2

U
f(x,y) dxdy.

1. Soit D= {(x,y) ∈R2,x2 + y2 ≤1}le disque unit´e de R2 et f la fonction d´efinie sur R2

Exemples :

par : f(x,y) = 1D(x,y)/π. f est bien une densit´e de probabilit´e sur R2 : c’est la densit´e
de la loi uniforme sur D, c’est-`a-dire la loi que l’on obtient en jetant un point au hasard
et uniform´ement sur D.
2. Soit X une variable al´eatoire de loi exponentielle. La loi du couple (X,X) n’admet pas
de densit´e par rapport `a la mesure de Lebesgue sur R2. En effet, si une telle densit´e f15
existait, elle devrait ˆetre (presque partout) nulle en dehors de la droite {x= y}puisque
P(X ̸= Y) = 0. On aurait alors
1=
R2
f(x,y) dxdy=
f(x,y) dxdy.
{x=y}⊂R2
Or une droite est de mesure nulle pour la mesure de Lebesgue sur R2, donc l’int´egrale,
toujours par rapport `a la mesure de Lebesgue sur R2, de n’importe quelle fonction sur ce
domaine est nulle. On aboutit donc `a une contradiction.
2.2 Loi marginale
Les lois marginales du couple (X,Y) sont les lois des variables al´eatoires X et Y. On peut
v´erifier ais´ement la proposition suivante :
Proposition 2.2 Soit (X,Y) un couple de variables al´eatoires de densit´e (conjointe) f : R 2 →
R+. Alors les deux variables al´eatoires X et Y ont chacune une densit´e, not´ee respectivement
fX et fY donn´ees par :
fX(x) =
y∈R
f(x,y) dy et fY(y) =
x∈R
f(x,y) dx.

P(X ≤t) = P(X ∈] −∞,t] et Y ∈R)

Preuve : En effet, soit t∈R et calculons la fonction de r´epartition de X. On a

=
f(x,y) dxdy
]−∞,t]×R
=
t
−∞ y∈R
f(x,y)dy dx
Ce principe s’applique aux vecteurs `a densit´e, `a ceci pr`es que les lois marginales d’un triplet
sont les lois de chacune des variables qui le constituent ainsi que les lois des couples de variables.
Exercice : Calculer les lois marginales du couple (X,Y) de loi uniforme sur le disque D de
centre 0 et de rayon 1.
2.3 Ind´ependance
Rappelons la d´efinition de l’ind´ependance de variables al´eatoires :
D´efinition 2.3 Les variables al´eatoires X et Y sont ind´ependantes si, pour tous intervalles

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus g´en´eralement, n variables al´eatoires X1,...,Xn sont (mutuellement) ind´ependantes

si, pour tous intervalles I1,...,In, on a
P
{Xk ∈Ik}=
k≤n

P{Xk ∈Ik}.k≤n16
Le lien entre densit´es et ind´ependance est clair :
Proposition 2.4 Deux variables al´eatoires (X,Y) de densit´e respectivement f et g sont in-
d´ependantes si et seulement si la loi du couple admet une densit´e et que cette densit´e est la
fonction (x,y) →f(x)g(y).
2.4 Esp´erance, covariance
D´efinition 2.5 On d´efinit, comme pour les couples discrets l’esp´erance d’un couple de variables
al´eatoires int´egrables comme ´etant le couple des esp´erances E(X,Y) = (E(X),E(Y)), et il est
facile de v´erifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces int´egrales sont absolument convergentes.
Si les variables al´eatoires sont de carr´e int´egrable, on d´efinit ´egalement la matrice de cova-
riance du couple (X,Y) par
C=
var (X) cov(X,Y)
cov(X,Y) var (Y)
Les termes non-diagonaux de cette matrice seront
cov(X,Y) = E((X−E(X))(Y−E(Y))) = E(XY)−E(X)E(Y)
o`u
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice sym´etrique et positive (au
sens des formes bilin´eaires).
Ces d´efinitions s’´etendent naturellement au cas des vecteurs al´eatoires `a densit´e, en rempla¸cant
les int´egrales doubles par des int´egrales multiples.
Remarque : Pour identifier la densit´e d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et born´ee et on essaie d’´ecrire E(h(X,Y)) sous la forme
E(h(X,Y))) =
R2
h(x,y)f(x,y) dx
,dy.
La fonction f : R2 →R+ ci-dessus, si elle existe, sera la densit´e du couple (X,Y).
Les propri´et´es vues dans le cas discret restent vraies pour les couples `a densit´e : notamment,
si le couple est form´e de variables al´eatoires ind´ependantes et de carr´e int´egrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables al´eatoires dont le couple admet une densit´e, peut ˆetre nulle sans que les variables
soient ind´ependantes : reprendre par exemple l’exemple du couple de loi uniforme sur le disque
de centre 0 et de rayon 1.17
2.5 Loi de la somme
On peut v´erifier que si le couple (X,Y) a une densit´e, la variable X + Y aura ´egalement
une densit´e, et on peut expliciter cette densit´e :
Proposition 2.6 – Si le couple (X,Y) admet pour densit´e la fonction f, alors la densit´e
de la variable al´eatoire X+ Y est la fonction g d´efinie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables al´eatoires ind´ependantes de densit´e f X et fY, la densit´e,
not´ee g, de X+ Y est le produit de convolution de fX et fY :
g(z) =
R
fX(x)fY(z−x) dx=
R
fX(z−y)fY(y) dy.
Preuve : Soit h: R →R une fonction continue par morceaux et born´ee. On a
Eh(X+ Y) =
R2
=
R
h(x+ y)f(x,y) dx
,dy
h(z)
R
f(x,z−x) dx dz
en posant x = x et z = x+ y. Si on avait effectu´e le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annonc´ee.

1/12
4 1/12 1 0 1/12 2 1/12 0 1/12 1/12
3 1/12 1/12 0 1/12
1/12 1/12 0
Exemple 3 : Loi trinomiale. On se fixe un nombre entier nstrictement positif et deux param`etres

tel que (X,Y)(Ω) ∈N2 et donn´ee pour tout (i,j) ∈N2 tels que i+ j ≤n par :
r´eels positifs px et py tels que px+py ≤1. La loi trinomiale (n,px,py) est la loi du couple (X,Y)

P(X= i,Y= j) = n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
,2
et P(X= i,Y= j) = 0 sinon.
Exercice : Montrer que l’on d´efinit bien ainsi la loi d’un couple al´eatoire.
La loi trinomiale est une extension de la loi binomiale. Imaginons en effet une exp´erience
qui a trois issues possibles, not´ee x, y et z, avec comme probabilit´e de r´ealisation p x, py et
pz = 1−px−py. R´ep´etons nfois cette exp´erience (nest fix´e) de fa¸con ind´ependante et comptons
le nombre d’apparitions de x (nombre not´e X) et de y (not´e Z) parmi ces n r´ep´etitions. C’est
alors un exercice de d´enombrement que de d´emontrer que le couple (X,Y) suit alors une loi
trinomiale de param`etres (n,px,py).
1.2 Lois marginales
D´efinition 1.1 Les (deux) lois marginales du couple (X,Y) sont les lois des variables al´ea-
toires X et Y. On les obtient de la fa¸con suivante :
P(X= x) =
y∈Y(Ω)
P(Y= y) =
x∈X(Ω)
P(X= x,Y= y),
P(X= x,Y= y).

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

y∈Y(Ω)
Comme la r´eunion est d´enombrable et disjointe, il vient :
P(X= x) =
y∈Y(Ω)
P(X= x,Y= y).
Plus g´en´eralement, un vecteur (X1,...,Xn) `a valeurs dans Zn poss`ede n lois marginales
unidimensionnelles, mais ´egalement n(n−1) lois marginales bidimensionnelles, et ainsi de suite.
On a par exemple
P(X1 = x) =
(x2,...,xn)∈Zn−1
P(X1 = x,X2 = x2,...,Xn = xn).
Reprenons les exemples pr´ec´edents :
Exemple 1.
D´eterminons la loi de X : X est `a valeurs dans {0,1}et on a :
P(X = 0) =
j∈N
P(X = 0,Y= j) = 1−p.
De la mˆeme fa¸con :
P(X = 1) =
j∈N
P(X = 1,Y= j) =
pe−λλj/j! = p.j≥03
La variable al´eatoire X suit donc une loi de Bernoulli de param`etre p. Calculons aussi la loi de
Y:
P(Y = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
.
Et pour tout j ≥1,
P(Y= j) = P(X = 0,Y= j) + P(X = 1,Y= j) = pe −λλj/j!.
P(X= j,Y= k)
Exemple 2 : Il suffit de sommer en colonne pour avoir la loi de X, et en ligne pour obtenir celle
de Y. En pratique, on peut ajouter une colonne et une ligne au tableau pour y ´ecrire les lois de
X et Y. Et avant de conclure, on prend le soin de v´erifier que la somme de cette colonne (et de
cette ligne) vaut 1.
On trouve ici que X et Y suivent une loi uniforme sur {1,2,3,4}.

marginale de X : fixons j ∈{0,...,n}et ´evaluons P(X= j).

Exemple 3 : On consid`ere le couple (X,Y) de loi trinomiale (n,p x,py). D´eterminons la loi

On a
P(X= j) =
=
n
k=0
n−j
k=0
n−j
k=0
P(X= j,Y= k) +
n
k=n−j+1
P(X= j,Y= k)
n!
=
j!k!(n−j−k)!pj
xpk
y(1−px−py)n−j−k + 0
n!
=
j!(n−j)!pj
x
n−j
(n−j)!
k!(n−j−k)!pk
y(1−px−py)n−j−k
k=0
=
n
j pj
x(1−px)n−j
La variable al´eatoire X suit donc une loi Bin(n,px). Un calcul similaire montre que Y suit
une loi binomiale Bin(n,py).
1.3 Loi de f(X,Y)
Probl`eme : On dispose d’un couple de variables al´eatoires discr`etes (X,Y) dont on connaˆıt
la loi conjointe et on voudrait connaˆıtre la loi de la variable al´eatoire Z= f(X,Y), o`u f :
X(Ω) ×Y(Ω) →R est une fonction donn´ee. Par exemple, on a souvent besoin de connaˆıtre la
loi de X + Y, ou celle de X−Y, ou de XY. Et d´eterminer la loi de X `a partir de celle de

Proposition 1.2 On a Z(Ω) = f((X,Y)(Ω)) et pour tout z ∈f((X,Y)(Ω)), on a

(X,Y) revient `a consid´erer la fonction f(x,y) = x.

P(Z= z) =
(x,y)∈(X,Y)(Ω),f(x,y)=z
P(X= x,Y= y).4
Exemple : Reprenons une nouvelle fois l’exemple 1 et consid´erons la fonction f(x,y) = xy. La
variable al´eatoire XY est `a valeurs dans N et on a
P(XY = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
et, pour tout k∈N∗
,
P(XY= k) = P(X = 1,Y= k) = pe−λλk
k!.
Un cas particulier important. Nous consid´erons ici la fonction f(x,y) = x+ y. On obtient :
P(X+ Y= z) =
P(X= x,Y= y)
(x,y)∈(X,Y)(Ω),x+y=z
=
P(X= x,Y= z−x)
x∈X(Ω)
=
P(X= z−y,Y= y)
y∈Y(Ω)
Plus g´en´eralement, si X = (X1,...,Xn) est un vecteur al´eatoire discret et f : X(Ω) →R
est une fonction donn´ee, on a :
P(f(X1,...,Xn) = z) =
x1,...,xn,f(x1,...,xn)=z
P(X1 = x1,...,Xn = xn).
On en d´eduit le corollaire fondamental suivant :
Proposition 1.3 Soient X et Y deux variables al´eatoires discr`etes et int´egrables. Alors la
variable al´eatoire Z= X+ Y est int´egrable et on a E(X+ Y) = E(X) + E(Y).

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable al´eatoire discr`ete et que sa loi est

P(X+ Y= z) =
P(X= x,Y= z−x)
x∈X(Ω)
On a donc
Puis
E(|X+ Y|) =
z∈(X+Y)(Ω)

E(|X+ Y|) =
z∈(X+Y)(Ω)
x∈X(Ω)

|z|
x∈X(Ω)
P(X= x,Y= z−x)

|x+ (z−x)|P(X= x,Y= z−x)
5
En utilisant l’in´egalit´e triangulaire, il vient :
E(|X+ Y|) ≤
z∈(X+Y)(Ω)
≤
z∈(X+Y)(Ω)

x∈X(Ω)
(|x|+ |z−x|)P(X= x,Y= z−x)


x∈X(Ω)
+
z∈(X+Y)(Ω)
|x|P(X= x,Y= z−x)
+
 x∈X(Ω)
|z−x|P(X= x,Y= z−x) 
´
Etudions tout d’abord la premi`ere somme :

z∈(X+Y)(Ω)
x∈X(Ω)
|x|P(X= x,Y= z−x)
=
x∈X(Ω)
=
x∈X(Ω)

|x|
z∈(X+Y)(Ω)
[|x|P(X= x)] = E(|X|)
P(X= x,Y= z−x)

Passons `a la deuxi`eme somme : sommer sur x ∈X(Ω) ou sur x tel que z−x ∈Y(Ω) ne


change pas la valeur de cette somme. On a donc



z∈(X+Y)(Ω)
x∈X(Ω)
|z−x|P(X= x,Y= z−x)
=
z∈(X+Y)(Ω)
z−x∈Y(Ω)
|z−x|P(X= x,Y= z−x)


=
z∈(X+Y)(Ω)
y∈Y(Ω)

=
y∈Y(Ω)
|y|
z∈(X+Y)(Ω)
|y|P(X= z−y,Y= y)

P(X= z−y,Y= y)

=
|y|P(Y= y) = E(|Y|)
y∈Y(Ω)
On remarque donc que si X et Y sont int´egrables, X + Y l’est ´egalement, et en effectuant le
mˆeme calcul sans les valeurs absolues, on conclut que E(X+ Y) = E(X) + E(Y).
Exemple : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi de X+ Y.
Cette variable al´eatoire est `a valeurs dans N et on a, pour tout entier k :
P(X+ Y= k) =
n
j=0
P(X= j,Y= k−j).
Pour tout k>n, chacun des termes de cette somme est nul donc P(X+ Y= k) = 0.6
Fixons maintenant un entier k∈{0,...,n}. On a :
P(X+ Y= k) =
=
=
=
k
j=0
k
j=0
P(X= j,Y= k−j)
n!
j!(k−j)!(n−k)!pj
xpk−j
y (1−px−py)n−k
n!
(n−k)!(1−px−py)n−k
k
j=0
n!
1
j!(k−j)!pj
xpk−j
y
k!(n−k)!(1−px−py)n−k(px + py)k
.
La variable al´eatoire X+ Y suit donc une loi binomiale Bin(n,p x + py).
1.4 Loi conditionnelle
Consid´erons un couple (X,Y) de variables al´eatoires discr`etes, dont on connaˆıt la loi jointe
et fixons y tel que P(Y= y) >0.
La loi conditionnelle de X sachant l’´ev´enement {Y= y}est donn´ee par le fait que c’est
une loi sur X(Ω) ainsi que par les probabilit´es conditionnelles P(X= x|Y= y) pour tout
x∈X(Ω).
On v´erifie ais´ement que
P(X= x|Y= y) = 1
x∈X(Ω)
ce qui implique que la loi conditionnelle de X sachant {Y= y}est la loi d’une variable al´eatoire.
De plus, la formule des probabilit´es totales implique que
P(X= x) =
P(X= x|Y= y)P(Y= y).
y∈Y(Ω)
Cette d´efinition de la loi conditionnelle s’´etend `a des vecteurs al´eatoires : par exemple pour
un triplet al´eatoire (X,Y,Z), on peut ´etudier la loi conditionnelle de X sachant {Y= y}, la loi
conditionnelle de X sachant {Y= y et Z= z}, la loi conditionnelle du couple (X,Y) sachant

Exemple 1 : La loi de Y sachant {X = 1}est donn´ee par Y(Ω) ∈N et, pour tout entier
{Z= z}...

positif k, on a
1
P(Y= k|X = 1) = P(Y= k et X = 1)
P(X = 1)
= pe−λλk
k! ×
p
= e−λλk
k!.
La loi conditionnelle de Y sachant que {X = 1}est donc une loi de Poisson de param`etre
λ.7
Exemple 2 : La loi de X sachant {Y = 1}est la loi uniforme sur {2,3,4}.
Exemple 3 : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi

que si j <0 ou j >n−k, P(X= j|Y= k) = 0. Fixons maintenant un entier j ∈{0,...,n−k}.

conditionnelle de X sachant {Y= k}, pour un entier k∈{0,...,n}. Remarquons tout d’abord

On a
P(X= j|Y= k) = P(X= j et Y= k)
P(Y= k)
n! pj
xpk
y(1−px−py)n−j−k
k!(n−k)!
=
j!k!(n−j−k)!
n! pk
y(1−py)n−k
(n−k)!
=
j!(n−k−j)!
px
1−py
j 1−px−py
1−py
.
La loi conditionnelle de X sachant {Y= k}est donc une loi binomiale (n−k,p x/(1−py)).
n−k−j
1.5 Ind´ependance de variables al´eatoires discr`etes

tout x ∈X(Ω) et tout y ∈Y(Ω), les ´ev´enements {X= x}et {Y= y}sont ind´ependants,
D´efinition 1.4 Deux variables al´eatoires discr`etes X et Y sont dites ind´ependantes si pour

c’est-`a-dire :
P(X= x,Y= y) = P(X= x)P(Y= y).

y ∈Y(Ω) et tout x ∈X(Ω) tels que P(Y= y) > 0 et P(X= x) > 0, P(X= x|Y= y) =
Si X et Y sont deux variables al´eatoires discr`etes ind´ependantes, on aura donc, pour tout

P(X= x) et P(Y= y|X= x) = P(Y= y).

n `a n) ind´ependantes si, pour tout choix de x1 ∈X1(Ω),...,xn ∈Xn(Ω), on a

Plus g´en´eralement, les n variables al´eatoires discr`etes X1,...,Xn sont (mutuellement ou

P(X1 = x1,...,Xn = xn) = P(X1 = x1)...P(Xn = xn).

Remarques :
´
•L’ind´ependance n`a nentraˆıne l’ind´ependance 2 `a 2 (mais la r´eciproque est fausse).
Ecrire
la preuve de ce r´esultat pour n= 3.
•Des ´ev´enements A1,...,An sont ind´ependants si et seulement si les variables al´eatoires
1A1 ,...,1An
le sont.
Proposition 1.5 Si les n variables al´eatoires discr`etes X1,...,Xn sont ind´ependantes alors
on a X(Ω) = X1(Ω) ×···×Xn(Ω).
Remarque : Lorsque les variables al´eatoires X et Y sont ind´ependantes, connaˆıtre les lois
marginales permet donc de connaˆıtre la loi jointe du couple (X,Y), alors que pour des variables
al´eatoires quelconques, cela ne suffit pas.8
1.6 Esp´erance, matrice de covariance
Dans un souci de clart´e, tous les r´esultats de ce paragraphe et du suivant sont ´enonc´es pour
les couples de variables al´eatoires discr`etes, et ils s’´etendent sans peine aux vecteurs al´eatoires
discrets.
On consid`ere un couple al´eatoire discret (X,Y).
D´efinition 1.6 •L’esp´erance du couple (X,Y) est d´efinie si X et Y sont int´egrables et on
a alors : E(X,Y) = (E(X),E(Y)).
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la covariance de X et de Y,
ou covariance du couple (X,Y), est donn´ee par
cov(X,Y) = E(XY)−E(X)E(Y) = E[(X−E(X))(Y−E(Y))].
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la matrice de covariance du
couple (X,Y) est la matrice
C=
var (X) cov(X,Y)
cov(X,Y) var (Y).
Plus g´en´eralement, la matrice de covariance d’un vecteur (X1,...,Xn), dont chacune des com-
posantes est de carr´e int´egrable, est une matrice n×n dont les termes diagonaux sont les
variances des Xi et dont le terme (i,j) est la covariance cov(Xi,Xj) pour tout i̸= j.
Remarque : Le calcul de l’esp´erance de X ou de Y ne fait intervenir que les lois marginales,
mais nous allons voir qu’il n’est pas n´ecessaire d’expliciter ces lois marginales.
Proposition 1.7 Si (X,Y) est un couple de variables al´eatoires discr`etes, pour toute fonction
h: R2 →R telle que
|h(x,y)|P(X= x,Y= y) <∞,
x∈X(Ω),y∈Y(Ω)
la variable al´eatoire h(X,Y) est int´egrable et on a
E(h(X,Y)) =
x∈X(Ω),y∈Y(Ω)
h(x,y)P(X= x,Y= y).

est discr`ete et on a, pour tout z ∈(h(X,Y))(Ω),

Preuve : Notons Z= h(X,Y). On a une ´ecriture explicite de la loi de Z : cette variable al´eatoire

P(Z= z) =
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y)
La variable al´eatoire Z est donc int´egrable si la somme
S=
z∈(h(X,Y))(Ω)
 |z|
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y) 9
converge. Or cette somme peut s’´ecrire
S=
z∈(h(X,Y))(Ω)
 (x,y)∈(X,Y)(Ω),h(x,y)=z
=
|h(x,y)|P(X= x,Y= y)
(x,y)∈(X,Y)(Ω)
|h(x,y)|P(X= x,Y= y) 
La mˆeme proc´edure appliqu´ee `a la somme sans les valeurs absolues permet d’obtenir le r´esultat
d´esir´e pour E(h(X,Y)).
Application : Cette proposition permet d’´ecrire notamment les esp´erances de X, de Y ou de
XY sans expliciter la loi de ces variables al´eatoires. Si le couple (X,Y) est discret, on a ainsi
E(X) =
(x,y)∈(X,Y)(Ω)
E(Y) =
(x,y)∈(X,Y)(Ω)
E(XY) =
(x,y)∈(X,Y)(Ω)
xP(X= x,Y= y)
yP(X= x,Y= y)
xyP(X= x,Y= y)
lorsque les s´eries convergent.
Revenons maintenant `a la matrice de covariance :
Proposition 1.8 1. Une matrice de covariance C est toujours une matrice sym´etrique et
positive (i.e., pour tout v∈Rn
, <v,Cv>≥0).
2. Si X et Y sont deux variables al´eatoires ind´ependantes et int´egrables, on a E(XY) =
E(X)E(Y) et donc cov(X,Y) = 0. La r´eciproque de ce r´esultat est fausse.
3. Si X et Y sont deux variables al´eatoires ind´ependantes et f et g deux fonctions telles que
les variables al´eatoires f(X) et g(Y) sont int´egrables, on a E(f(X)g(Y)) = E(f(X))E(g(Y)).
La r´eciproque de ce r´esultat est fausse.
4. Si les variables al´eatoires X1,...,Xn sont ind´ependantes et de carr´e int´egrable, alors la
matrice de covariance de (X1,...,Xn) est diagonale. La r´eciproque de ce r´esultat est
fausse.
Preuve : 1. Soit X = (X1,...,Xn) un vecteur al´eatoire dont chaque composante est de carr´e
int´egrable, notons C sa matrice de covariance et fixons v = (v1,...,vn) un vecteur de Rn
.
Quitte `a remplacer chaque Xi par Xi−E(Xi), on supposera les variables al´eatoires centr´ees
(d’esp´erance nulle).10
On a
<v,Cv>=
Cijvivj
i,j
=
E(XiXj)vivj
i,j
=E
i,j
viXivjXj
=E
i
viXi ×
j
= E  i
viXi
2 
vjXj
On a donc bien <v,Cv>≥0.
2. Consid´erons deux variables al´eatoires discr`etes X et Y ind´ependantes et int´egrables. Mon-
trons que XY est int´egrable et calculons son esp´erance. On a
E(|XY|) =
x∈X(Ω),y∈Y(Ω)
|xy|P(X= x,Y= y)
Comme X et Y sont ind´ependantes, P(X= x,Y= y) = P(X= x)P(Y= y) donc
E(|XY|) =
|xy|P(X= x)P(Y= y)
x∈X(Ω),y∈Y(Ω)
=
x∈X(Ω)
 |x|P(X= x)
y∈Y(Ω)
=  x∈X(Ω)
|x|P(X= x)  y∈Y(Ω)
= E(|X|)E(|Y|).
|y|P(Y= y) 
|y|P(Y= y) 
On montre alors par un calcul similaire que E(XY) = E(X)E(Y), puis on en d´eduit que
cov(X,Y) = 0.
3. et 4. se d´eduisent ais´ement de 2.
La proposition suivante, bien que tr`es simple `a prouver, est fort utile :
Proposition 1.9 Si X et Y sont deux variables al´eatoires de carr´e int´egrable, on a
var (X+ Y) = var (X) + var (Y) + 2cov(X,Y).
Si de plus, X et Y sont ind´ependantes, on a
var (X+ Y) = var (X) + var (Y).11
De plus, pour deux variables al´eatoires de carr´e int´egrable, il est possible d’obtenir une
majoration de cov(X,Y) `a partir des variances de X et Y :
Proposition 1.10 (In´egalit´e de Cauchy Schwarz) Soient X et Y deux variables al´eatoires
de carr´e int´egrable. On a
|E(XY)|≤E(|XY|) ≤ E(X2)E(Y2]
|cov(X,Y)|≤ var (X)var (Y)
Preuve : Le deuxi`eme point s’obtient en appliquant le premier `a X−E(X) et Y−E(Y).
Le premier point se montre de la mˆeme fa¸con que dans le cas classique (produit scalaire de
deux vecteurs) : on ´etudie le polynˆome
R(λ) = E(X2)λ2
−2E|XY|λ+ E(Y2).
Ce polynˆome se factorise en
R(λ) = E[(λ|X|−|Y|)2].
Il n’admet donc pas deux racines r´eelles distinctes, ce qui signifie que son discriminant (r´eduit)
est n´egatif :
(E|XY|)2
−E(X2)E(Y2) ≤0.
On ´etudie de la mˆeme fa¸con le cas d’´egalit´e : le discriminant n’est nul que si le polynˆome admet
une racine r´eelle double. Dans ce cas, il existe donc λ0 tel que
E[(λ0|X|+ |Y|)2] = 0;
l’esp´erance d’une variable al´eatoire positive ne pouvant ˆetre nulle que si la variable al´eatoire est
(presque sˆurement) nulle, on aura alors : |Y|=−λ0|X|, presque sˆurement.
Les preuves sans les valeurs absolues sont similaires.
1.7 Fonction g´en´eratrice d’un couple
D´efinition 1.11 La fonction g´en´eratrice d’un couple de variables al´eatoires discr`etes positives
est la fonction d´efinie sur [0,1]2 par
G(X,Y)(s,t) = E(sXtY) =
sxtyP(X= x,Y= y).
x∈X(Ω),y∈Y(Ω)
Proposition 1.12 La fonction g´en´eratrice d´etermine la loi du couple (X,Y) au sens o`u si deux
couples de variables al´eatoires positives ont la mˆeme fonction g´en´eratrice, alors ils suivent la
mˆeme loi.
La fonction g´en´eratrice de (X,Y) permet de retrouver par exemple :
•la fonction g´en´eratrice de X : GX(s) = G(X,Y)(s,1) et de Y,
•l’esp´erance de X si X est int´egrable : E(X) = ∂
∂sG(X,Y)(1,1),
•l’esp´erance de X2 si X est de carr´e int´egrable : E(X2) = ∂2
∂s2 G(X,Y)(1,1) + ∂
∂sG(X,Y)(1,1),12
•l’esp´erance de XY si X et Y sont de carr´e int´egrable : E(X,Y) = ∂ 2
∂s∂tG(X,Y)(1,1).
Une autre utilit´e importante de la fonction g´en´eratrice est de permettre de calculer simple-
ment la loi de somme de variables al´eatoires, `a partir du moment o`u on connaˆıt leur loi jointe.
En effet, on a le r´esultat suivant :
Proposition 1.13 Soient (X,Y) un couple de variables al´eatoires positives dont on connaˆıt la
loi jointe. Notons GX,Y la fonction g´en´eratrice du couple. On a alors GX+Y(s) = G(X,Y)(s,s).
Preuve : On a G(X,Y)(s,s) = E(sXsY) = E(sX+Y) = GX+Y(s).
Si X et Y sont `a valeurs enti`eres, il ne reste plus qu’`a d´ecomposer la fonction G X+Y en s´erie
enti`ere pour obtenir les probabilit´es P(X+ Y= k).
Il est facile de voir que si X et Y sont deux variables al´eatoires positives ind´ependantes,
alors on a G(X,Y)(s,t) = GX(s)GY(t). La r´eciproque de ce r´esultat est ´egalement vraie :
Proposition 1.14 Les variables al´eatoires positives X et Y sont ind´ependantes si et seulement
si

Remarque : La fonction g´en´eratrice du vecteur al´eatoire X = (X 1,...,Xn) v´erifiant X(Ω) ⊂

G(X,Y)(s,t) = GX(s)GY(t).

Nn est la fonction G: [0,1]n →R+ d´efinie par

G(s1,...,sn) = E(sX1
1 ×...×sXn
n ).
Cette fonction de n variables caract´erise la loi du n-uplet, permet de retrouver les lois margi-
nales ...
1.8 Exemple d’utilisation de la fonction g´en´eratrice
Calculons la fonction g´en´eratrice de la loi trinomiale (n,px,py).
Soit (X,Y) un couple de variable al´eatoire de loi trinomiale (n,p x,py).
On a
G(X,Y)(s,t) = E(sXtY)
=
sitjP(X= i,Y= j)
i,j∈{0,...,n},i+j≤n
=
n
n−i
sitj n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i
n−i
(n−i)!
j!(n−i−j)!(tpy)j(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i(1−px−(1−t)py)n−i
i=0
= (1−(1−s)px−(1−t)py)n
.13
En prenant t= 1 dans le r´esultat ci-dessus, on trouve : G (X,Y)(s,1) = (1−(1−s)px)n; on
reconnaˆıt la fonction caract´eristique d’une loi binomiale (n,p x) ce qui prouve que X suit une
loi binomiale (n,px).
La fonction g´en´eratrice de (X,Y) permet ´egalement de calculer celle de X + Y. On a en
effet :
E(sX+Y) = E(sXsY) = G(X,Y)(s,s).
On trouve ici : GX+Y(s) = (1−(1−s)(px + py))n; on retrouve donc que X + Y suit une loi
binomiale (n,px + py).
1.9 Somme de deux variables al´eatoires de loi de Poisson et ind´e-
pendantes
Consid´erons deux variables al´eatoires X et Y ind´ependantes et de loi de Poisson de para-
m`etre respectivement µ1 >0 et µ2 >0, et calculons la loi de X+ Y.
Premi`ere m´ethode
Commen¸cons par calculer la fonction g´en´eratrice de la loi de X. On a
GX(s) = E(sX)
=
n≥0
=
n≥0
= e−µ1 eµ1s
= e−µ1(1−s)
snP(X= n)
sne−µ1 µn
1
n!
De la mˆeme fa¸con, on a GY(t) = e−µ2(1−t). Comme X et Y sont des variables al´eatoires
ind´ependantes, on en d´eduit la fonction g´en´eratrice du couple (X,Y) :
G(X,Y)(s,t) = e−µ1(1−s)e−µ2(1−t)
.
La fonction g´en´eratrice de X+ Y est donc
GX+Y(s) = G(X,Y)(s,s) = e−(µ1+µ2)(1−s)
.
On reconnaˆıt ici la fonction g´en´eratrice d’une loi de Poisson de param`etre µ 1 + µ2 et on peut
conclure que X+ Y suit une loi de Poisson de param`etre µ1 + µ2.
Attention : La variable al´eatoire X−Y ne suit pas une loi de Poisson : cette variable al´eatoire
prend ses valeurs dans Z et non dans N et, en cons´equence, on ne peut pas calculer sa fonction
g´en´eratrice.

On a ´evidemment (X+Y)(Ω) ⊂N. Fixons donc n∈N et calculons directement la probabilit´e

Deuxi`eme m´ethode

P(X+ Y= n).14
On a
P(X+ Y= n) =
P(X= k,X+ Y= n)
k≥0
=
k≥0
=
k≥0
=
n
k=0
= e−(µ1+µ2) 1
n!
P(X= k,Y= n−k)
P(X= k)P(Y= n−k)
e−µ1 µk
1
2
k! e−µ2 µn−k
(n−k)!
n
n!
k!(n−k)!µk
1µn−k
2
k=0
= e−(µ1+µ2) (µ1 + µ2)n
n!
On retrouve donc que X+ Y suit une loi de Poisson de param`etre µ 1 + µ2.
2 Couples al´eatoires `a densit´e
2.1 Densit´e d’un couple
D´efinition 2.1 Un couple (X,Y) de variables al´eatoires r´eelles sera dit « `a densit´e par rapport
`a la mesure de Lebesgue de R2 »s’il existe une fonction f : R2 →R+ telle que, pour tous
P(X ∈I et Y ∈J) =
intervalles I et J et pour toute fonction continue born´ee ou positive h on ait :

I×J
f(x,y) dxdy et E(h(X,Y)) =
h(x,y)f(x,y) dxdy.
R2
Remarque :
– La densit´e f est toujours une fonction positive, int´egrable et dont l’int´egrale sur R 2 par
rapport `a la mesure de Lebesgue vaut 1.
– On peut montrer que la d´efinition de la densit´e est ´equivalente `a : pour tout ouvert U de

P((X,Y) ∈U) =
R2

U
f(x,y) dxdy.

1. Soit D= {(x,y) ∈R2,x2 + y2 ≤1}le disque unit´e de R2 et f la fonction d´efinie sur R2

Exemples :

par : f(x,y) = 1D(x,y)/π. f est bien une densit´e de probabilit´e sur R2 : c’est la densit´e
de la loi uniforme sur D, c’est-`a-dire la loi que l’on obtient en jetant un point au hasard
et uniform´ement sur D.
2. Soit X une variable al´eatoire de loi exponentielle. La loi du couple (X,X) n’admet pas
de densit´e par rapport `a la mesure de Lebesgue sur R2. En effet, si une telle densit´e f15
existait, elle devrait ˆetre (presque partout) nulle en dehors de la droite {x= y}puisque
P(X ̸= Y) = 0. On aurait alors
1=
R2
f(x,y) dxdy=
f(x,y) dxdy.
{x=y}⊂R2
Or une droite est de mesure nulle pour la mesure de Lebesgue sur R2, donc l’int´egrale,
toujours par rapport `a la mesure de Lebesgue sur R2, de n’importe quelle fonction sur ce
domaine est nulle. On aboutit donc `a une contradiction.
2.2 Loi marginale
Les lois marginales du couple (X,Y) sont les lois des variables al´eatoires X et Y. On peut
v´erifier ais´ement la proposition suivante :
Proposition 2.2 Soit (X,Y) un couple de variables al´eatoires de densit´e (conjointe) f : R 2 →
R+. Alors les deux variables al´eatoires X et Y ont chacune une densit´e, not´ee respectivement
fX et fY donn´ees par :
fX(x) =
y∈R
f(x,y) dy et fY(y) =
x∈R
f(x,y) dx.

P(X ≤t) = P(X ∈] −∞,t] et Y ∈R)

Preuve : En effet, soit t∈R et calculons la fonction de r´epartition de X. On a

=
f(x,y) dxdy
]−∞,t]×R
=
t
−∞ y∈R
f(x,y)dy dx
Ce principe s’applique aux vecteurs `a densit´e, `a ceci pr`es que les lois marginales d’un triplet
sont les lois de chacune des variables qui le constituent ainsi que les lois des couples de variables.
Exercice : Calculer les lois marginales du couple (X,Y) de loi uniforme sur le disque D de
centre 0 et de rayon 1.
2.3 Ind´ependance
Rappelons la d´efinition de l’ind´ependance de variables al´eatoires :
D´efinition 2.3 Les variables al´eatoires X et Y sont ind´ependantes si, pour tous intervalles

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus g´en´eralement, n variables al´eatoires X1,...,Xn sont (mutuellement) ind´ependantes

si, pour tous intervalles I1,...,In, on a
P
{Xk ∈Ik}=
k≤n

P{Xk ∈Ik}.k≤n16
Le lien entre densit´es et ind´ependance est clair :
Proposition 2.4 Deux variables al´eatoires (X,Y) de densit´e respectivement f et g sont in-
d´ependantes si et seulement si la loi du couple admet une densit´e et que cette densit´e est la
fonction (x,y) →f(x)g(y).
2.4 Esp´erance, covariance
D´efinition 2.5 On d´efinit, comme pour les couples discrets l’esp´erance d’un couple de variables
al´eatoires int´egrables comme ´etant le couple des esp´erances E(X,Y) = (E(X),E(Y)), et il est
facile de v´erifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces int´egrales sont absolument convergentes.
Si les variables al´eatoires sont de carr´e int´egrable, on d´efinit ´egalement la matrice de cova-
riance du couple (X,Y) par
C=
var (X) cov(X,Y)
cov(X,Y) var (Y)
Les termes non-diagonaux de cette matrice seront
cov(X,Y) = E((X−E(X))(Y−E(Y))) = E(XY)−E(X)E(Y)
o`u
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice sym´etrique et positive (au
sens des formes bilin´eaires).
Ces d´efinitions s’´etendent naturellement au cas des vecteurs al´eatoires `a densit´e, en rempla¸cant
les int´egrales doubles par des int´egrales multiples.
Remarque : Pour identifier la densit´e d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et born´ee et on essaie d’´ecrire E(h(X,Y)) sous la forme
E(h(X,Y))) =
R2
h(x,y)f(x,y) dx
,dy.
La fonction f : R2 →R+ ci-dessus, si elle existe, sera la densit´e du couple (X,Y).
Les propri´et´es vues dans le cas discret restent vraies pour les couples `a densit´e : notamment,
si le couple est form´e de variables al´eatoires ind´ependantes et de carr´e int´egrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables al´eatoires dont le couple admet une densit´e, peut ˆetre nulle sans que les variables
soient ind´ependantes : reprendre par exemple l’exemple du couple de loi uniforme sur le disque
de centre 0 et de rayon 1.17
2.5 Loi de la somme
On peut v´erifier que si le couple (X,Y) a une densit´e, la variable X + Y aura ´egalement
une densit´e, et on peut expliciter cette densit´e :
Proposition 2.6 – Si le couple (X,Y) admet pour densit´e la fonction f, alors la densit´e
de la variable al´eatoire X+ Y est la fonction g d´efinie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables al´eatoires ind´ependantes de densit´e f X et fY, la densit´e,
not´ee g, de X+ Y est le produit de convolution de fX et fY :
g(z) =
R
fX(x)fY(z−x) dx=
R
fX(z−y)fY(y) dy.
Preuve : Soit h: R →R une fonction continue par morceaux et born´ee. On a
Eh(X+ Y) =
R2
=
R
h(x+ y)f(x,y) dx
,dy
h(z)
RCouples et vecteurs de variables al´eatoires
Pr´eparation `a l’agr´egation interne
1 Couples et vecteurs al´eatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donn´ee par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables al´eatoires discr`etes avec X(Ω) = {x i,i∈N}et Y(Ω) =
P(X= x,Y= y) = P{ω,X(ω) = x et Y(ω) = y}, pour tout couple (x,y) ∈(X,Y)(Ω).
Y(Ω)) ainsi que par les probabilit´es

Remarque : On doit bien entendu avoir x,y P(X= x,Y= y) = 1.

loi conjointe du vecteur (X1,...,Xn) est donn´ee par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus g´en´eralement, si X1,...,Xn sont n variables al´eatoires discr`etes `a valeurs dans N, la

ainsi que par les probabilit´es P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et consid´erons le couple de variables al´eatoires (X,Y) `a
valeurs dans {0,1}×N dont la loi est donn´ee par :
P(X = 0,Y = 0) = 1−p
P(X = 1,Y= k) = pe−λλk/k!, pour tout k∈N
P(X= j,Y= k) = 0 sinon.
On a bien i,j P(X= i,Y= j) = 1 : on a donc bien ´ecrit la loi d’un couple al´eatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons num´erot´es de 1 `a 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les r´esultats des deux tirages.
On a : P(X= i,Y= i) = 0 pour tout i entre 1 et 4 et P(X= i,Y= j) = 1/12 si
1 ≤i,j ≤4 et i̸= j.
On peut ´ecrire les probabilit´es sous la forme du tableau suivant (o`u par exemple dans la
deuxi`eme case de la premi`ere ligne, on lit P(X = 1,Y = 2)) :
X\Y 1 2 1/12 3 4
1/12
4 1/12 1 0 1/12 2 1/12 0 1/12 1/12
3 1/12 1/12 0 1/12
1/12 1/12 0
Exemple 3 : Loi trinomiale. On se fixe un nombre entier nstrictement positif et deux param`etres

tel que (X,Y)(Ω) ∈N2 et donn´ee pour tout (i,j) ∈N2 tels que i+ j ≤n par :
r´eels positifs px et py tels que px+py ≤1. La loi trinomiale (n,px,py) est la loi du couple (X,Y)

P(X= i,Y= j) = n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
,2
et P(X= i,Y= j) = 0 sinon.
Exercice : Montrer que l’on d´efinit bien ainsi la loi d’un couple al´eatoire.
La loi trinomiale est une extension de la loi binomiale. Imaginons en effet une exp´erience
qui a trois issues possibles, not´ee x, y et z, avec comme probabilit´e de r´ealisation p x, py et
pz = 1−px−py. R´ep´etons nfois cette exp´erience (nest fix´e) de fa¸con ind´ependante et comptons
le nombre d’apparitions de x (nombre not´e X) et de y (not´e Z) parmi ces n r´ep´etitions. C’est
alors un exercice de d´enombrement que de d´emontrer que le couple (X,Y) suit alors une loi
trinomiale de param`etres (n,px,py).
1.2 Lois marginales
D´efinition 1.1 Les (deux) lois marginales du couple (X,Y) sont les lois des variables al´ea-
toires X et Y. On les obtient de la fa¸con suivante :
P(X= x) =
y∈Y(Ω)
P(Y= y) =
x∈X(Ω)
P(X= x,Y= y),
P(X= x,Y= y).

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

y∈Y(Ω)
Comme la r´eunion est d´enombrable et disjointe, il vient :
P(X= x) =
y∈Y(Ω)
P(X= x,Y= y).
Plus g´en´eralement, un vecteur (X1,...,Xn) `a valeurs dans Zn poss`ede n lois marginales
unidimensionnelles, mais ´egalement n(n−1) lois marginales bidimensionnelles, et ainsi de suite.
On a par exemple
P(X1 = x) =
(x2,...,xn)∈Zn−1
P(X1 = x,X2 = x2,...,Xn = xn).
Reprenons les exemples pr´ec´edents :
Exemple 1.
D´eterminons la loi de X : X est `a valeurs dans {0,1}et on a :
P(X = 0) =
j∈N
P(X = 0,Y= j) = 1−p.
De la mˆeme fa¸con :
P(X = 1) =
j∈N
P(X = 1,Y= j) =
pe−λλj/j! = p.j≥03
La variable al´eatoire X suit donc une loi de Bernoulli de param`etre p. Calculons aussi la loi de
Y:
P(Y = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
.
Et pour tout j ≥1,
P(Y= j) = P(X = 0,Y= j) + P(X = 1,Y= j) = pe −λλj/j!.
P(X= j,Y= k)
Exemple 2 : Il suffit de sommer en colonne pour avoir la loi de X, et en ligne pour obtenir celle
de Y. En pratique, on peut ajouter une colonne et une ligne au tableau pour y ´ecrire les lois de
X et Y. Et avant de conclure, on prend le soin de v´erifier que la somme de cette colonne (et de
cette ligne) vaut 1.
On trouve ici que X et Y suivent une loi uniforme sur {1,2,3,4}.

marginale de X : fixons j ∈{0,...,n}et ´evaluons P(X= j).

Exemple 3 : On consid`ere le couple (X,Y) de loi trinomiale (n,p x,py). D´eterminons la loi

On a
P(X= j) =
=
n
k=0
n−j
k=0
n−j
k=0
P(X= j,Y= k) +
n
k=n−j+1
P(X= j,Y= k)
n!
=
j!k!(n−j−k)!pj
xpk
y(1−px−py)n−j−k + 0
n!
=
j!(n−j)!pj
x
n−j
(n−j)!
k!(n−j−k)!pk
y(1−px−py)n−j−k
k=0
=
n
j pj
x(1−px)n−j
La variable al´eatoire X suit donc une loi Bin(n,px). Un calcul similaire montre que Y suit
une loi binomiale Bin(n,py).
1.3 Loi de f(X,Y)
Probl`eme : On dispose d’un couple de variables al´eatoires discr`etes (X,Y) dont on connaˆıt
la loi conjointe et on voudrait connaˆıtre la loi de la variable al´eatoire Z= f(X,Y), o`u f :
X(Ω) ×Y(Ω) →R est une fonction donn´ee. Par exemple, on a souvent besoin de connaˆıtre la
loi de X + Y, ou celle de X−Y, ou de XY. Et d´eterminer la loi de X `a partir de celle de

Proposition 1.2 On a Z(Ω) = f((X,Y)(Ω)) et pour tout z ∈f((X,Y)(Ω)), on a

(X,Y) revient `a consid´erer la fonction f(x,y) = x.

P(Z= z) =
(x,y)∈(X,Y)(Ω),f(x,y)=z
P(X= x,Y= y).4
Exemple : Reprenons une nouvelle fois l’exemple 1 et consid´erons la fonction f(x,y) = xy. La
variable al´eatoire XY est `a valeurs dans N et on a
P(XY = 0) = P(X = 0,Y = 0) + P(X = 1,Y = 0) = 1−p+ pe −λ
et, pour tout k∈N∗
,
P(XY= k) = P(X = 1,Y= k) = pe−λλk
k!.
Un cas particulier important. Nous consid´erons ici la fonction f(x,y) = x+ y. On obtient :
P(X+ Y= z) =
P(X= x,Y= y)
(x,y)∈(X,Y)(Ω),x+y=z
=
P(X= x,Y= z−x)
x∈X(Ω)
=
P(X= z−y,Y= y)
y∈Y(Ω)
Plus g´en´eralement, si X = (X1,...,Xn) est un vecteur al´eatoire discret et f : X(Ω) →R
est une fonction donn´ee, on a :
P(f(X1,...,Xn) = z) =
x1,...,xn,f(x1,...,xn)=z
P(X1 = x1,...,Xn = xn).
On en d´eduit le corollaire fondamental suivant :
Proposition 1.3 Soient X et Y deux variables al´eatoires discr`etes et int´egrables. Alors la
variable al´eatoire Z= X+ Y est int´egrable et on a E(X+ Y) = E(X) + E(Y).

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable al´eatoire discr`ete et que sa loi est

P(X+ Y= z) =
P(X= x,Y= z−x)
x∈X(Ω)
On a donc
Puis
E(|X+ Y|) =
z∈(X+Y)(Ω)

E(|X+ Y|) =
z∈(X+Y)(Ω)
x∈X(Ω)

|z|
x∈X(Ω)
P(X= x,Y= z−x)

|x+ (z−x)|P(X= x,Y= z−x)
5
En utilisant l’in´egalit´e triangulaire, il vient :
E(|X+ Y|) ≤
z∈(X+Y)(Ω)
≤
z∈(X+Y)(Ω)

x∈X(Ω)
(|x|+ |z−x|)P(X= x,Y= z−x)


x∈X(Ω)
+
z∈(X+Y)(Ω)
|x|P(X= x,Y= z−x)
+
 x∈X(Ω)
|z−x|P(X= x,Y= z−x) 
´
Etudions tout d’abord la premi`ere somme :

z∈(X+Y)(Ω)
x∈X(Ω)
|x|P(X= x,Y= z−x)
=
x∈X(Ω)
=
x∈X(Ω)

|x|
z∈(X+Y)(Ω)
[|x|P(X= x)] = E(|X|)
P(X= x,Y= z−x)

Passons `a la deuxi`eme somme : sommer sur x ∈X(Ω) ou sur x tel que z−x ∈Y(Ω) ne


change pas la valeur de cette somme. On a donc



z∈(X+Y)(Ω)
x∈X(Ω)
|z−x|P(X= x,Y= z−x)
=
z∈(X+Y)(Ω)
z−x∈Y(Ω)
|z−x|P(X= x,Y= z−x)


=
z∈(X+Y)(Ω)
y∈Y(Ω)

=
y∈Y(Ω)
|y|
z∈(X+Y)(Ω)
|y|P(X= z−y,Y= y)

P(X= z−y,Y= y)

=
|y|P(Y= y) = E(|Y|)
y∈Y(Ω)
On remarque donc que si X et Y sont int´egrables, X + Y l’est ´egalement, et en effectuant le
mˆeme calcul sans les valeurs absolues, on conclut que E(X+ Y) = E(X) + E(Y).
Exemple : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi de X+ Y.
Cette variable al´eatoire est `a valeurs dans N et on a, pour tout entier k :
P(X+ Y= k) =
n
j=0
P(X= j,Y= k−j).
Pour tout k>n, chacun des termes de cette somme est nul donc P(X+ Y= k) = 0.6
Fixons maintenant un entier k∈{0,...,n}. On a :
P(X+ Y= k) =
=
=
=
k
j=0
k
j=0
P(X= j,Y= k−j)
n!
j!(k−j)!(n−k)!pj
xpk−j
y (1−px−py)n−k
n!
(n−k)!(1−px−py)n−k
k
j=0
n!
1
j!(k−j)!pj
xpk−j
y
k!(n−k)!(1−px−py)n−k(px + py)k
.
La variable al´eatoire X+ Y suit donc une loi binomiale Bin(n,p x + py).
1.4 Loi conditionnelle
Consid´erons un couple (X,Y) de variables al´eatoires discr`etes, dont on connaˆıt la loi jointe
et fixons y tel que P(Y= y) >0.
La loi conditionnelle de X sachant l’´ev´enement {Y= y}est donn´ee par le fait que c’est
une loi sur X(Ω) ainsi que par les probabilit´es conditionnelles P(X= x|Y= y) pour tout
x∈X(Ω).
On v´erifie ais´ement que
P(X= x|Y= y) = 1
x∈X(Ω)
ce qui implique que la loi conditionnelle de X sachant {Y= y}est la loi d’une variable al´eatoire.
De plus, la formule des probabilit´es totales implique que
P(X= x) =
P(X= x|Y= y)P(Y= y).
y∈Y(Ω)
Cette d´efinition de la loi conditionnelle s’´etend `a des vecteurs al´eatoires : par exemple pour
un triplet al´eatoire (X,Y,Z), on peut ´etudier la loi conditionnelle de X sachant {Y= y}, la loi
conditionnelle de X sachant {Y= y et Z= z}, la loi conditionnelle du couple (X,Y) sachant

Exemple 1 : La loi de Y sachant {X = 1}est donn´ee par Y(Ω) ∈N et, pour tout entier
{Z= z}...

positif k, on a
1
P(Y= k|X = 1) = P(Y= k et X = 1)
P(X = 1)
= pe−λλk
k! ×
p
= e−λλk
k!.
La loi conditionnelle de Y sachant que {X = 1}est donc une loi de Poisson de param`etre
λ.7
Exemple 2 : La loi de X sachant {Y = 1}est la loi uniforme sur {2,3,4}.
Exemple 3 : Supposons que (X,Y) suit une loi trinomiale (n,px,py) et calculons la loi

que si j <0 ou j >n−k, P(X= j|Y= k) = 0. Fixons maintenant un entier j ∈{0,...,n−k}.

conditionnelle de X sachant {Y= k}, pour un entier k∈{0,...,n}. Remarquons tout d’abord

On a
P(X= j|Y= k) = P(X= j et Y= k)
P(Y= k)
n! pj
xpk
y(1−px−py)n−j−k
k!(n−k)!
=
j!k!(n−j−k)!
n! pk
y(1−py)n−k
(n−k)!
=
j!(n−k−j)!
px
1−py
j 1−px−py
1−py
.
La loi conditionnelle de X sachant {Y= k}est donc une loi binomiale (n−k,p x/(1−py)).
n−k−j
1.5 Ind´ependance de variables al´eatoires discr`etes

tout x ∈X(Ω) et tout y ∈Y(Ω), les ´ev´enements {X= x}et {Y= y}sont ind´ependants,
D´efinition 1.4 Deux variables al´eatoires discr`etes X et Y sont dites ind´ependantes si pour

c’est-`a-dire :
P(X= x,Y= y) = P(X= x)P(Y= y).

y ∈Y(Ω) et tout x ∈X(Ω) tels que P(Y= y) > 0 et P(X= x) > 0, P(X= x|Y= y) =
Si X et Y sont deux variables al´eatoires discr`etes ind´ependantes, on aura donc, pour tout

P(X= x) et P(Y= y|X= x) = P(Y= y).

n `a n) ind´ependantes si, pour tout choix de x1 ∈X1(Ω),...,xn ∈Xn(Ω), on a

Plus g´en´eralement, les n variables al´eatoires discr`etes X1,...,Xn sont (mutuellement ou

P(X1 = x1,...,Xn = xn) = P(X1 = x1)...P(Xn = xn).

Remarques :
´
•L’ind´ependance n`a nentraˆıne l’ind´ependance 2 `a 2 (mais la r´eciproque est fausse).
Ecrire
la preuve de ce r´esultat pour n= 3.
•Des ´ev´enements A1,...,An sont ind´ependants si et seulement si les variables al´eatoires
1A1 ,...,1An
le sont.
Proposition 1.5 Si les n variables al´eatoires discr`etes X1,...,Xn sont ind´ependantes alors
on a X(Ω) = X1(Ω) ×···×Xn(Ω).
Remarque : Lorsque les variables al´eatoires X et Y sont ind´ependantes, connaˆıtre les lois
marginales permet donc de connaˆıtre la loi jointe du couple (X,Y), alors que pour des variables
al´eatoires quelconques, cela ne suffit pas.8
1.6 Esp´erance, matrice de covariance
Dans un souci de clart´e, tous les r´esultats de ce paragraphe et du suivant sont ´enonc´es pour
les couples de variables al´eatoires discr`etes, et ils s’´etendent sans peine aux vecteurs al´eatoires
discrets.
On consid`ere un couple al´eatoire discret (X,Y).
D´efinition 1.6 •L’esp´erance du couple (X,Y) est d´efinie si X et Y sont int´egrables et on
a alors : E(X,Y) = (E(X),E(Y)).
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la covariance de X et de Y,
ou covariance du couple (X,Y), est donn´ee par
cov(X,Y) = E(XY)−E(X)E(Y) = E[(X−E(X))(Y−E(Y))].
•Si X et Y sont deux variables al´eatoires de carr´e int´egrable, la matrice de covariance du
couple (X,Y) est la matrice
C=
var (X) cov(X,Y)
cov(X,Y) var (Y).
Plus g´en´eralement, la matrice de covariance d’un vecteur (X1,...,Xn), dont chacune des com-
posantes est de carr´e int´egrable, est une matrice n×n dont les termes diagonaux sont les
variances des Xi et dont le terme (i,j) est la covariance cov(Xi,Xj) pour tout i̸= j.
Remarque : Le calcul de l’esp´erance de X ou de Y ne fait intervenir que les lois marginales,
mais nous allons voir qu’il n’est pas n´ecessaire d’expliciter ces lois marginales.
Proposition 1.7 Si (X,Y) est un couple de variables al´eatoires discr`etes, pour toute fonction
h: R2 →R telle que
|h(x,y)|P(X= x,Y= y) <∞,
x∈X(Ω),y∈Y(Ω)
la variable al´eatoire h(X,Y) est int´egrable et on a
E(h(X,Y)) =
x∈X(Ω),y∈Y(Ω)
h(x,y)P(X= x,Y= y).

est discr`ete et on a, pour tout z ∈(h(X,Y))(Ω),

Preuve : Notons Z= h(X,Y). On a une ´ecriture explicite de la loi de Z : cette variable al´eatoire

P(Z= z) =
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y)
La variable al´eatoire Z est donc int´egrable si la somme
S=
z∈(h(X,Y))(Ω)
 |z|
(x,y)∈(X,Y)(Ω),h(x,y)=z
P(X= x,Y= y) 9
converge. Or cette somme peut s’´ecrire
S=
z∈(h(X,Y))(Ω)
 (x,y)∈(X,Y)(Ω),h(x,y)=z
=
|h(x,y)|P(X= x,Y= y)
(x,y)∈(X,Y)(Ω)
|h(x,y)|P(X= x,Y= y) 
La mˆeme proc´edure appliqu´ee `a la somme sans les valeurs absolues permet d’obtenir le r´esultat
d´esir´e pour E(h(X,Y)).
Application : Cette proposition permet d’´ecrire notamment les esp´erances de X, de Y ou de
XY sans expliciter la loi de ces variables al´eatoires. Si le couple (X,Y) est discret, on a ainsi
E(X) =
(x,y)∈(X,Y)(Ω)
E(Y) =
(x,y)∈(X,Y)(Ω)
E(XY) =
(x,y)∈(X,Y)(Ω)
xP(X= x,Y= y)
yP(X= x,Y= y)
xyP(X= x,Y= y)
lorsque les s´eries convergent.
Revenons maintenant `a la matrice de covariance :
Proposition 1.8 1. Une matrice de covariance C est toujours une matrice sym´etrique et
positive (i.e., pour tout v∈Rn
, <v,Cv>≥0).
2. Si X et Y sont deux variables al´eatoires ind´ependantes et int´egrables, on a E(XY) =
E(X)E(Y) et donc cov(X,Y) = 0. La r´eciproque de ce r´esultat est fausse.
3. Si X et Y sont deux variables al´eatoires ind´ependantes et f et g deux fonctions telles que
les variables al´eatoires f(X) et g(Y) sont int´egrables, on a E(f(X)g(Y)) = E(f(X))E(g(Y)).
La r´eciproque de ce r´esultat est fausse.
4. Si les variables al´eatoires X1,...,Xn sont ind´ependantes et de carr´e int´egrable, alors la
matrice de covariance de (X1,...,Xn) est diagonale. La r´eciproque de ce r´esultat est
fausse.
Preuve : 1. Soit X = (X1,...,Xn) un vecteur al´eatoire dont chaque composante est de carr´e
int´egrable, notons C sa matrice de covariance et fixons v = (v1,...,vn) un vecteur de Rn
.
Quitte `a remplacer chaque Xi par Xi−E(Xi), on supposera les variables al´eatoires centr´ees
(d’esp´erance nulle).10
On a
<v,Cv>=
Cijvivj
i,j
=
E(XiXj)vivj
i,j
=E
i,j
viXivjXj
=E
i
viXi ×
j
= E  i
viXi
2 
vjXj
On a donc bien <v,Cv>≥0.
2. Consid´erons deux variables al´eatoires discr`etes X et Y ind´ependantes et int´egrables. Mon-
trons que XY est int´egrable et calculons son esp´erance. On a
E(|XY|) =
x∈X(Ω),y∈Y(Ω)
|xy|P(X= x,Y= y)
Comme X et Y sont ind´ependantes, P(X= x,Y= y) = P(X= x)P(Y= y) donc
E(|XY|) =
|xy|P(X= x)P(Y= y)
x∈X(Ω),y∈Y(Ω)
=
x∈X(Ω)
 |x|P(X= x)
y∈Y(Ω)
=  x∈X(Ω)
|x|P(X= x)  y∈Y(Ω)
= E(|X|)E(|Y|).
|y|P(Y= y) 
|y|P(Y= y) 
On montre alors par un calcul similaire que E(XY) = E(X)E(Y), puis on en d´eduit que
cov(X,Y) = 0.
3. et 4. se d´eduisent ais´ement de 2.
La proposition suivante, bien que tr`es simple `a prouver, est fort utile :
Proposition 1.9 Si X et Y sont deux variables al´eatoires de carr´e int´egrable, on a
var (X+ Y) = var (X) + var (Y) + 2cov(X,Y).
Si de plus, X et Y sont ind´ependantes, on a
var (X+ Y) = var (X) + var (Y).11
De plus, pour deux variables al´eatoires de carr´e int´egrable, il est possible d’obtenir une
majoration de cov(X,Y) `a partir des variances de X et Y :
Proposition 1.10 (In´egalit´e de Cauchy Schwarz) Soient X et Y deux variables al´eatoires
de carr´e int´egrable. On a
|E(XY)|≤E(|XY|) ≤ E(X2)E(Y2]
|cov(X,Y)|≤ var (X)var (Y)
Preuve : Le deuxi`eme point s’obtient en appliquant le premier `a X−E(X) et Y−E(Y).
Le premier point se montre de la mˆeme fa¸con que dans le cas classique (produit scalaire de
deux vecteurs) : on ´etudie le polynˆome
R(λ) = E(X2)λ2
−2E|XY|λ+ E(Y2).
Ce polynˆome se factorise en
R(λ) = E[(λ|X|−|Y|)2].
Il n’admet donc pas deux racines r´eelles distinctes, ce qui signifie que son discriminant (r´eduit)
est n´egatif :
(E|XY|)2
−E(X2)E(Y2) ≤0.
On ´etudie de la mˆeme fa¸con le cas d’´egalit´e : le discriminant n’est nul que si le polynˆome admet
une racine r´eelle double. Dans ce cas, il existe donc λ0 tel que
E[(λ0|X|+ |Y|)2] = 0;
l’esp´erance d’une variable al´eatoire positive ne pouvant ˆetre nulle que si la variable al´eatoire est
(presque sˆurement) nulle, on aura alors : |Y|=−λ0|X|, presque sˆurement.
Les preuves sans les valeurs absolues sont similaires.
1.7 Fonction g´en´eratrice d’un couple
D´efinition 1.11 La fonction g´en´eratrice d’un couple de variables al´eatoires discr`etes positives
est la fonction d´efinie sur [0,1]2 par
G(X,Y)(s,t) = E(sXtY) =
sxtyP(X= x,Y= y).
x∈X(Ω),y∈Y(Ω)
Proposition 1.12 La fonction g´en´eratrice d´etermine la loi du couple (X,Y) au sens o`u si deux
couples de variables al´eatoires positives ont la mˆeme fonction g´en´eratrice, alors ils suivent la
mˆeme loi.
La fonction g´en´eratrice de (X,Y) permet de retrouver par exemple :
•la fonction g´en´eratrice de X : GX(s) = G(X,Y)(s,1) et de Y,
•l’esp´erance de X si X est int´egrable : E(X) = ∂
∂sG(X,Y)(1,1),
•l’esp´erance de X2 si X est de carr´e int´egrable : E(X2) = ∂2
∂s2 G(X,Y)(1,1) + ∂
∂sG(X,Y)(1,1),12
•l’esp´erance de XY si X et Y sont de carr´e int´egrable : E(X,Y) = ∂ 2
∂s∂tG(X,Y)(1,1).
Une autre utilit´e importante de la fonction g´en´eratrice est de permettre de calculer simple-
ment la loi de somme de variables al´eatoires, `a partir du moment o`u on connaˆıt leur loi jointe.
En effet, on a le r´esultat suivant :
Proposition 1.13 Soient (X,Y) un couple de variables al´eatoires positives dont on connaˆıt la
loi jointe. Notons GX,Y la fonction g´en´eratrice du couple. On a alors GX+Y(s) = G(X,Y)(s,s).
Preuve : On a G(X,Y)(s,s) = E(sXsY) = E(sX+Y) = GX+Y(s).
Si X et Y sont `a valeurs enti`eres, il ne reste plus qu’`a d´ecomposer la fonction G X+Y en s´erie
enti`ere pour obtenir les probabilit´es P(X+ Y= k).
Il est facile de voir que si X et Y sont deux variables al´eatoires positives ind´ependantes,
alors on a G(X,Y)(s,t) = GX(s)GY(t). La r´eciproque de ce r´esultat est ´egalement vraie :
Proposition 1.14 Les variables al´eatoires positives X et Y sont ind´ependantes si et seulement
si

Remarque : La fonction g´en´eratrice du vecteur al´eatoire X = (X 1,...,Xn) v´erifiant X(Ω) ⊂

G(X,Y)(s,t) = GX(s)GY(t).

Nn est la fonction G: [0,1]n →R+ d´efinie par

G(s1,...,sn) = E(sX1
1 ×...×sXn
n ).
Cette fonction de n variables caract´erise la loi du n-uplet, permet de retrouver les lois margi-
nales ...
1.8 Exemple d’utilisation de la fonction g´en´eratrice
Calculons la fonction g´en´eratrice de la loi trinomiale (n,px,py).
Soit (X,Y) un couple de variable al´eatoire de loi trinomiale (n,p x,py).
On a
G(X,Y)(s,t) = E(sXtY)
=
sitjP(X= i,Y= j)
i,j∈{0,...,n},i+j≤n
=
n
n−i
sitj n!
i!j!(n−i−j)!pi
xpj
y(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i
n−i
(n−i)!
j!(n−i−j)!(tpy)j(1−px−py)n−i−j
i=0
j=0
=
n
n!
i!(n−i)!(spx)i(1−px−(1−t)py)n−i
i=0
= (1−(1−s)px−(1−t)py)n
.13
En prenant t= 1 dans le r´esultat ci-dessus, on trouve : G (X,Y)(s,1) = (1−(1−s)px)n; on
reconnaˆıt la fonction caract´eristique d’une loi binomiale (n,p x) ce qui prouve que X suit une
loi binomiale (n,px).
La fonction g´en´eratrice de (X,Y) permet ´egalement de calculer celle de X + Y. On a en
effet :
E(sX+Y) = E(sXsY) = G(X,Y)(s,s).
On trouve ici : GX+Y(s) = (1−(1−s)(px + py))n; on retrouve donc que X + Y suit une loi
binomiale (n,px + py).
1.9 Somme de deux variables al´eatoires de loi de Poisson et ind´e-
pendantes
Consid´erons deux variables al´eatoires X et Y ind´ependantes et de loi de Poisson de para-
m`etre respectivement µ1 >0 et µ2 >0, et calculons la loi de X+ Y.
Premi`ere m´ethode
Commen¸cons par calculer la fonction g´en´eratrice de la loi de X. On a
GX(s) = E(sX)
=
n≥0
=
n≥0
= e−µ1 eµ1s
= e−µ1(1−s)
snP(X= n)
sne−µ1 µn
1
n!
De la mˆeme fa¸con, on a GY(t) = e−µ2(1−t). Comme X et Y sont des variables al´eatoires
ind´ependantes, on en d´eduit la fonction g´en´eratrice du couple (X,Y) :
G(X,Y)(s,t) = e−µ1(1−s)e−µ2(1−t)
.
La fonction g´en´eratrice de X+ Y est donc
GX+Y(s) = G(X,Y)(s,s) = e−(µ1+µ2)(1−s)
.
On reconnaˆıt ici la fonction g´en´eratrice d’une loi de Poisson de param`etre µ 1 + µ2 et on peut
conclure que X+ Y suit une loi de Poisson de param`etre µ1 + µ2.
Attention : La variable al´eatoire X−Y ne suit pas une loi de Poisson : cette variable al´eatoire
prend ses valeurs dans Z et non dans N et, en cons´equence, on ne peut pas calculer sa fonction
g´en´eratrice.

On a ´evidemment (X+Y)(Ω) ⊂N. Fixons donc n∈N et calculons directement la probabilit´e

Deuxi`eme m´ethode

P(X+ Y= n).14
On a
P(X+ Y= n) =
P(X= k,X+ Y= n)
k≥0
=
k≥0
=
k≥0
=
n
k=0
= e−(µ1+µ2) 1
n!
P(X= k,Y= n−k)
P(X= k)P(Y= n−k)
e−µ1 µk
1
2
k! e−µ2 µn−k
(n−k)!
n
n!
k!(n−k)!µk
1µn−k
2
k=0
= e−(µ1+µ2) (µ1 + µ2)n
n!
On retrouve donc que X+ Y suit une loi de Poisson de param`etre µ 1 + µ2.
2 Couples al´eatoires `a densit´e
2.1 Densit´e d’un couple
D´efinition 2.1 Un couple (X,Y) de variables al´eatoires r´eelles sera dit « `a densit´e par rapport
`a la mesure de Lebesgue de R2 »s’il existe une fonction f : R2 →R+ telle que, pour tous

P(X ∈I et Y ∈J) =
intervalles I et J et pour toute fonction continue born´ee ou positive h on ait :

I×J
f(x,y) dxdy et E(h(X,Y)) =
h(x,y)f(x,y) dxdy.
R2
Remarque :
– La densit´e f est toujours une fonction positive, int´egrable et dont l’int´egrale sur R 2 par
rapport `a la mesure de Lebesgue vaut 1.
– On peut montrer que la d´efinition de la densit´e est ´equivalente `a : pour tout ouvert U de

P((X,Y) ∈U) =
R2

U
f(x,y) dxdy.

1. Soit D= {(x,y) ∈R2,x2 + y2 ≤1}le disque unit´e de R2 et f la fonction d´efinie sur R2

Exemples :

par : f(x,y) = 1D(x,y)/π. f est bien une densit´e de probabilit´e sur R2 : c’est la densit´e
de la loi uniforme sur D, c’est-`a-dire la loi que l’on obtient en jetant un point au hasard
et uniform´ement sur D.
2. Soit X une variable al´eatoire de loi exponentielle. La loi du couple (X,X) n’admet pas
de densit´e par rapport `a la mesure de Lebesgue sur R2. En effet, si une telle densit´e f15
existait, elle devrait ˆetre (presque partout) nulle en dehors de la droite {x= y}puisque
P(X ̸= Y) = 0. On aurait alors
1=
R2
f(x,y) dxdy=
f(x,y) dxdy.
{x=y}⊂R2
Or une droite est de mesure nulle pour la mesure de Lebesgue sur R2, donc l’int´egrale,
toujours par rapport `a la mesure de Lebesgue sur R2, de n’importe quelle fonction sur ce
domaine est nulle. On aboutit donc `a une contradiction.
2.2 Loi marginale
Les lois marginales du couple (X,Y) sont les lois des variables al´eatoires X et Y. On peut
v´erifier ais´ement la proposition suivante :
Proposition 2.2 Soit (X,Y) un couple de variables al´eatoires de densit´e (conjointe) f : R 2 →
R+. Alors les deux variables al´eatoires X et Y ont chacune une densit´e, not´ee respectivement
fX et fY donn´ees par :
fX(x) =
y∈R
f(x,y) dy et fY(y) =
x∈R
f(x,y) dx.

P(X ≤t) = P(X ∈] −∞,t] et Y ∈R)

Preuve : En effet, soit t∈R et calculons la fonction de r´epartition de X. On a

=
f(x,y) dxdy
]−∞,t]×R
=
t
−∞ y∈R
f(x,y)dy dx
Ce principe s’applique aux vecteurs `a densit´e, `a ceci pr`es que les lois marginales d’un triplet
sont les lois de chacune des variables qui le constituent ainsi que les lois des couples de variables.
Exercice : Calculer les lois marginales du couple (X,Y) de loi uniforme sur le disque D de
centre 0 et de rayon 1.
2.3 Ind´ependance
Rappelons la d´efinition de l’ind´ependance de variables al´eatoires :
D´efinition 2.3 Les variables al´eatoires X et Y sont ind´ependantes si, pour tous intervalles

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a
Plus g´en´eralement, n variables al´eatoires X1,...,Xn sont (mutuellement) ind´ependantes
si, pour tous intervalles I1,...,In, on a
P
{Xk ∈Ik}=
k≤n

P{Xk ∈Ik}.k≤n16
Le lien entre densit´es et ind´ependance est clair :
Proposition 2.4 Deux variables al´eatoires (X,Y) de densit´e respectivement f et g sont in-
d´ependantes si et seulement si la loi du couple admet une densit´e et que cette densit´e est la
fonction (x,y) →f(x)g(y).
2.4 Esp´erance, covariance
D´efinition 2.5 On d´efinit, comme pour les couples discrets l’esp´erance d’un couple de variables
al´eatoires int´egrables comme ´etant le couple des esp´erances E(X,Y) = (E(X),E(Y)), et il est
facile de v´erifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces int´egrales sont absolument convergentes.
Si les variables al´eatoires sont de carr´e int´egrable, on d´efinit ´egalement la matrice de cova-
riance du couple (X,Y) par
C=
var (X) cov(X,Y)
cov(X,Y) var (Y)
Les termes non-diagonaux de cette matrice seront
cov(X,Y) = E((X−E(X))(Y−E(Y))) = E(XY)−E(X)E(Y)
o`u
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice sym´etrique et positive (au
sens des formes bilin´eaires).
Ces d´efinitions s’´etendent naturellement au cas des vecteurs al´eatoires `a densit´e, en rempla¸cant
les int´egrales doubles par des int´egrales multiples.
Remarque : Pour identifier la densit´e d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et born´ee et on essaie d’´ecrire E(h(X,Y)) sous la forme
E(h(X,Y))) =
R2
h(x,y)f(x,y) dx
,dy.
La fonction f : R2 →R+ ci-dessus, si elle existe, sera la densit´e du couple (X,Y).
Les propri´et´es vues dans le cas discret restent vraies pour les couples `a densit´e : notamment,
si le couple est form´e de variables al´eatoires ind´ependantes et de carr´e int´egrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables al´eatoires dont le couple admet une densit´e, peut ˆetre nulle sans que les variables
soient ind´ependantes : reprendre par exemple l’exemple du couple de loi uniforme sur le disque
de centre 0 et de rayon 1.17
2.5 Loi de la somme
On peut v´erifier que si le couple (X,Y) a une densit´e, la variable X + Y aura ´egalement
une densit´e, et on peut expliciter cette densit´e :
Proposition 2.6 – Si le couple (X,Y) admet pour densit´e la fonction f, alors la densit´e
de la variable al´eatoire X+ Y est la fonction g d´efinie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables al´eatoires ind´ependantes de densit´e f X et fY, la densit´e,
not´ee g, de X+ Y est le produit de convolution de fX et fY :
g(z) =
R
fX(x)fY(z−x) dx=
R
fX(z−y)fY(y) dy.
Preuve : Soit h: R →R une fonction continue par morceaux et born´ee. On a
Eh(X+ Y) =
R2
=
R
h(x+ y)f(x,y) dx
,dy
h(z)
R
f(x,z−x) dx dz
en posant x = x et z = x+ y. Si on avait effectu´e le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annonc´ee.
f(x,z−x) dx dz
en posant x = x et z = x+ y. Si on avait effectu´e le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annonc´ee.