0% ont trouvé ce document utile (0 vote)

5 vues125 pages

Pro 6

Le document traite des couples et vecteurs de variables aléatoires discrètes, en se concentrant sur la loi conjointe, les lois marginales et les transformations de variables aléatoires. Il présente des exemples illustrant la loi conjointe de couples de variables, ainsi que des calculs pour obtenir les lois marginales. Enfin, il aborde la loi d'une fonction de variables aléatoires et démontre des propriétés fondamentales telles que l'additivité des espérances.

Transféré par

marcelbadiane0105

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

5 vues125 pages

Pro 6

Transféré par

marcelbadiane0105

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

Couples et vecteurs de variables al´eatoires

Préparation à l’agrégation interne

1 Couples et vecteurs al´eatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donnée par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables aléatoires discrètes 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 donnée par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus généralement, si X1,...,Xn sont n variables aléatoires discrètes à valeurs dans N, la

ainsi que par les probabilités P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et considérons le couple de variables aléatoires (X,Y) à
valeurs dans {0,1}×N dont la loi est donnée 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 écrit la loi d’un couple aléatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons numérotés de 1 à 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les résultats 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 écrire les probabilités sous la forme du tableau suivant (où par exemple dans la
deuxième case de la première ligne, on lit P(X = 1,Y = 2)) :
X\Y 1 2 1/12 3 4Couples
et vecteurs de variables aléatoires
Préparation à l’agrégation interne
1 Couples et vecteurs aléatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donnée par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables aléatoires discrètes 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 donnée par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus généralement, si X1,...,Xn sont n variables aléatoires discrètes à valeurs dans N, la

ainsi que par les probabilités P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et considérons le couple de variables aléatoires (X,Y) à
valeurs dans {0,1}×N dont la loi est donnée 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 écrit la loi d’un couple aléatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons numérotés de 1 à 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les résultats 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 écrire les probabilités sous la forme du tableau suivant (où par exemple dans la
deuxième case de la première 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 paramètres

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)

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

y∈Y(Ω)
Comme la réunion est dénombrable et disjointe, il vient :
P(X= x) =
y∈Y(Ω)
P(X= x,Y= y).
Plus généralement, un vecteur (X1,...,Xn) à valeurs dans Zn possède n lois marginales
unidimensionnelles, mais également 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 précédents :
Exemple 1.
Déterminons la loi de X : X est à valeurs dans {0,1}et on a :
P(X = 0) =
j∈N
P(X = 0,Y= j) = 1−p.
De la même fa¸con :
P(X = 1) =
j∈N
P(X = 1,Y= j) =
pe−λλj/j! = p.j≥03
La variable aléatoire X suit donc une loi de Bernoulli de paramètre 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 écrire les lois de
X et Y. Et avant de conclure, on prend le soin de vérifier 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 aléatoire 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)
Problème : On dispose d’un couple de variables aléatoires discrètes (X,Y) dont on connaˆıt
la loi conjointe et on voudrait connaˆıtre la loi de la variable aléatoire Z= f(X,Y), où f :
X(Ω) ×Y(Ω) →R est une fonction donnée. Par exemple, on a souvent besoin de connaˆıtre la
loi de X + Y, ou celle de X−Y, ou de XY. Et déterminer la loi de X à 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 considérons la fonction f(x,y) = xy. La
variable aléatoire XY est à 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 considérons 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 généralement, si X = (X1,...,Xn) est un vecteur aléatoire discret et f : X(Ω) →R
est une fonction donnée, on a :
P(f(X1,...,Xn) = z) =
x1,...,xn,f(x1,...,xn)=z
P(X1 = x1,...,Xn = xn).
On en déduit le corollaire fondamental suivant :
Proposition 1.3 Soient X et Y deux variables aléatoires discrètes et intégrables. Alors la
variable aléatoire Z= X+ Y est intégrable 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 aléatoire discrète et que sa loi est

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 intégrables, X + Y l’est également, et en effectuant le
même 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 aléatoire est à 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 aléatoire X+ Y suit donc une loi binomiale Bin(n,p x + py).
1.4 Loi conditionnelle
Considérons un couple (X,Y) de variables aléatoires discrètes, dont on connaˆıt la loi jointe
et fixons y tel que P(Y= y) >0.
La loi conditionnelle de X sachant l’événement {Y= y}est donnée par le fait que c’est
une loi sur X(Ω) ainsi que par les probabilités conditionnelles P(X= x|Y= y) pour tout
x∈X(Ω).
On vérifie aisément 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 aléatoire.
De plus, la formule des probabilités totales implique que
P(X= x) =
P(X= x|Y= y)P(Y= y).
y∈Y(Ω)
Cette définition de la loi conditionnelle s’étend à des vecteurs aléatoires : par exemple pour
un triplet aléatoire (X,Y,Z), on peut étudier 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}...

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 Indépendance de variables aléatoires discrètes

tout x ∈X(Ω) et tout y ∈Y(Ω), les événements {X= x}et {Y= y}sont indépendants,
Définition 1.4 Deux variables aléatoires discrètes X et Y sont dites indépendantes 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 aléatoires discrètes indépendantes, 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 généralement, les n variables aléatoires discrètes X1,...,Xn sont (mutuellement ou

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

Remarques :
´
•L’indépendance nà nentraˆıne l’indépendance 2 à 2 (mais la réciproque est fausse).
Ecrire
la preuve de ce résultat pour n= 3.
•Des événements A1,...,An sont indépendants si et seulement si les variables aléatoires
1A1 ,...,1An
le sont.
Proposition 1.5 Si les n variables aléatoires discrètes X1,...,Xn sont indépendantes alors
on a X(Ω) = X1(Ω) ×···×Xn(Ω).
Remarque : Lorsque les variables aléatoires X et Y sont indépendantes, connaˆıtre les lois
marginales permet donc de connaˆıtre la loi jointe du couple (X,Y), alors que pour des variables
aléatoires quelconques, cela ne suffit pas.8
1.6 Espérance, matrice de covariance
Dans un souci de clarté, tous les résultats de ce paragraphe et du suivant sont énoncés pour
les couples de variables aléatoires discrètes, et ils s’étendent sans peine aux vecteurs aléatoires
discrets.
On considère un couple aléatoire discret (X,Y).
Définition 1.6 •L’espérance du couple (X,Y) est définie si X et Y sont intégrables et on
a alors : E(X,Y) = (E(X),E(Y)).
•Si X et Y sont deux variables aléatoires de carré intégrable, la covariance de X et de Y,
ou covariance du couple (X,Y), est donnée par
cov(X,Y) = E(XY)−E(X)E(Y) = E[(X−E(X))(Y−E(Y))].
•Si X et Y sont deux variables aléatoires de carré intégrable, la matrice de covariance du
couple (X,Y) est la matrice
C=
var (X) cov(X,Y)
cov(X,Y) var (Y).
Plus généralement, la matrice de covariance d’un vecteur (X1,...,Xn), dont chacune des com-
posantes est de carré intégrable, 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’espérance de X ou de Y ne fait intervenir que les lois marginales,
mais nous allons voir qu’il n’est pas nécessaire d’expliciter ces lois marginales.
Proposition 1.7 Si (X,Y) est un couple de variables aléatoires discrètes, pour toute fonction
h: R2 →R telle que
|h(x,y)|P(X= x,Y= y) <∞,
x∈X(Ω),y∈Y(Ω)
la variable aléatoire h(X,Y) est intégrable 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 aléatoire Z est donc intégrable 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’écrire
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 même procédure appliquée à la somme sans les valeurs absolues permet d’obtenir le résultat
désiré pour E(h(X,Y)).
Application : Cette proposition permet d’écrire notamment les espérances de X, de Y ou de
XY sans expliciter la loi de ces variables aléatoires. 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 séries convergent.
Revenons maintenant à la matrice de covariance :
Proposition 1.8 1. Une matrice de covariance C est toujours une matrice symétrique et
positive (i.e., pour tout v∈Rn
, <v,Cv>≥0).
2. Si X et Y sont deux variables aléatoires indépendantes et intégrables, on a E(XY) =
E(X)E(Y) et donc cov(X,Y) = 0. La réciproque de ce résultat est fausse.
3. Si X et Y sont deux variables aléatoires indépendantes et f et g deux fonctions telles que
les variables aléatoires f(X) et g(Y) sont intégrables, on a E(f(X)g(Y)) = E(f(X))E(g(Y)).
La réciproque de ce résultat est fausse.
4. Si les variables aléatoires X1,...,Xn sont indépendantes et de carré intégrable, alors la
matrice de covariance de (X1,...,Xn) est diagonale. La réciproque de ce résultat est
fausse.
Preuve : 1. Soit X = (X1,...,Xn) un vecteur aléatoire dont chaque composante est de carré
intégrable, notons C sa matrice de covariance et fixons v = (v1,...,vn) un vecteur de Rn
.
Quitte à remplacer chaque Xi par Xi−E(Xi), on supposera les variables aléatoires centrées
(d’espérance 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. Considérons deux variables aléatoires discrètes X et Y indépendantes et intégrables. Mon-
trons que XY est intégrable et calculons son espérance. On a
E(|XY|) =
x∈X(Ω),y∈Y(Ω)
|xy|P(X= x,Y= y)
Comme X et Y sont indépendantes, 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 déduit que
cov(X,Y) = 0.
3. et 4. se déduisent aisément de 2.
La proposition suivante, bien que très simple à prouver, est fort utile :
Proposition 1.9 Si X et Y sont deux variables aléatoires de carré intégrable, on a
var (X+ Y) = var (X) + var (Y) + 2cov(X,Y).
Si de plus, X et Y sont indépendantes, on a
var (X+ Y) = var (X) + var (Y).11
De plus, pour deux variables aléatoires de carré intégrable, il est possible d’obtenir une
majoration de cov(X,Y) à partir des variances de X et Y :
Proposition 1.10 (Inégalité de Cauchy Schwarz) Soient X et Y deux variables aléatoires
de carré intégrable. On a
|E(XY)|≤E(|XY|) ≤ E(X2)E(Y2]
|cov(X,Y)|≤ var (X)var (Y)
Preuve : Le deuxième point s’obtient en appliquant le premier à X−E(X) et Y−E(Y).
Le premier point se montre de la même fa¸con que dans le cas classique (produit scalaire de
deux vecteurs) : on étudie le polynôme
R(λ) = E(X2)λ2
−2E|XY|λ+ E(Y2).
Ce polynôme se factorise en
R(λ) = E[(λ|X|−|Y|)2].
Il n’admet donc pas deux racines réelles distinctes, ce qui signifie que son discriminant (réduit)
est négatif :
(E|XY|)2
−E(X2)E(Y2) ≤0.
On étudie de la même fa¸con le cas d’égalité : le discriminant n’est nul que si le polynôme admet
une racine réelle double. Dans ce cas, il existe donc λ0 tel que
E[(λ0|X|+ |Y|)2] = 0;
l’espérance d’une variable aléatoire positive ne pouvant être nulle que si la variable aléatoire est
(presque sûrement) nulle, on aura alors : |Y|=−λ0|X|, presque sûrement.
Les preuves sans les valeurs absolues sont similaires.
1.7 Fonction génératrice d’un couple
Définition 1.11 La fonction génératrice d’un couple de variables aléatoires discrètes positives
est la fonction définie 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 génératrice détermine la loi du couple (X,Y) au sens où si deux
couples de variables aléatoires positives ont la même fonction génératrice, alors ils suivent la
même loi.
La fonction génératrice de (X,Y) permet de retrouver par exemple :
•la fonction génératrice de X : GX(s) = G(X,Y)(s,1) et de Y,
•l’espérance de X si X est intégrable : E(X) = ∂
∂sG(X,Y)(1,1),
•l’espérance de X2 si X est de carré intégrable : E(X2) = ∂2
∂s2 G(X,Y)(1,1) + ∂
∂sG(X,Y)(1,1),12
•l’espérance de XY si X et Y sont de carré intégrable : E(X,Y) = ∂ 2
∂s∂tG(X,Y)(1,1).
Une autre utilité importante de la fonction génératrice est de permettre de calculer simple-
ment la loi de somme de variables aléatoires, à partir du moment où on connaˆıt leur loi jointe.
En effet, on a le résultat suivant :
Proposition 1.13 Soient (X,Y) un couple de variables aléatoires positives dont on connaˆıt la
loi jointe. Notons GX,Y la fonction génératrice 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 à valeurs entières, il ne reste plus qu’à décomposer la fonction G X+Y en série
entière pour obtenir les probabilités P(X+ Y= k).
Il est facile de voir que si X et Y sont deux variables aléatoires positives indépendantes,
alors on a G(X,Y)(s,t) = GX(s)GY(t). La réciproque de ce résultat est également vraie :
Proposition 1.14 Les variables aléatoires positives X et Y sont indépendantes si et seulement
si

Remarque : La fonction génératrice du vecteur aléatoire X = (X 1,...,Xn) vérifiant 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 caractérise la loi du n-uplet, permet de retrouver les lois margi-
nales ...
1.8 Exemple d’utilisation de la fonction génératrice
Calculons la fonction génératrice de la loi trinomiale (n,px,py).
Soit (X,Y) un couple de variable aléatoire 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 résultat ci-dessus, on trouve : G (X,Y)(s,1) = (1−(1−s)px)n; on
reconnaˆıt la fonction caractéristique d’une loi binomiale (n,p x) ce qui prouve que X suit une
loi binomiale (n,px).
La fonction génératrice de (X,Y) permet également 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 aléatoires de loi de Poisson et indé-
pendantes
Considérons deux variables aléatoires X et Y indépendantes et de loi de Poisson de para-
mètre respectivement µ1 >0 et µ2 >0, et calculons la loi de X+ Y.
Première méthode
Commen¸cons par calculer la fonction génératrice 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 même fa¸con, on a GY(t) = e−µ2(1−t). Comme X et Y sont des variables aléatoires
indépendantes, on en déduit la fonction génératrice du couple (X,Y) :
G(X,Y)(s,t) = e−µ1(1−s)e−µ2(1−t)
.
La fonction génératrice de X+ Y est donc
GX+Y(s) = G(X,Y)(s,s) = e−(µ1+µ2)(1−s)
.
On reconnaˆıt ici la fonction génératrice d’une loi de Poisson de paramètre µ 1 + µ2 et on peut
conclure que X+ Y suit une loi de Poisson de paramètre µ1 + µ2.
Attention : La variable aléatoire X−Y ne suit pas une loi de Poisson : cette variable aléatoire
prend ses valeurs dans Z et non dans N et, en conséquence, on ne peut pas calculer sa fonction
génératrice.

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 paramètre µ 1 + µ2.
2 Couples aléatoires à densité
2.1 Densité d’un couple
Définition 2.1 Un couple (X,Y) de variables aléatoires réelles sera dit « à densité par rapport
à 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 densité f est toujours une fonction positive, intégrable et dont l’intégrale sur R 2 par
rapport à la mesure de Lebesgue vaut 1.
– On peut montrer que la définition de la densité est équivalente à : 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 :

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 à densité, à ceci près 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 Indépendance
Rappelons la définition de l’indépendance de variables aléatoires :
Définition 2.3 Les variables aléatoires X et Y sont indépendantes si, pour tous intervalles

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus généralement, n variables aléatoires X1,...,Xn sont (mutuellement) indépendantes

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

P{Xk ∈Ik}.k≤n16
Le lien entre densités et indépendance est clair :
Proposition 2.4 Deux variables aléatoires (X,Y) de densité respectivement f et g sont in-
dépendantes si et seulement si la loi du couple admet une densité et que cette densité est la
fonction (x,y) →f(x)g(y).
2.4 Espérance, covariance
Définition 2.5 On définit, comme pour les couples discrets l’espérance d’un couple de variables
aléatoires intégrables comme étant le couple des espérances E(X,Y) = (E(X),E(Y)), et il est
facile de vérifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces intégrales sont absolument convergentes.
Si les variables aléatoires sont de carré intégrable, on définit également 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)
où
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice symétrique et positive (au
sens des formes bilinéaires).
Ces définitions s’étendent naturellement au cas des vecteurs aléatoires à densité, en rempla¸cant
les intégrales doubles par des intégrales multiples.
Remarque : Pour identifier la densité d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et bornée et on essaie d’écrire 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 densité du couple (X,Y).
Les propriétés vues dans le cas discret restent vraies pour les couples à densité : notamment,
si le couple est formé de variables aléatoires indépendantes et de carré intégrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables aléatoires dont le couple admet une densité, peut être nulle sans que les variables
soient indépendantes : 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 vérifier que si le couple (X,Y) a une densité, la variable X + Y aura également
une densité, et on peut expliciter cette densité :
Proposition 2.6 – Si le couple (X,Y) admet pour densité la fonction f, alors la densité
de la variable aléatoire X+ Y est la fonction g définie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables aléatoires indépendantes de densité f X et fY, la densité,
notée 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 bornée. 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 effectué le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annoncée.
Couples et vecteurs de variables aléatoires
Préparation à l’agrégation interne
1 Couples et vecteurs aléatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donnée par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables aléatoires discrètes 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 donnée par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus généralement, si X1,...,Xn sont n variables aléatoires discrètes à valeurs dans N, la

ainsi que par les probabilités P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et considérons le couple de variables aléatoires (X,Y) à
valeurs dans {0,1}×N dont la loi est donnée 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 écrit la loi d’un couple aléatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons numérotés de 1 à 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les résultats 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 écrire les probabilités sous la forme du tableau suivant (où par exemple dans la
deuxième case de la première 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 paramètres

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)

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

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

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.

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable aléatoire discrète et que sa loi est

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

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 paramètre
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 Indépendance de variables aléatoires discrètes

tout x ∈X(Ω) et tout y ∈Y(Ω), les événements {X= x}et {Y= y}sont indépendants,
Définition 1.4 Deux variables aléatoires discrètes X et Y sont dites indépendantes 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 aléatoires discrètes indépendantes, 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 généralement, les n variables aléatoires discrètes X1,...,Xn sont (mutuellement ou

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

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

Remarque : La fonction génératrice du vecteur aléatoire X = (X 1,...,Xn) vérifiant X(Ω) ⊂

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

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

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

Deuxi`eme m´ethode

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

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 :

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

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus généralement, n variables aléatoires X1,...,Xn sont (mutuellement) indépendantes

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

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donnée par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables aléatoires discrètes 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 donnée par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus généralement, si X1,...,Xn sont n variables aléatoires discrètes à valeurs dans N, la

ainsi que par les probabilités P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et considérons le couple de variables aléatoires (X,Y) à
valeurs dans {0,1}×N dont la loi est donnée 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 écrit la loi d’un couple aléatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons numérotés de 1 à 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les résultats 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 écrire les probabilités sous la forme du tableau suivant (où par exemple dans la
deuxième case de la première 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 paramètres

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)

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

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

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.

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable aléatoire discrète et que sa loi est

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

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

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

tout x ∈X(Ω) et tout y ∈Y(Ω), les événements {X= x}et {Y= y}sont indépendants,
Définition 1.4 Deux variables aléatoires discrètes X et Y sont dites indépendantes 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 aléatoires discrètes indépendantes, 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 généralement, les n variables aléatoires discrètes X1,...,Xn sont (mutuellement ou

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

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

Remarque : La fonction génératrice du vecteur aléatoire X = (X 1,...,Xn) vérifiant X(Ω) ⊂

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

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

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

Deuxi`eme m´ethode

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 :

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

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus généralement, n variables aléatoires X1,...,Xn sont (mutuellement) indépendantes

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

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donnée par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables aléatoires discrètes 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 donnée par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus généralement, si X1,...,Xn sont n variables aléatoires discrètes à valeurs dans N, la

ainsi que par les probabilités P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et considérons le couple de variables aléatoires (X,Y) à
valeurs dans {0,1}×N dont la loi est donnée 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 écrit la loi d’un couple aléatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons numérotés de 1 à 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les résultats 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 écrire les probabilités sous la forme du tableau suivant (où par exemple dans la
deuxième case de la première 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 paramètres

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)

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

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

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.

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable aléatoire discrète et que sa loi est

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

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

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

tout x ∈X(Ω) et tout y ∈Y(Ω), les événements {X= x}et {Y= y}sont indépendants,
Définition 1.4 Deux variables aléatoires discrètes X et Y sont dites indépendantes 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 aléatoires discrètes indépendantes, 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 généralement, les n variables aléatoires discrètes X1,...,Xn sont (mutuellement ou

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

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

Remarque : La fonction génératrice du vecteur aléatoire X = (X 1,...,Xn) vérifiant X(Ω) ⊂

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

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

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

Deuxi`eme m´ethode

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

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 :

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

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus généralement, n variables aléatoires X1,...,Xn sont (mutuellement) indépendantes

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

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donnée par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables aléatoires discrètes 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 donnée par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus généralement, si X1,...,Xn sont n variables aléatoires discrètes à valeurs dans N, la

ainsi que par les probabilités P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et considérons le couple de variables aléatoires (X,Y) à
valeurs dans {0,1}×N dont la loi est donnée 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 écrit la loi d’un couple aléatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons numérotés de 1 à 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les résultats 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 écrire les probabilités sous la forme du tableau suivant (où par exemple dans la
deuxième case de la première 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 paramètres

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 définit bien ainsi la loi d’un couple aléatoire.
La loi trinomiale est une extension de la loi binomiale. Imaginons en effet une expérience
qui a trois issues possibles, notée x, y et z, avec comme probabilité de réalisation p x, py et
pz = 1−px−py. Répétons nfois cette expérience (nest fixé) de fa¸con indépendante et comptons
le nombre d’apparitions de x (nombre noté X) et de y (noté Z) parmi ces n répétitions. C’est
alors un exercice de dénombrement que de démontrer que le couple (X,Y) suit alors une loi
trinomiale de paramètres (n,px,py).
1.2 Lois marginales
Définition 1.1 Les (deux) lois marginales du couple (X,Y) sont les lois des variables aléa-
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).
Preuve : On a
{X= x}= {X= x,Y ∈Y(Ω)}=
{X= x,Y= y}.
y∈Y(Ω)
Comme la réunion est dénombrable et disjointe, il vient :
P(X= x) =
y∈Y(Ω)
P(X= x,Y= y).
Plus généralement, un vecteur (X1,...,Xn) à valeurs dans Zn possède n lois marginales
unidimensionnelles, mais également 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 précédents :
Exemple 1.
Déterminons la loi de X : X est à valeurs dans {0,1}et on a :
P(X = 0) =
j∈N
P(X = 0,Y= j) = 1−p.
De la même fa¸con :
P(X = 1) =
j∈N
P(X = 1,Y= j) =
pe−λλj/j! = p.j≥03
La variable aléatoire X suit donc une loi de Bernoulli de paramètre 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 écrire les lois de
X et Y. Et avant de conclure, on prend le soin de vérifier 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

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.

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable aléatoire discrète et que sa loi est

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

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

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

tout x ∈X(Ω) et tout y ∈Y(Ω), les événements {X= x}et {Y= y}sont indépendants,
Définition 1.4 Deux variables aléatoires discrètes X et Y sont dites indépendantes 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 aléatoires discrètes indépendantes, 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 généralement, les n variables aléatoires discrètes X1,...,Xn sont (mutuellement ou

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

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

Remarque : La fonction génératrice du vecteur aléatoire X = (X 1,...,Xn) vérifiant X(Ω) ⊂

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

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

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

Deuxi`eme m´ethode

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

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 densité de probabilité sur R2 : c’est la densité
de la loi uniforme sur D, c’est-à-dire la loi que l’on obtient en jetant un point au hasard
et uniformément sur D.
2. Soit X une variable aléatoire de loi exponentielle. La loi du couple (X,X) n’admet pas
de densité par rapport à la mesure de Lebesgue sur R2. En effet, si une telle densité f15
existait, elle devrait être (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’intégrale,
toujours par rapport à la mesure de Lebesgue sur R2, de n’importe quelle fonction sur ce
domaine est nulle. On aboutit donc à une contradiction.
2.2 Loi marginale
Les lois marginales du couple (X,Y) sont les lois des variables aléatoires X et Y. On peut
vérifier aisément la proposition suivante :
Proposition 2.2 Soit (X,Y) un couple de variables aléatoires de densité (conjointe) f : R 2 →
R+. Alors les deux variables aléatoires X et Y ont chacune une densité, notée respectivement
fX et fY données par :
fX(x) =
y∈R
f(x,y) dy et fY(y) =
x∈R
f(x,y) dx.
Preuve : En effet, soit t∈R et calculons la fonction de répartition de X. On a
P(X ≤t) = P(X ∈] −∞,t] et Y ∈R)
=
f(x,y) dxdy
]−∞,t]×R
=
t
−∞ y∈R
f(x,y)dy dx
Ce principe s’applique aux vecteurs à densité, à ceci près 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 Indépendance
Rappelons la définition de l’indépendance de variables aléatoires :
Définition 2.3 Les variables aléatoires X et Y sont indépendantes si, pour tous intervalles

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus généralement, n variables aléatoires X1,...,Xn sont (mutuellement) indépendantes

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

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donnée par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables aléatoires discrètes 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 donnée par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus généralement, si X1,...,Xn sont n variables aléatoires discrètes à valeurs dans N, la

ainsi que par les probabilités P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et considérons le couple de variables aléatoires (X,Y) à
valeurs dans {0,1}×N dont la loi est donnée 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 écrit la loi d’un couple aléatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons numérotés de 1 à 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les résultats 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 écrire les probabilités sous la forme du tableau suivant (où par exemple dans la
deuxième case de la première 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 paramètres

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)

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

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

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 considérons la fonction f(x,y) = xy. La
variable aléatoire XY est à 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 considérons 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) ECE2-B 2019-2020
CH VIII : Couples de variables aléatoires réelles
discrètes
Avant d’entamer ce chapitre, il faut être à l’aise avec la notion de v.a.r.
discrètes (cf chapitre précédent). Si X est une v.a.r. discrète, on rappelle

X(Ω) = {xi |i∈I} où I ⊂N

que X(Ω) peut se noter sous la forme :

(par définition, X(Ω) est une partie au plus dénombrable de R)

I. Lois associées à un couple de v.a.r. discrètes
I.1. Loi d’un couple de v.a.r. discrètes
I.1.a) Définition de la notion de couple de v.a.r.
Définition
Soit (Ω,A ,P) un espace probabilisé.
Soient X et Y deux v.a.r. discrètes.
• On appelle couple de v.a.r. (X,Y) l’application définie par :
Ω → R2
ω → (X(ω),Y(ω))
Exemple
1) On lance deux fois de suite un dé à 6 faces.
• On note X la v.a.r. égale au plus petit des deux résultats obtenus.
• On note Y la v.a.r. égale au plus grand des deux résultats obtenus.
Alors, (X,Y) est un couple de v.a.r. discrètes.
2) Une urne contient 3 boules blanches, 4 boules vertes et 5 boules bleues.
On tire simultanément 3 boules dans l’urne.
• On note X la v.a.r. égale au nombre de boules blanches obtenues.
• On note Y la v.a.r. égale au nombre de boules vertes obtenues.
Alors, (X,Y) est un couple de v.a.r. discrètes.
3) On lance indéfiniment une pièce non équilibrée pour laquelle la probabi-
lité d’obtenir Pile vaut 3
4 (et celle d’obtenir Face vaut donc 1
4 ).
On appelle chaîne toute séquence constituée uniquement de Pile ou uni-
quement de Face.
• On note X la v.a.r. égale à longueur de la première chaîne obtenue.
• On note Y la v.a.r. égale à la longueur de la deuxième chaîne.
Alors, (X,Y) est un couple de v.a.r. discrètes.
(par exemple, si ω= PPPPFFP..., X(ω) = 4 et Y(ω) = 2)

boules (n ∈ N∗) dont n sont blanches et n sont noires. L’expérience

4) On dispose d’une pièce de monnaie et d’une urne contenant en tout 2n

aléatoire consiste à lancer la pièce jusqu’à obtenir le premier pile. Puis

à tirer autant de tirages avec remise dans l’urne que de lancers eﬀectués
pour obtenir Pile.
• On note X la v.a.r. égale au nombre de lancers de pièce eﬀectués.
• On note Y la v.a.r. égale au nombre de boules blanches obtenues lors
des tirages.
Alors, (X,Y) est un couple de v.a.r. discrètes.
1ECE2-B 2019-2020
I.1.b) Loi d’un couple de v.a.r. discrètes
Définition
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
• On appelle loi de probabilité du couple (X,Y) ou loi conjointe des
v.a.r. X et Y et on note P(X,Y) l’application :
Exemple
1) On reprend l’exemple 1) précédent consistant à lancer deux dés à 6 faces.
× Ω = 1,6 2. Ainsi, Card(Ω) = Card( 1,6 2) = 6 ×6 = 36.
× Ω est muni de la probabilité uniforme notée P.
((Ω,P(Ω),P) est un espace probabilisé)
On a donc :
Card(A)

(x , y) → P(X,Y)(x,y) = P([X= x] ∩[Y= y])

P(X,Y) : X(Ω) × Y(Ω) → R

valeurs P([X= x] ∩[Y= y]) pour x décrivant X(Ω) et y décrivant Y(Ω)

• Autrement dit, la loi du couple (X,Y) est la donnée de l’ensemble des

(i.e. (x,y) décrivant X(Ω) ×Y(Ω)).

(c’est cette définition que l’on retiendra)
Remarque

[X= x,Y= y] en lieu et place de [X= x] ∩[Y= y].

• Dans la littérature, on pourra trouver la notation [(X,Y) = (x,y)] ou

• Si X est une v.a.r. discrète, on rappelle qu’on a utilisé une notation simi-
laire (PX(x) = P([X= x])) pour définir la loi de la v.a.r. X.
(à ne pas confondre avec la fonction de répartition FX !)
• Dans le cas d’un couple (X,Y) composé de deux v.a.r. X et Y finies, on

∀A∈A , P(A) = Card(A)

peut représenter la loi de (X,Y) sous forme d’un tableau à double entrée.

Card(Ω)
=
36
• Déterminons la loi de (X,Y).

• Soit i∈ 1,6 et soit j ∈ 1,6.

Tout d’abord : X(Ω) = 1,6 et Y(Ω) = 1,6.

L’événément [X= i] ∩[Y= j] est réalisé

⇔
réalisé L’événément [X= i] est
et l’événement [Y= j] est

⇔ Le plus petit des 2

réalisé

résultats obtenus vaut i et le plus grand des 2

résultats obtenus vaut j
Trois cas se présentent.

[X= i] ∩[Y= j] = ∅
× Si i>j, alors :

En eﬀet, le plus petit des deux résultats ne peut être strictement plus
grand que le plus grand.

[X= i] ∩[Y= j] = {(i,j),(j,i)}

× Si i<j, alors :

(cet événement est réalisé par deux 2-tirages : celui où le 1er dé vaut
i et le suivant j et celui où le premier dé vaut j et le suivant i)
2ECE2-B 2019-2020

[X= i] ∩[Y= j] = {(i,i)}

× Si i= j, alors :

(cet événement est réalisé par un unique 2-tirages : le 1er lancer donne
i et le deuxième aussi)

∀(i,j) ∈ 1,6 2
• On en conclut :

, P [X= i] ∩[Y= j] =

0
36 si i>j
2
36 si i<j
1
36 si
i= j
• Cerésultat peut aussi être présenté sous forme de tableau.
Card(A)
220
y∈Y(Ω)
x∈X(Ω)
123456
11
36
2
2
2
2
2
36
36
36
36
36
201
2
2
2
2
36
36
36
36
36
3001
36
2
2
2
36
36
36
40001
2
2
36
36
36
500001
36
2
36
6000001
36
2) On reprend maintenant le deuxième exemple.
On note B= {b1,...,b12}l’ensemble de boules de l’urne.
(les boules b1, ..., b3 sont blanches, les boules b4, ..., b7 sont vertes et
les boules b8, ..., b12 sont bleues).
× Ω est l’ensemble des parties à 3 éléments de l’ensemble B.
Ainsi, Card(Ω) = 12
3 = 220.
× Ω est muni de la probabilité uniforme notée P.
((Ω,P(Ω),P) est un espace probabilisé)

∀A∈A , P(A) = Card(A)

On a donc :

Card(Ω)
=
• Déterminons la loi de (X,Y).

• Soit i∈ 0,3 et soit j ∈ 0,3.

Tout d’abord : X(Ω) = 0,3 et Y(Ω) = 0,3.

L’événément [X= i] ∩[Y= j] est réalisé

⇔
réalisé L’événément [X= i] est
et l’événement [Y= j] est

⇔
réalisé

boules blanches Le 3-tirage contient i

et le 3-tirage contient j

Un 3-tirage réalisant [X= i] ∩[Y= j] est entièrement déterminé par :

boules vertes
× le choix des i boules blanches tirées : 3
i possibilités.
× le choix des j boules vertes tirées : 4
j possibilités.
× le choix des boules complétant le tirage : 5
3−i−j possibilités.
(ce sont forcément des boules vertes)

∀(i,j) ∈ 0,3 2
• On en conclut :

, P([X= i] ∩[Y= j]) =

3
i
4
j
5
3−i−j
12
3
3ECE2-B 2019-2020
• Ce résultat peut aussi être représenté sous forme de tableau.
y∈Y(Ω)
x∈X(Ω)
0123
0 10
220
40
30
4
220
220
220
1 30
220
60
18
0
220
220
2 15
220
12
00
220
31
220
000
I.1.c) Système complet d’événements associé à un couple de v.a.r.
discrètes
Définition
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
• On appelle le système complet d’événements associé au couple

[X= x] ∩[Y= y]x∈X(Ω)

(X,Y) la famille :

y∈Y(Ω)

P([X= x] ∩[Y= y]) =

• Cettefamille est un système complet d’événements. En particulier :

P([X= x] ∩[Y= y])

x∈X(Ω) y∈X(Ω)

x∈X(Ω)
y∈Y(Ω)
=

P([X= x] ∩[Y= y]) = 1

y∈X(Ω) x∈X(Ω)

Remarque
De ces premières études, on peut tirer plusieurs remarques.
• Afin de déterminer la loi d’un couple (X,Y), on commence TOUJOURS par
déterminer X(Ω) et Y(Ω).
• Il est fréquent d’avoir à réaliser une disjonction de cas lorsque l’on déter-
mine la loi d’un couple de v.a.r. .
• Si l’on somme tous les éléments du tableau, on obtient 1.

Ceci provient du fait que ([X= x] ∩[Y= y])x∈X(Ω)

(c’est une mesure de vérification!)

est le système com-

y∈Y(Ω)
plet d’événements associé au couple (X,Y).
Démonstration.
1) Démontrons que cette famille est constituée d’événements 2 à 2 incom-

Soit (x1,y1) ∈X(Ω) ×Y(Ω) et (x2,y2) ∈X(Ω) ×Y(Ω) tels que :

patibles. Choisissons deux événements distincts de cette famille.

(x1,y1) ̸= (x2,y2)
([X= x1] ∩[Y= y1]) ∩([X= x2] ∩[Y= y2])
On a alors :

= ([X= x1] ∩[X= x2]) ∩([Y= y1] ∩[Y= y2])

=∅
En eﬀet, on a forcément x1 ̸= x2 ou y1 ̸= y2 car (x1,y1) ̸= (x2,y2).
4ECE2-B 2019-2020

[X= x] ∩[Y= y]
2) Démontrons que la réunion de ces événements est Ω.

x∈X(Ω)
y∈Y(Ω)
=

[X= x] ∩[Y= y]
x∈X(Ω) y∈Y(Ω)

[X= x] ∩
x∈X(Ω)

[Y= y] (car ∩est distributive

y∈Y(Ω)

par rapport à ∪)
=

([X= x] ∩Ω) (car ([Y= y])y∈Y(Ω)

x∈X(Ω)

est un sce)
=
x∈X(Ω)
[X= x] = Ω (car ([X= x])x∈X(Ω)
est un sce)
On en déduit notamment :

P([X= x] ∩[Y= y])

x∈X(Ω) y∈X(Ω)

=
x∈X(Ω)

P([X= x] ∩[Y= y])

y∈Y(Ω)

= P(
x∈X(Ω)
y∈Y(Ω)

[X= x] ∩[Y= y] )
= P(Ω) = 1

I.2. Lois conditionnelles

Définition
Soit (Ω,A ,P) un espace probabilisé.

1)• Pour tout y ∈Y(Ω) tel que P([Y= y]) ̸= 0, on appelle loi condi-
Soit (X,Y) un couple de v.a.r. discrètes.

tionnelle de X sachant (que l’événement) [Y= y] (est réalisé)

l’application :

x → P[Y=y]([X= x]) = P([X= x] ∩[Y= y])

X(Ω) → R

P([Y= y])
• Autrement dit, la loi conditionnelle de X sachant [Y= y] est la donnée
des réels :

2)• Pour tout x ∈X(Ω) tel que P([X= x]) ̸= 0, on appelle loi condi-
P[Y=y]([X= x]) pour tout x∈X(Ω)

tionnelle de Y sachant (que l’événement) [X= x] (est réalisé)

l’application :

y → P[X=x]([Y= y]) = P([X= x] ∩[Y= y])

Y(Ω) → R

P([X= x])
• Autrement dit, la loi conditionnelle de Y sachant [X= x] est la donnée
des réels :
P[X=x]([Y= y]) pour tout y∈Y(Ω)
Remarque
On souligne que cette démonstration est valable dans le cas où X(Ω) et
Y(Ω) sont finis mais aussi dans le cas où ils sont infinis (dénombrables).
Cela implique alors que les sommes considérées sont infinies.
5ECE2-B 2019-2020
Remarque

Par définition : P[X=x]([Y= y]) = P([X= x] ∩[Y= y])

Soit x∈X(Ω) tel que : P([X= x]) ̸= 0.

P([X= x])
• Ainsi, si on connaît :
× la loi du couple (X,Y),
× la loi de X,
alors on obtient la loi conditionnelle de Y sachant [X= x].
• On peut aussi lire l’égalité dans l’autre sens. Si on connaît :
× la loi de X,
× la loi conditionnelle de Y sachant [X= x] pour tout x∈X(Ω),
alors on obtient la loi du couple (X,Y).
I.3. Lois marginales
I.3.a) Définition
Définition
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
• On appelle 1ère loi marginale du couple (X,Y) la loi de la v.a.r. X.
• On appelle 2ème loi marginale du couple (X,Y) la loi de la v.a.r. Y.
Remarque
L’expression « loi marginale » n’a de sens que dans un contexte d’étude
d’un couple de v.a.r. (X,Y). Aux concours, cette expression ne sera pas
forcément utilisée, même dans les sujets sur les couples. On parlera alors
tout simplement de loi de X (resp. Y) en lieu et place de 1 ère (resp. 2ème)
loi marginale du couple (X,Y).
I.3.b) Détermination en pratique des lois marginales
Théorème 1.
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.

∀x∈X(Ω), P([X= x]) =

1) Loi de X via la loi du couple (X,Y)

P([X= x] ∩[Y= y])

y∈Y(Ω)
Loi de X via les lois conditionnelles de X sachant [Y= y] pour tout

On suppose : ∀y∈Y(Ω), P([Y= y]) ̸= 0. Alors :

y∈Y(Ω) :

P([X= x]) =
P([Y= y]) P[Y=y]([X= x])
y∈Y(Ω)

∀y∈Y(Ω), P([Y= y]) =

2) Loi de Y via la loi du couple (X,Y)

P([Y= y] ∩[X= x])

x∈X(Ω)
Loi de Y via les lois conditionnelles de Y sachant [X= x] pour tout

On suppose : ∀x∈X(Ω), P([X= x]) ̸= 0. Alors :

x∈X(Ω) :

P([Y= y]) =
x∈X(Ω)
P([X= x]) P[X=x]([Y= y])
6ECE2-B 2019-2020
Démonstration.
• Les v.a.r. X et Y jouent des rôles analogues.
Ainsi, les démonstrations des points 1) et 2) sont similaires.
Démontrons le point 1).
• La famille [Y= y] y∈Y(Ω) est un sce.
Soit x∈X(Ω). Par la formule des probabilités totales :

P [X= x] ∩[Y= y]
P [X= x] =

on sait de plus : ∀y∈Y(Ω), P([Y= y]) ̸= 0, alors :

y∈Y(Ω)

P [X= x] ∩[Y= y] = P [Y= y] ×P[Y=y] [X= x]

• Si

Exemple

∀x∈X(Ω), P([X= x]) =

Lorsque les v.a.r. X et Y sont finies, la formule :

P([X= x] ∩[Y= y])

y∈Y(Ω)
peut se lire sur le tableau de la loi du couple (X,Y).
Reprenons l’exemple du double lancer de dé 6.
y∈Y(Ω)
x∈X(Ω)
1 2 3 4 5 6 Loi de X
11
36
2
2
2
2
2
11
36
36
36
36
36
36
201
2
2
2
2
9
36
36
36
36
36
36
Remarque
• On retiendra que pour obtenir une loi marginale à partir de la loi du couple
ou d’une loi conditionnelle, il suﬃt d’appliquer la formule des probabilités
totales.
• Cela permet de construire des énoncés du type :
1) Reconnaître la loi de X.
2) Déterminer la loi du couple (X,Y) (si l’énoncé a un parti-pris couple).

Pour tout x ∈X(Ω), déterminer la loi conditionnelle de Y sachant

[X= x] (si l’énoncé a un parti-pris couple).

3) Déterminer la loi de Y.
• Rappelons enfin que les sommes présentes dans la formule des probabilités
totales peuvent être infinies. C’est le cas si les ensembles images des v.a.r.
considérées sont infinies. Les écritures restent vraies sans ajout d’autre
hypothèse.
3001
36
2
2
2
7
36
36
36
36
40001
2
2
5
36
36
36
36
500001
36
2
3
36
36
6000001
1
36
36
Loi de Y 1
3
5
7
9
11
1
36
36
36
36
36
36
Si x= 1, alors la formule se lit : P([X = 1]) =

P([X = 1] ∩[Y= j]).

j=1
Ainsi, on obtient P([X = 1]) en sommant tous les éléments de la première
ligne. De manière générale, on obtient P([X= i]) en sommant tous les élé-
ments de la ième ligne.
7ECE2-B 2019-2020
Déterminer la loi du couple (X,Y).
Parti-pris lois conditionnelles :

On lance une pièce donnant pile avec probabilité p ∈]0,1[ et face avec
Exercice

probabilité q = 1−p. On note X le rang d’apparition du premier pile et Y

le rang d’apparition du deuxième pile.
Les lancers sont considérés indépendants.
1. Déterminer la loi de X.
2. Parti-pris couple :
Pour tout i∈N∗, déterminer la loi conditionnelle de Y sachant [X= i].
3. En déduire la loi de Y.
4. Que vaut
+∞
j=2
+∞

P([X= i] ∩[Y= j]) ?

i=1

Retrouver ce résultat par calcul.

5. Parti-pris lois conditionnelles :
Soit i∈N∗. Que vaut
+∞
P[X=i]([Y= j]) ?
j=2
Retrouver ce résultat par calcul.
Démonstration.
1. • L’expérience consiste ici en une succession infinie d’épreuves de Ber-
noulli (lancer de pièce) indépendantes et de même paramètre de succès
p (correspondant à la probabilité d’obtenir Pile).
• La v.a.r. X est le rang d’apparition du premier succès de cette expé-
rience.

Soit i∈N∗et soit j ∈N \{0,1}.

• Déterminons la loi du couple (X,Y).

L’événément [X= i] ∩[Y= j] est réalisé

⇔
réalisé L’événément [X= i] est
et l’événement [Y= j] est

⇔
réalisé

ième tirage Le 1er Pile est obtenu au

et le 2ème Pile est obtenu au
jème tirage
Deux cas se présentent.

[X= i] ∩[Y= j] = ∅
× Si i j, alors :

Ainsi : P([X= i] ∩[Y= j]) = P(∅) = 0.

En eﬀet, le premier pile ne peut apparaître après le deuxième.

× Si i<j, alors :

[X= i] ∩[Y= j] = F1 ∩...∩Fi−1 ∩Pi ∩Fi+1 ∩...∩Fj−1 ∩Pj

Ainsi, X →G(p).

P([X= i] ∩[Y= j])

Par indépendance des lancers, on a alors :

= P(F1) ×...×P(Fi−1) ×P(Pi) ×P(Fi+1) ×...×P(Fj−1) ×P(Pj)

= qi−1 p qj−i−1 p
= qj−2 p2
Parti-pris lois conditionnelles.
2. Parti-pris couple.
• Tout d’abord : X(Ω) = N∗et Y(Ω) = N \{0,1}.
Eneﬀet,lepremierPilepeutapparaîtredèslepremiertirage;ledeuxième
apparaît au mieux lors du deuxième tirage.
• Tout d’abord : X(Ω) = N∗et Y(Ω) = N \{0,1}.
Eneﬀet,lepremierPilepeutapparaîtredèslepremiertirage;ledeuxième
apparaît au mieux lors du deuxième tirage.
8ECE2-B 2019-2020
• Soit i∈N∗. Déterminons la loi conditionnelle de Y sachant [X= i].
Deux cas se présentent.

P[X=i]([Y= j]) = P([X= i] ∩[Y= j])

× Si j i, alors :

P([X= i])
=
P(∅)
P([X= i]) = 0
En eﬀet, le premier pile ne peut apparaître après le deuxième.
× Si j >i :

P[X=i]([Y= j]) = P([X= i] ∩[Y= j])

• On pouvait rédiger en revenant à la loi de couple en écrivant :

P F1 ∩...∩Fi−1 ∩Pi ∩Fi+1 ∩...∩Fj−1 ∩Pj

P([X= i])

P F1 ∩...∩Fi−1 ∩Pi
(par indépendance
des lancers)
− Si [X= i] est réalisé, c’est que le premier Pile apparaît lors du i ème
tirage. Dans ce cas, l’événement [Y= j] est réalisé si et seulement
si le deuxième Pile apparaît lors du jème tirage.
− Aprèscesipremierstirages,l’expérienceconsisteenunesuccession
infinie d’épreuves de Bernoulli (lancer de pièce) indépendantes et
de même paramètre de succès p (correspondant à la probabilité
d’obtenir Pile).
− La loi conditionnelle de Y sachant (que l’événement) [X= i] (est
réalisé) est celle d’une v.a.r. i+ T où T → G(p). En effet, le
rang d’apparition du deuxième Pile est donné par le nombre i
de tirages effectués dans l’expérience initiale auquel on ajoute au
rangd’apparitiondupremierPile(donnéparT)dansl’expérience
débutant après ces i tirages.
Ainsi, pour tout j >i :
P[X=i] [Y= j] = P [i+ T= j]
= P [T= j−i] = qj−i−1 p
Remarque
• Généralement, la loi conditionnelle à déterminer est une loi usuelle (cf
exercice suivant). Le parti-pris lois conditionnelles ne semble pas for-
cément pertinent ici puisque la loi conditionnelle n’est pas directement
une loi usuelle mais la loi d’une transformée affine d’une loi usuelle.
=
=
...
=
qi−1 p qj−i−1 p
qi−1 p
= qj−i−1 p
Dans ce cas, il serait préférable que l’exercice soit présenté avec un
parti-pris couple.
3. La famille ([X= i])i∈N∗ forme un sce.
Soit j ∈N \{0,1}. D’après la formule des probabilités totales :
=
=
=
P([Y= j])
+∞
i=1
+∞
i= 1
i<j
j−1

P([X= i] ∩[Y= j])

i=1

P([X= i] ∩[Y= j]) +

+∞
i= 1

P([X= i] ∩[Y= j])

Parti-pris couple.
j−1

P([X= i] ∩[Y= j]) =

i=1

j−1
i=1
qj−2 p2 = (j−1) qj−2 p2
9ECE2-B 2019-2020
Parti-pris lois conditionnelles.
4.•
j−1

P([X= i] ∩[Y= j]) =

i=1

j−1
i=1
P([X= i]) P[X=i] P([Y= j])
=
j−1
i=1
qi−1 p qj−i−1 p
=
j−1
i=1
qj−2 p2 = (j−1) qj−2 p2
+∞
j=2
+∞

P([X= i] ∩[Y= j]) = 1. En eﬀet :

i=1

+∞
j=2
+∞

P([X= i] ∩ [Y= j] =
i=1

P([X= i] ∩[Y= j])

i∈N∗
j ∈N \{0,1}
=P
i∈N∗
j ∈N \{0,1}
[X= i] ∩[Y= j] = P(Ω) = 1
car la famille ([X= i] ∩[Y= j]) i∈N∗
j ∈N \{0,1}
forme un sce.
• On peut retrouver ce résultat par calcul.
+∞
j=2
+∞

P([X= i] ∩ [Y= j]) =

i=1

=
+∞
j=2
+∞
j=2
P([Y= j])
(j−1) qj−2 p2 = p2
+∞
j=2
= p2
+∞
j=1
jqj−1 = p2 1
(1−q)2
en reconnaissant la somme d’une série géométrique de raison q.
(j−1) qj−2
=
p2
p2 = 1
5. • Soit i∈N∗. On a :
+∞
j=2
P[X=i]([Y= j]) = 1.
En effet :
+∞
j=2
P[X=i]([Y= j]) = P[X=i](
+∞
j=2
[Y= j]) = P[X=i](Ω) = 1
car la famille ([Y= j])j∈N\{0,1}forme un sce.
• On peut retrouver ce résultat par calcul.
+∞
j=2
P[X=i]([Y= j]) =
=
=p
i
j=2
+∞
j=i+1
+∞
j=0
P[X=i]([Y= j]) +
qj−i−1 p= p
+∞
j=i+1
+∞
j=i+1
P[X=i]([Y= j])
qj−i−1
qj = p
1
1−q
=
p
p
=1
Exercice
Deux joueurs A et B procèdent chacun à une succession de lancers d’une
même pièce. À chaque lancer, la probabilité d’obtenir pile est p (p fixé, p∈
]0,1[), et celle d’obtenir face est q= 1−p.
Le joueur Acommence et il s’arrête quand il obtient le premier pile. On note
X la variable aléatoire égale au nombre de lancers effectués par le joueur A.
Le joueur B effectue alors autant de lancers que le joueur Aet on note Y la
variable aléatoire égale au nombre de piles obtenu par le joueur B.
1. Rappeler la loi de X et, pour tout k 1, donner la loi conditionnelle de
Y sachant [X= k].
2. Quelles sont les valeurs prises par Y ?
3. Montrer : P([Y = 0]) =
+∞
pq2k−1 =
k=1
q
1 + q.
4. Soit n un entier naturel non nul.
Montrer : P([Y= n]) =
+∞
k=n
k
n
pn+1q2k−n−1
.
10ECE2-B 2019-2020
xm

5. On admet : ∀m∈N∗
.

, ∀x∈]0,1[,
+∞
k=m
k−1
m−1
xk =
(1−x)m.
Montrer : P([Y= n]) = 1
(1 + q)2
q
1+q
n−1
1. Rappeler la loi de X et, pour tout k 1, donner la loi conditionnelle de
Y sachant [X= k].
Démonstration.
• L’expérience consiste en une succession infinie d’épreuves de Bernoulli
(lancer de pièce) indépendantes et de même paramètre de succès p(cor-
respondant à la probabilité d’obtenir Pile).
• La v.a.r. X est le rang d’apparition du premier succès.
Ainsi, X →G(p).
• Soit k 1. Déterminons la loi conditionnelle de Y sachant [X= k].
− Si [X= k] est réalisé, c’est que le premier Pile a été obtenu lors du
kème lancer. Dans ce cas, le joueur B procède alors à k lancers de
pièces.
− Cette expérience consiste en la répétition de k épreuves de Bernoulli
(lancer de pièce) indépendantes, de même paramètre de succès p
(correspondant à la probabilité d’obtenir Pile).
− La v.a.r. Y compte le nombre de succès obtenus lors de cette expé-
rience.
Ainsi, la loi conditionnelle de Y sachant [X= k] est la loi binomiale de
paramètre (k,p).
Remarque
Oncomprenddanscettequestiontoutl’intérêtdesloisconditionnelles:on
eﬀectue d’abord une expérience initiale dont le résultat défini l’expérience
qui va suivre. La v.a.r. X dépend du résultat de l’expérience initiale. La
v.a.r. Y dépend du résultat de la deuxième expérience (qui dépend elle-
même de la 1ère). Il est donc logique de vouloir déterminer la loi de la
v.a.r. Y connaissant le résultat de l’expérience initiale.
2. Quelles sont les valeurs prises par Y ?
Démonstration.
• On a vu dans la question précédente que si [X= k] est réalisé alors Y
peut prendre toutes les valeurs de 0,k.
• Comme X(Ω) = N∗alors X peut prendre toutes les valeurs k∈N∗
.
On en déduit que Y peut prendre toutes les valeurs de N.
Y(Ω) = N
Remarque
On peut faire cette démonstration en revenant une nouvelle fois à l’expé-
rience réalisée :
× pour tout i∈N∗, le joueur B peut obtenir ipiles. Cela est notamment
réalisé si le joueur Aa obtenu le premier pile lors de son ième lancer et
si le joueur B n’a obtenu que des piles lors de ses lancers.
× le joueur B peut aussi obtenir 0 pile et ce quel que soit le nombre de

∀i∈ 0,k, P[X=k]([Y= i]) = k

tirages dont il dispose.

∀i k+ 1, P[X=k]([Y= i]) = 0
i pi (1−p)k−i

11ECE2-B 2019-2020
3. Montrer : P([Y = 0]) =
+∞
k=1
pq2k−1 =
q
1 + q.
Démonstration.
La famille [X= k] k∈1,+∞
Ainsi, par la formule des probabilités totales :
est un système complet d’événements.
P([Y = 0]) =
+∞

P([X= k] ∩[Y = 0])

k=1

=
+∞
k=1
P([X= k]) ×P[X=k]([Y = 0]) (valide car
P([X= k]) ̸= 0)
=
+∞
k=1
(1−p)k−1 p×
k
0 p0 (1−p)k−0
=
+∞
k=1
(1−p)2k−1 p=
+∞
k=1
p q2k−1
=p
+∞
k=1
q2k−1 = p
=p
+∞
k=0
q2k+1 = pq
+∞
k=0
+∞
k=0
q2
k
q2(k+1)−1 (par décalage
d’indice)
= pq

1−q2 (car q2 ∈]−1,1[)

=pq
1
(1−q) (1 + q)
=
q
1+q
(valide car
P([X= k]) ̸= 0)
(car pour tout k<n,
P[X=k]([Y= n]) = 0)
P([Y = 0]) =
+∞
k=1
pq2k−1 =
q
1+q
4. Soit n un entier naturel non nul.
Montrer : P([Y= n]) =
+∞
k=n
k
n
pn+1q2k−n−1
.
Démonstration.
• La famille [X= k] k∈1,+∞
Ainsi, par la formule des probabilités totales :
est un système complet d’événements.
=
=
=
=
=
=
=
P([Y= n])
+∞

P([X= k] ∩[Y= n])

k=1
+∞
k=1
n−1
k=1
P([X= k]) ×P[X=k]([Y= n]) P([X= k]) ×P[X=k]([Y= n]) +
+∞
k=n
+∞
k=n
P([X= k]) ×P[X=k]([Y= n])
P([X= k]) ×P[X=k]([Y= n])
+∞
k=n
(1−p)k−1 p
k
n
+∞
k=n
k
n
pn+1 (1−p)2k−n−1
pn (1−p)k−n
pn+1
(1−p)n+1
+∞
k=n
k
n (1−p)2k =
k
P([Y= n]) = pn+1
qn+1
+∞
k=n
k
n
q2
k
pn+1
qn+1
+∞
k=n
k
n
q2
12ECE2-B 2019-2020
k
qn+1
pn+1
+∞
k=n
k
n

5. On admet : ∀m∈N∗
q2 k

, ∀x∈]0,1[,
+∞
k=m
k−1
m−1
Montrer : P([Y= n]) = 1
(1 + q)2
q
1+q
n−1
.
xk =
xm
(1−x)m.
Démonstration.
• D’après la question précédente :
P([Y= n]) = pn+1
qn+1
• Or, par décalage d’indice :
+∞
k=n
k
n
q2 k
=
+∞
k=n+1
k−1
n
q2 k−1
=
1
q2
+∞
k=n+1
k−1
n

• En appliquant la formule fournie par l’énoncé à m = n+ 1 ∈N∗, et

q2 k

x= q2 ∈]0,1[, on obtient :
+∞
k=n+1
k−1
n
q2 k−1
=
q2
n+1
(1−q2)n+1
• En combinant tous les résultats obtenus :
P([Y= n]) = pn+1
qn+1
+∞
k=n
k
n
q2
k
=
=
=
=
=
pn+1
1
q2
+∞
k=n+1
k−1
n
q2
qn+1
1
q2
q2
n+1
(1−q2)n+1
1
q2
q2
q
n+1
pn+1 1
(1−q)n+1 (1 + q)n+1
1
q2 qn+1 pn+1 1
pn+1 (1 + q)n+1
qn−1
=
1
(1 + q2)
qn−1
(1 + q)n+1
(1 + q)n−1
Pour tout n∈N∗
, P([Y= n]) = 1
(1 + q2)
q
1+q
n−1
.
13ECE2-B 2019-2020
II. Indépendance de variables aléatoires discrètes
II.1. Indépendance de deux variables aléatoires discrètes
Définition
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
• Lesv.a.r. X et Y sont indépendantes (pour la probabilité P) si :
Exemple
1) Reprenons l’expérience aléatoire consistant à tirer 3 boules dans une urne

P([X = 3] ∩[Y = 3]) = 0 ̸= P([X = 3])

contenant 3 boules blanches, 4 vertes et 5 bleues. Alors :

×P([Y = 3])
̸=0

∀x∈X(Ω), ∀y∈Y(Ω),
̸=0

P([X= x] ∩[Y= y]) = P([X= x]) ×P([Y= y])

Ainsi, X et Y ne sont pas indépendantes.
2) Si on reprend l’exemple du lancer de pièces avec X le rang d’apparition

P([X = 2] ∩[Y = 1]) = 0 ̸= P([X = 2])

du premier pile et Y le rang d’apparition du deuxième pile, alors :

×P([Y = 1])
̸=0
• Autrement dit, les v.a.r. X et Y sont indépendantes si pour tout x∈X(Ω)
et tout y∈Y(Ω), les événements [X= x] et [Y= y] sont indépendants.
Remarque
• Dans les énoncés, on trouvera souvent la question :
« les v.a.r. X et Y sont-elles indépendantes? ».
Ainsi énoncée, cette question attend généralement la réponse : NON.
• Il s’agit alors de démontrer la négation de la propriété d’indépendance.

NON(∀x∈X(Ω),∀y∈Y(Ω),P([X= x] ∩[Y= y]) = P([X= x]) ×P([Y= y]))

Or :

⇔ ∃x∈X(Ω),∃y∈Y(Ω),P([X= x] ∩[Y= y]) ̸= P([X= x]) ×P([Y= y])

On en déduit la méthodologie suivante.
MÉTHODO Démontrer que deux v.a.r. discrètes ne sont pas
indépendantes
• Pour démontrer que X et Y ne sont pas indépendantes, il suﬃt de trouver

P([X= x] ∩[Y= y]) ̸= P([X= x]) ×P([Y= y])

x∈X(Ω) et y∈Y(Ω) tels que :

P([X= x] ∩[Y= y]) = 0 et P([X= x]) ̸= 0, P([Y= y]) ̸= 0

• Souvent, on essaiera de trouver x∈X(Ω) et y∈Y(Ω) tels que :

̸=0
Ainsi, X et Y ne sont pas indépendantes.
Remarque
Soient X et Y sont deux v.a.r. discrètes indépendantes.
Alors, tout événement ne dépendant que de la variable X est indépendant
de tout événement ne dépendant que de la variable Y.

• P ([X= x] ∩[Y y]) = P([X= x]) ×P([Y y]),

Plus précisément, pour tout x∈X(Ω), pour tout y∈Y(Ω) :

• P ([X x] ∩[Y y]) = P([X x]) ×P([Y y]),

• P ([X x] ∩[Y >y]) = P([X x]) ×P([Y >y]),
• P ([X >x] ∩[Y <y])) = P([X >x] ×P([Y <y]),
• ...
Cela provient essentiellement du fait que :
[Y y] =
yj ∈Y(Ω)
yj y
[Y= yj]
et que [X= x] est indépendant de tout événement [Y= y j].
14ECE2-B 2019-2020
Remarque
Il arrive (même si c’est rare!) qu’on ait à démontré que deux v.a.r. X et Y
sont indépendantes. Ceci se fait parfois par retour à la définition.
Il s’agit alors de démontrer une propriété quantifiée universellement.
Exemple
On considère l’expérience aléatoire consistant en deux lancers succesifs d’un
dé à 6 faces. On note X le résultat du 1er lancer et Y le résultat du 2ème
.
• Ω = 1,6 2 est muni de la probabilité uniforme noté P.

• Soit i∈ 1,6 et soit j ∈ 1,6.

• On a : X(Ω) = 1,6 et Y(Ω) = 1,6.

On a : P([X= i]) = 1
et P([Y= j]) = 1
6

Or : P([X= i] ∩[Y= j]) = 1

36.

• On a alors, pour tout i∈ 1,6 , et pour tout j ∈ 1,6 :

(il n’y a qu’un lancer dont le résultat du 1er dé vaut i et le 2ème vaut j)

P([X= i] ∩[Y= j]) = 1

1
=
36
1
6
= P([X= i]) ×P([Y= j])
Théorème 2.
Soit (Ω,A ,P) un espace probabilisé.

1) Supposons : ∀x∈X(Ω), P([X= x]) ̸= 0. Alors :

Soit (X,Y) un couple de v.a.r. discrètes.

6
Démonstration.

⇔ ∀x∈X(Ω),∀y∈Y(Ω), P([X= x] ∩[Y= y]) = P([X= x]) P([Y= y])

X et Y sont indépendantes

⇔ ∀x∈X(Ω),∀y∈Y(Ω),
P([X= x] ∩[Y= y])
P([X= x])

⇔ ∀x∈X(Ω),∀y∈Y(Ω), P[X=x]([Y= y]) = P([Y= y])

= P([Y= y])

Remarque
On retiendra que l’on peut se servir des lois conditionnelles pour démontrer
l’indépendance de deux événements. Évidemment, choisir cette caractérisa-
tion plutôt que la définition dépend du contexte et de ce qui a déjà été
déterminé dans l’exercice.
II.2. Indépendance mutuelle de variables aléatoires discrètes
Définition
Soit (Ω,A ,P) un espace probabilisé.
Soient X1,X2,...,Xn (avec n 2) des v.a.r. discrètes.
• Les v.a.r. X1,X2,...,Xn sont (mutuellement) indépendantes(pour la
probabilité P) lorsque :

⇔ ∀x∈X(Ω),∀y∈Y(Ω), P[X=x]([Y= y]) = P([Y= y])

X et Y sont indépendantes

∀(x1,...,xn) ∈X1(Ω) ×...×Xn(Ω),

P
n
i=1
[Xi = xi] =
n
i=1

2) Supposons : ∀y∈X(Ω), P([Y= y]) ̸= 0. Alors :

P([Xi = xi])

⇔ ∀x∈X(Ω),∀y∈Y(Ω), P[Y=y]([X= x]) = P([X= x])

X et Y sont indépendantes

• Si (Xn)n∈N∗ est une suite de var aléatoires définies sur (Ω,A ,P).
(Xn)n∈N∗ est une suite de variables (mutuellement) indépendantes (pour

∀n 2, les variables X1,X2,...,Xn sont mutuellement indépendantes

la probabilité P) lorsque :

15ECE2-B 2019-2020
Remarque
Soient X1,X2,...,Xn des v.a.r. discrètes mutuellement indépendantes.
Alors toute famille de névénements dont chacun est construit à l’aide d’une

Plus précisément, pour tout x1 ∈X1(Ω), ..., xn ∈Xn(Ω) :

v.a.r. Xi est une famille d’événements mutuellement indépendants.

• les événements [X1 = x1],[X2 x2],...[Xn xn] sont mutuellement in-

dépendants,
• les événements [X1 x1],[X2 >x2],...[Xn xn] sont mutuellement in-
dépendants,
• ...
Théorème 3 (Lemme des coalitions).
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
Soient f : X(Ω) →R et g: Y(Ω) →R deux fonctions.
• Cas de 2 v.a.r.
Exemple
• Soient X1,...,X5 des v.a.r. discrètes mutuellement indépendantes. Alors :
× lesv.a.r.X1,X2
2
,2 X3,eX4 −1 et|X5|sontmutuellementindépendantes.
× les v.a.r. 2 X1X3−X5 et X2
2 sont indépendantes.
× les v.a.r. min(X1,X2) et max(X3,X4,X5) sont indépendantes.
• Soit (Xn)n∈N∗ une suite de v.a.r. mutuellement indépendantes.
Alors, pour tout n∈N∗
, Sn =
n
Xk et Xn+1 sont indépendantes.
k=1
• SiX2 et Y2 ne sont pas indépendantes, alors, en procédant par l’absurde,

X et Y indépendantes ⇒ f(X) et g(Y) sont indépendantes

on démontre que X et Y ne le sont pas non plus.

• Généralisation à n v.a.r.
Soient X1, ..., Xn des v.a.r. discrètes.
Soient f1 : X1(Ω) →R, ..., fn : Xn(Ω) →R des fonctions.
X1,...,Xn v.a.r.
discrètes mutuellement

⇒ f1(X1),...,fn(Xn) v.a.r. discrètes

indépendantes

mutuellement indépendantes
X1,...,Xn v.a.r.
discrètes mutuellement

⇒
indépendantes

Toute v.a.r. s’exprimant en

fonction des v.a.r. X1,...,Xp est
indépendante de toute v.a.r.
s’exprimant en fonction des v.a.r.
Xp+1,...,Xn (pour p∈ 2,n−1 )
16ECE2-B 2019-2020
III. Opérations sur les v.a.r. discrètes
Dans cette section, on étudie des v.a.r. du type Z= g(X,Y) où (X,Y) est
un couple de v.a.r. discrètes et g: X(Ω) ×Y(Ω) →R.
III.1. Cas général : loi de g(X, Y )
Théorème 4.
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
Soit g: X(Ω) ×Y(Ω) →R.
• Z est un v.a.r. discrète.
• L’ensemble des valeurs prises par Z= g(X,Y) est donnée par :

⊆ {g(x,y) |x∈X(Ω), y∈Y(Ω)}

Z(Ω) = {g(X(ω),Y(ω)) |ω∈Ω}

• La loi de Z= g(X,Y) est donnée par :

Remarque
• Le théorème précédente stipule que la loi de g(X,Y) est fournie par la loi
conjointe de X et de Y.
• Si on sait de plus que X et Y sont indépendantes, les lois de X et de
Y suﬃsent à obtenir la loi de g(X,Y). L’indépendance fournit un cadre
simple pour l’étude de la loi de g(X,Y).
III.2. Cas particuliers (opérations classiques)
III.2.a) Loi de la somme de deux v.a.r. discrètes
Théorème 5.
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
• X+ Y est une v.a.r. discrète.

∀z∈Z(Ω), P(Z= z) =
• La loi de X+ Y est fournie par, pour tout z∈(X+ Y)(Ω) :

(x,y) ∈X(Ω) ×Y(Ω)

P([X= x] ∩[Y= y])

z= g(x,y)

P([X+ Y= z]) =
x∈X(Ω)
z−x∈Y(Ω)
=
z−y∈X(Ω)

P([X= x] ∩[Y= z−x])

y∈Y(Ω)

P([X= z−y] ∩[Y= y])

Démonstration.

∀z∈Z(Ω), [Z= z] =
Il suﬃt de remarquer :

(x,y) ∈X(Ω) ×Y(Ω)

[X= x] ∩[Y= y]
z= g(x,y)

et que ([X= x] ∩[Y= y])x∈X(Ω)

est une famille d’événements deux à deux

y∈Y(Ω)
incompatibles (car c’est un sce).
Démonstration.
La famille ([X= x])x∈X(Ω) forme un sce.
Ainsi, d’après la formule des probabilités totales :

P([X= x] ∩[X+ Y= z])

P([X+ Y= z]) =

x∈X(Ω)
=

P([X= x] ∩[Y= z−x])

x∈X(Ω)

17ECE2-B 2019-2020
Remarque
Il faudra refaire cette démonstration dans tous les exercices consistant à
déterminer la loi d’une somme de deux v.a.r. discrètes.
Exemple
On considère deux v.a.r. X et Y tels que X →U( 1,6 ) et Y →U( 1,4 )
(par exemple les résultats d’un lancer de dés à six faces et à quatre faces).
Déterminons la loi de X+ Y.
• Ω = 1,6 × 1,4 est muni de la probabilité uniforme P.
• X(Ω) = 1,6 et Y(Ω) = 1,4
• (X+ Y)(Ω) = 2,10.
• Soit k∈ 2,10 . On a alors :

[X= i] ∩[Y= k−i]

[X+ Y= k] =

i∈ 1,6

= [X = 1] ∩[Y= k−1]
k−i∈ 1,4

∪ [X = 2] ∩[Y= k−2]
∪ [X = 3] ∩[Y= k−3]
∪ [X = 4] ∩[Y= k−4]
∪ [X = 5] ∩[Y= k−5]
∪ [X = 6] ∩[Y= k−6]

par un tirage (attention : si k−i̸= 0, [Y= k−i] = ∅).

Chacun des événements apparaissant dans l’union n’est réalisé au plus que

On en déduit la loi de X+ Y.

• On note que la probabilité P([X= x] ∩[Y= z−x]) est nulle dès que z−x
À RETENIR

n’appartient pas à Y(Ω) puisqu’alors [Y= z−x] = ∅.

calcul de P([X= x] ∩[Y= z−x]).

• Ceci a pour conséquence de restreindre les indices de sommation lors du

Exercice
Soit X et Y deux v.a.r. discrètes indépendantes suivant toutes deux la loi
géométrique G(p) (avec p∈]0,1[).
En utilisant un sce associé à X, montrer que pour tout n 2 :
P([X+ Y= n]) = (n−1) p2 qn−2
Stabilité des lois classiques
Théorème 6.
1) Stabilité des lois binomiales
Soit p∈]0,1[ et soient m∈N∗ et n∈N∗
.

• X et Y indépendantes ⇒ X+ Y →B(m+ n,p)

• X →B(m,p) et Y →B(n,p)

2) Stabilité des lois de Poisson

Soient λ∈R∗
+ et µ∈R∗
+.
k∈(X+ Y)(Ω) 2 3 4 5 6 7 8 9 10

et Y indépendantes ⇒ X+ Y →P(λ+ µ)
•X →P(λ) et Y →P(µ)
•X
P([X+ Y= k]) 1
24
2
3
4
4
4
3
2
1
24
24
24
24
24
24
24
24
18ECE2-B 2019-2020

1) Comme X(Ω) = 0,m et Y(Ω) = 0,n , on a : (X+Y)(Ω) ⊂ 0,m+n.

Démonstration.

La famille ([X= i])i∈0,m est un sce.

Soit k∈ 0,m+ n . D’après la formule des probabilités totales :
P([X+ Y= k])
=
m

P([X= i] ∩[X+ Y= k])

i=0

=
m

P([X= i] ∩[Y= k−i])

i=0
=
m
i=0
P([X= i]) P([Y= k−i]) (par indépendance)
=
m
i= 0
k−i∈ 0,m
+
m
i= 0
k−i̸∈ 0,m
P([X= i]) P([Y= k−i])

[Y= k−i] = ∅)
P([X= i]) P([Y= k−i]) (car si k−i̸∈ 0,m ,

=
m
k−i∈ 0,m
m
i= 0
i pi(1−p)m−i n
k−i pk−i (1−p)n−k+i
= pk(1−p)n+m−k
m
k−i∈ 0,m
m
i= 0
i
n
k−i
=
n+ m
k pk(1−p)n+m−k
en utilisant la formule de Vandermonde.

2)• Comme X(Ω) = N et Y(Ω) = N, on a : (X+ Y)(Ω) ⊂N.

Ainsi, X+ Y →B(m+ n,p).

• La famille ([X= i])i∈N est un système complet d’événements.

Soit k∈N. D’après la formule des probabilités totales :
P([X+ Y= k])
=
+∞

P([X= i] ∩[X+ Y= k])

i=0

=
=
=
=
+∞
i=0
+∞
i=0
+∞
i= 0
k−i∈Y(Ω)
+
+∞

k−i / ∈Y(Ω)
i= 0

P([X= i] ∩[Y= k−i])

P([X= i]) P([Y= k−i]) P([X= i]) P([Y= k−i])
P([X= i]) P([Y= k−i]) k
i=0
P([X= i]) P([Y= k−i])
(par indépendance

(car [Y= k−i] = ∅

de X et Y)

si k−i / ∈Y(Ω))
• La dernière ligne est obtenue en constatant :
k−i∈Y(Ω) = N

⇔
i∈ 0,+∞

0 k−i

⇔
0i

⇔0ik
ik

0i
19ECE2-B 2019-2020
• Ainsi, en reprenant les égalités précédentes :
P([X+ Y= k])
=
=
k
i=0
k
i=0
P([X= i]) P([Y= k−i])
λi
i! e−λ µk−i
(k−i)! e−µ (car X →P(λ)
et Y →P(µ))
= e−λe−µ
k
i=0
1
i! (k−i)! λiµk−i
= e−(λ+µ) 1
k!
k
i=0
k!
i! (k−i)! λiµk−i
= e−(λ+µ) 1
k!
k
i=0
k
i
λiµk−i
= e−(λ+µ) 1
k! (λ+ µ)k (d’après la formule du
binôme de Newton)
Finalement : X+ Y →P(λ+ µ).
Exercice
Soit X et Y deux v.a.r. indépendantes.
On suppose que X →P(λ) et Y →P(µ) où λ>0 et µ>0.
Soit n∈N. Reconnaître la loi de X sachant [X+ Y= n].
Démonstration.
• Les v.a.r. X et Y étant indépendantes, X+ Y →P(λ+ µ).
On en déduit : P([X+ Y= n]) = e−(λ+µ) (λ+ µ)n
n! ̸= 0.

P[X+Y=n]([X= k]) = P([X= k] ∩[X+ Y= n])

• Soit k∈N. Par définition :

P([X= k] ∩[Y= n−k])

P([X+ Y= n])

=
P([X+ Y= n])
P([X= k]) P([Y= n−k])
(car X et Y sont
indépendantes)
=
P([X+ Y= n])

× Si k>n : alors [Y= n−k] = ∅. Et donc P[X+Y=n]([X= k]) = 0.

On distingue alors deux cas :

× Si k n :
P[X+Y=n]([X= k]) = e−λλk
k! e−µ µn−k
(n−k)! eλ+µ n!
(λ+ µ)n
=
n!
k!(n−k)!
λk µn−k
(λ+ µ)k (λ+ µ)n−k
=
n
k
λ
λ+ µ
k
1−
λ
λ+ µ
n−k
On reconnaît la loi binomiale de paramètre (n, λ
λ+µ).
Exercice
Soient X1,...,Xk des v.a.r. mutuellement indépendantes.
Déterminer la loi de X1 +···+ Xk lorsque :
(i) X1 →B(p),..., Xk →B(p).
(ii) X1 →B(n1,p),..., Xk →B(nk,p).
(iii) X1 →P(λ1),..., Xk →P(λk).
20ECE2-B 2019-2020
III.2.b) Loi du produit de deux v.a.r. discrètes
Théorème 7.
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
• XY est une v.a.r. discrète.
• On détermine la loi de XY à l’aide d’une des deux rédactions suivantes.
1) La famille ([X= x])x∈X(Ω) est un sce.
Ainsi, d’après la formule des probabiltés totales :
e−n

∀z∈(XY)(Ω), P([XY= z]) =

x∈X(Ω)
=

P([X= x] ∩[XY= z])

x∈X(Ω)

P([X= x] ∩[xY= z])

On illustre ce cas sur un exemple (issu de EML 2007).
Exercice
On considère une v.a.r. Y dont la loi est définie par :

× ∀n∈N, P([Y= n]) = 1−

× Y(Ω) = N,

1
e
1. a) Montrer que la v.a.r. Y + 1 suit une loi géométrique dont on précisera
le paramètre.
b) En déduire l’espérance et la variance de Y.
On considère maintenant une v.a.r. U, indépendante de Y, dont la loi est
définie par :
× U(Ω) = {−1,1},
× P([U=−1]) = 1
2
Enfin, on note T= U ×Y.
2. Démontrer que T est une v.a.r. discrète dont on déterminera la loi.
Démonstration.
1. a)• (Y + 1)(Ω) = N∗
.
• Soit n∈N∗. Alors :
P([Y + 1 = n]) = P([Y= n−1])
= e−(n−1) (1−e−1)
=
1
e
n−1
1−
1
e
et P([U = 1]) = 1
2.
2) La famille ([Y= y])y∈Y(Ω) est un sce.

∀z∈(XY)(Ω), P([XY= z]) =

Ainsi, d’après la formule des probabiltés totales :

y∈Y(Ω)
=

P([Y= y] ∩[XY= z])

y∈Y(Ω)

P([Y= y] ∩[yX= z])

Le choix de l’introduction du sce ([Y= y])y∈Y(Ω) ou ([X= x])x∈Y(Ω) est
guidé par les lois de X et Y. On optera toujours pour le sce le plus simple.
Ainsi : Y + 1 →G 1−
1
e
.
21ECE2-B 2019-2020
b)• La v.a.r. Y + 1 suit une loi géométrique donc admet une espérance
et une variance.
• Or : Y = (Y + 1)−1. Donc Y admet donc une espérance et une
variance en tant que somme de v.a.r. qui admettent une variance.
• On détermine enfin E(Y) et V(Y).
Par linéarité de l’espérance :
E(Y) = E(Y + 1)−E(1) = E(Y + 1)−1
=
=
1
−1 =
1−
1
e
e−(e−1)
e−1
e
=
e−1−1
1
e−1
Par propriété de la variance :
V(Y) = V(Y + 1) = V(Y)
1−(1−
1
e)
=
=
(1−
1
e )2
1
1
e
=
=
e (e−1
e )2
(1−
e2
e (e−1)2
=
2. • T est une v.a.r. en tant que produit de deux v.a.r. .
• T(Ω) = Z. Ainsi, T est une v.a.r. discrète.
• Soit n∈Z. La famille ([U=−1],[U = 1]) forme un sce.

P([T= n]) = P([U=−1] ∩[T= n]) + P([U = 1] ∩[T= n])

Ainsi, d’après la formule des probabilités totales :

= P([U=−1] ∩[UY= n]) + P([U = 1] ∩[UY= n])

= P([U=−1] ∩[Y=−n]) + P([U = 1] ∩[Y= n])
=
1
2
P([Y=−n]) + P([Y= n])
L’avant dernière égalité est vérifiée par indépendance des v.a.r. U et Y.
× Si n>0
× Si n<0
1
e )2
e
(e−1)2
Trois cas se présentent.
× Si n= 0
P([T = 0]) = 1
2
P([Y = 0]) + P([Y = 0])
1
=
2 P([Y = 0])
2
= P([Y = 0]) = 1−e−1
P([T= n]) = 1
2
P([Y=−n]) + P([Y= n])
1
=
e−n(1−e−1)
2
P([T= n]) = 1
2
P([Y=−n]) + P([Y= n])
1
=
e−n(1−e−1)
2
Exercice
Soient X et Y deux v.a.r. indépendantes.
On suppose que X →B(p) et Y →B(q) (avec p∈]0,1[ et q= 1−p).
Déterminer la loi de Z= XY.
Démonstration.

• P [XY = 1] = P [X = 1] ∩[Y = 1]
• Comme X(Ω) = {0,1}et Y(Ω) = {0,1}alors : XY(Ω) = {0,1}.

= P [X = 1] ×P [Y = 1] (car X et Y sont
indépendantes)
= pq
Ainsi, XY →B(pq).
22ECE2-B 2019-2020
III.2.c) Loi d’un maximum de deux v.a.r. discrètes
Théorème 8.
Soit (Ω,A ,P) un espace probabilisé.
Soient X et Y deux v.a.r. discrètes indépendantes.
On note FX et FY les fonctions de répartition de ces v.a.r.
On note U = min(X,Y) et V = max(X,Y).

∀t∈R, [max(X,Y) t] = [X t] ∩[Y t]

Remarquons tout d’abord :

• Soit t∈R.
FU(t) = P(U t)
= 1−P(U >t)

= 1−P([X >t] ∩[Y >t])

= 1−P(min(X,Y) >t)

= 1−P [X >t] P [Y >t] (car X et Y sont

indépendantes)

∀t∈R, [min(X,Y) >t] = [X >t] ∩[Y >t]

= 1− 1−FX(t) 1−FY(t)

1)• U = min(X,Y) est une v.a.r. discrète.

∀t∈R, FU(t) = 1− 1−FX(t) 1−FY(t)

• La fonction de répartition de U = min(X,Y) vérifie :

2)• V = max(X,Y) est une v.a.r. discrète.

∀t∈R, FV(t) = FX(t) FY(t)

• La fonction de répartition de V = max(X,Y) vérifie :

Démonstration.
• Soit t∈R.
Remarque
Une fois connu le maximum de 2 v.a.r. , on peut en déduire le minimum en
utilisant le fait que X+ Y = min(X,Y) + max(X,Y).
Exercice
Soient X et Y deux variables aléatoires discrètes indépendantes.
On suppose que X →G(p1) et Y →G(p2) où p1 et p2 sont dans ]0,1[.
Notons U = min(X,Y) et V = max(X,Y).
1. a) Pour tout n∈N, déterminer P([X >n]).
b) En déduire, pour tout n∈N, P([U >n]).
c) En déduire la loi de U.
2. a) Pour tout n∈N, déterminer P([V n]) puis P([V >n]).
b) Soit m∈N∗
.
Démontrer :
m
n=1
nP([V= n]) =
m−1
n=0
P([V >n])−mP(V >m).
c) En déduire que V admet une espérance et la calculer.
FV(t) = P([Z t])

= P([X t] ∩[Y t])

= P([max(X,Y) t])

= P([X t]) P([Y t]) (car X et Y sont

indépendantes)
= FX(t) FY(t)
23ECE2-B 2019-2020
Démonstration.
1. a) Soit n∈N. Alors : P([X >n]) = qn
1.
(car P([X >n]) = 1−P([X n]) et [X n] =
n
i=1
[X= i] ...)

P([U >n]) = P([X >n] ∩[Y >n])

b) Soit n∈N. Alors :

= P([X >n]) P([Y >n]) (par indépendance

de X et Y)
= qn
1 qn
c)• Comme X(Ω) = N∗et Y(Ω) = N∗, alors : U(Ω) ⊂N∗
2= (q1 q2)n

.
• Soit n∈N∗

[U >n−1] = [U= n] ∪ [U >n]

Comme [U= n] et [U >n] sont incompatibles :

P [U >n−1] = P [U= n] + P [U >n]
On en déduit :
P([U= n]) = P [U >n−1]−P [U >n]
= (q1 q2)n−1
−(q1 q2)n = (q1 q2)n−1 (1−q1 q2)

× U(Ω) ⊂N∗
On a donc :

× ∀n∈N∗
.

, P([U= n]) = (1−q1 q2) (q1 q2)n−1

Comme q1 q2 ∈]0,1[, on en déduit : U →G(q1 q2).

P([V n]) = P([X n] ∩[Y n])

2. a) Soit n∈N. Alors :

= P([X n]) P([Y n]) (par indépendance

de X et Y)
= (1−qn
1 ) (1−qn
2 ) = 1−qn
1−qn
2 + qn
1
Et ainsi : P([V >n]) = 1−P([V n] = qn
1 + qn
2−qn
1 qn
2.
b)
m
n=1
nP([V= n])
=
m
n=1
n P([V >n−1])− P([V >n]) (d’après la question
précédente)
=
m
n=1
nP([V >n−1])−
m
n=1
nP([V >n]) (par linéarité)
=
m−1
n=0
(n+ 1) P([V >n])−
m
n=1
nP([V >n]) (par décalage d’indice)
=
=
=
m−1
n=0
m−1
n=1
m−1
n=0
n P([V >n]) +
n P([V >n]) +
m−1
n=0
m−1
n=0
P([V >n])−
m
n=1
P([V >n])−
m−1
n=1
n P([V >n])
n P([V >n] + m P([V >m])
P([V >n])−m P([V >m])
c) V admet une espérance ssi la série
n P([V= n]) est absolument
n1
convergente i.e. convergente puisque cette série est à termes positifs.
D’après la question précédente :
m
n=1
n P([V= n]) =
m−1
n=0
qn
1+
m−1
n=0
qn
2−
m−1
n=0
(q1 q2)n
−mP([V >m])
×
m−1
n=0
qn
1 −→
m→+∞
1
1−q1
1
=
et
p1
m−1
n=0
qn
2 −→
m→+∞
×
m−1
(q1 q2)n −→
n=0
m→+∞
× mP([V >m]) −→
1
1−q1 q2
0
=
1
p1 + p2−p1 p2
m→+∞
On en déduit que V admet une espérance et :
1
1
=
E(V) = 1
p1
1
+
−
p2
1
p1 + p2−p1 p2
1−q2
p2
24ECE2-B 2019-2020
IV. Calculs d’espérance
IV.1. Espérance de Z= g(X, Y )
Théorème 9 (Théorème de transfert).
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
Alors, sous réserve de convergence absolue :
• Le cas X infinie et Y finie est similaire.

Si pour tout j ∈ 1,n , la série

X(Ω) = {xi |i∈N}et Y(Ω) = {y1,...,yn}.

g(xi,yj) P([X= xi] ∩[Y= yj]) est

i0
absolument convergente alors g(X,Y) admet une espérance et :
E(g(X,Y)) =
+∞
i=0
n

g(xi,yj) P([X= xi] ∩[Y= yj])

j=1
E(g(X,Y)) =
x∈X(Ω) y∈Y(Ω)
=

g(x,y) P([X= x] ∩[Y= y])

y∈Y(Ω) x∈X(Ω)

g(x,y) P([X= x] ∩[Y= y])

Précisons l’expression « sous réserve de convergence absolue ».
1) Si X et Y sont finies
Dans ce cas, X(Ω) = {x1,...,xm}et Y(Ω) = {y1,...,yn}.
La v.a.r. g(X,Y) admet alors une espérance donnée par :

Dans ce cas, X(Ω) = {xi |i∈N}et Y(Ω) = {yj |j ∈N}.

3) Si X est infinie et Y infinie

Il faut alors démontrer :

g(xi,yj) P([X= xi] ∩[Y= yj]) est abso-

a) pour tout i∈N, la série

j0
lument convergente.
b) la série
i0
+∞

g(xi,yj) P([X= xi] ∩[Y= yj]) est absolumentconver-

j=0

gente.
Alors g(X,Y) admet une espérance donnée par :
E(g(X,Y)) =
m
i=1
n

g(xi,yj) P([X= xi] ∩[Y= yj])

j=1

E(g(X,Y)) =
+∞
i=0
+∞

g(xi,yj) P([X= xi] ∩[Y= yj])

j=0

• Dans ce cas, X(Ω) = {x1,...,xm}et Y(Ω) = {yj |j ∈N}.

2) Si X est finie et Y infinie

g(xi,yj) P([X= xi] ∩[Y= yj]) est

Si pour tout i∈ 1,m , la série

j0
absolument convergente alors g(X,Y) admet une espérance et :
E(g(X,Y)) =
m
i=1
+∞

g(xi,yj) P([X= xi] ∩[Y= yj])

j=0

Exercice
Considérons deux variables aléatoires X et Y à valeurs dans N dont la loi

∀(i,j) ∈N2, P([X= i] ∩[Y= j]) = i+ j

conjointe est définie par :

e 2i+j i! j!
Calculer l’espérance de Z = 2X+Y
.
25ECE2-B 2019-2020
e i! j!
Démonstration.
(il s’agit du cas 3) précédent)
Ici, Z = 2X+Y = g(X,Y) pour g: (x,y) →2x+y
.

g(i,j) P([X= i] ∩[Y= j]) = 2i+j i+ j

a) Soit i∈N. On remarque :

e 2i+j i! j!
=
i+ j
e i! j!
i+ j
La série
j
e i! j! est à termes positifs. Démontrer qu’elle est absolument

Soit N ∈N.
convergente revient donc à démontrer qu’elle est convergente.

N
j=0
(i+ j)
=
=
N
j=0
i
e i!
i
e i!
1
j! +
1
e i!
j
j!
N
j=0
1
j! +
1
e i!
N
j=0
j
j!
Or
N
j=0
1
j! −→
N→+∞
e1 et
N
j=0
j
j!
=
N
j=1
j
j!
=
N
j=1
1
(j−1)! −→
N→+∞
Ainsi la série
j
i+ j
e i! j! est convergente de somme :
+∞
j=0
i+ j
e i! j!
=
i
e i! e +
1
e i! e =
i
i! +
1
i!
i
1
b) Lasérie
i
i!+
i! étantàtermespositifs,démontrerqu’elleestabsolument

Soit N ∈N.
convergente revient donc à démontrer qu’elle est convergente.

N
i=0
i
i! +
1
i!
=
N
i=0
i
i! +
N
i=0
i
i!
Or, comme vu précédemment :
Ainsi la série
i
i
i! +
N
i
i=0
i! −→
e1 et
N→+∞
N
i=0
1
i! −→
e1
N→+∞
1
i! est convergente et on peut alors conclure :
E 2X+Y
=
+∞
i=0
+∞
i=0
i+ j
e i! j!
=
+∞
i=0
i
i! +
1
i! = 2 e
.
IV.2. Espérance d’une somme

Soit (λ1,...,λn) ∈Rn

Théorème 10 (Linéarité de l’espérance).

.
Soient X1,...,Xn des v.a.r. discrètes admettant une espérance.
1) Alors λ1 X1 +...+ λnXn admet une espérance.
2) De plus :
e1
.
E(
n
i=1
λiXi) =
n
i=1
λiE(Xi)
En particulier, lorsque pour tout i∈ 1,n , λi = 1, on obtient :
E
n
i=1
Xi =
n
i=1
E(Xi)
Exemple
Soient X1,...,Xn des v.a.r. discrètes, mutuellement indépendantes, telles
que Xi →B(p). Notons X= X1 +...+ Xn. Alors :
• X →B(n,p) (X compte le nombre de succès dans une répétition de n
épreuves de Bernoulli indépendantes et de même paramètre p)
• E(X) = E(X1 +...+ Xn) = E(X1) +...+ E(Xn) = np
26ECE2-B 2019-2020
IV.3. Espérance d’un produit
IV.3.a) Cas général
Théorème 11.
Soit (Ω,A ,P) un espace probabilisé.
Soit (X,Y) un couple de v.a.r. discrètes.
On suppose que X et Y admettent chacune un moment d’ordre 2.
1) Alors XY admet une espérance.
2) De plus :
E(XY) =

xy P([X= x] ∩[Y= y])

x∈X(Ω) y∈Y(Ω)

Exemple
On reprend l’exemple de début de cours mais avec des dés à trois faces.
On note X le minimum des résultats et Y le maximum.
Déterminer la loi de (X,Y) puis calculer E(XY).
Démonstration.
Nous avons déjà déterminé (en début de chapitre) la loi de (X,Y).
• X(Ω) = 1,3 et Y(Ω) = 1,3.
• On peut représenter la loi de (X,Y) sous forme d’un tableau.
y∈Y(Ω)
x∈X(Ω)
•X et Y admettent chacune un moment à l’ordre 2 car elles sont finies.
E(XY) =

xy P([X= x] ∩[Y= y])

x∈X(Ω) y∈Y(Ω)

ij P([X= i] ∩[Y= j])

i∈1,3 j∈1,3

ij P([X= i] ∩[Y= j])

(i,j)∈1,3 2

(i,j) ∈ 1,3 2
=
i>j

(i,j) ∈ 1,3 2
+
i= j

(i,j) ∈ 1,3 2
+

ij P([X= i] ∩[Y= j])

i<j

ij P([X= i] ∩[Y= j])

(i,j) ∈ 1,3 2
=0+
i= j
=
1
9 14 + 1
9
11 = 36
9
i2 1
9+
3
i=1
3
j=i+1
ij
=4

ij P([X= i] ∩[Y= j])

9
123
11
9
2
2
9
9
Exercice
Calculer E(XY) en considérant maintenant :
× X →U( 1,n ),
× Y →U( 1,n ).
(autrement dit, on reprend l’exemple précédent avec deux « dés à n faces »)
201
2
9
9
3001
9
27ECE2-B 2019-2020
Théorème 12.
Soit (X,Y) un couple de v.a.r. discrètes.
On suppose :• X et Y admettent une espérance.
• X et Y sont indépendantes.
Alors XY admet une espérance et :
E(XY) = E(X) E(Y)
Remarque
• Ainsi, le calcul de E(XY) est aisé lorsque X et Y sont indépendantes.
Reprenons l’exemple précédent.
On considère maintenant Z1 et Z2 les v.a.r. égales respectivement au ré-
sultat du 1er dé et du 2ème dé. Ces v.a.r. étant indépendantes, on obtient :
E(Z1Z2) = E(Z1) E(Z2) = 2 ×2 = 4
On tombe sur le résultat de E(XY) !
C’est fort logique. En eﬀet, X = min(Z1,Z2) et Y = max(Z1,Z2). Donc :
XY = min(Z1,Z2) ×max(Z1,Z2) = Z1Z2
(cette constatation aurait pu nous éviter les précédents calculs ...)
• Ce théorème peut aussi être utilisé pour montrer que deux v.a.r. discrètes
ne sont pas indépendantes. Il suﬃt de vérifier que E(XY) ̸= E(X) E(Y).
Reprenons une nouvelle fois l’exercice précédent.
E(X) = 14
et E(Y) = 22
14 ×22
donc E(XY) = 4 ̸=
= E(X) E(Y)
9
9
(il est simple d’obtenir la loi de X et celle de Y)
Ainsi, X et Y ne sont pas indépendantes.
Exercice
Soient X1, X2 et X3 indépendantes et de même loi B(p) où p∈]0,1[.
Montrer que les v.a.r. Y1 = X1X2 et Y2 = X2X3 ne sont pas indépendantes.
92
Démonstration.
• Comme X1 et X2 sont indépendantes et admettent une espérance, la v.a.r.
Y1 = X1 X2 admet une espérance et :
E(Y1) = E(X1 X2) = E(X1) E(X2)
• De même, Y2 admet une espérance et :
E(Y2) = E(X2 X3) = E(X2) E(X3)
• Comme X2 →B(p), X2
2 = X2. Et ainsi :
Y1 Y2 = X 1 X2 X2 X3 = X 1 X2
2 X3 = X 1 X2 X3
Comme X1, X2, X2 sont indépendantes, par le lemme des coalitions les
v.a.r. X1 X2 et X3 sont indépendantes. Ces deux v.a.r. admettent une
espérance. On en déduit que Y1 Y2 admet une espérance et :
E(Y1 Y2) = E(X1 X2 X3) = E(X1 X2) E(X3)
= E(X1) E(X2) E(X3) = p3
• E(Y1) E(Y2) = E(X1 X2) E(X2 X3)

• Or p3 = p4 ⇔ p3 (p−1) = 0 ⇔ p= 0 OU p= 1.
= E(X1) E(X2) E(X2) E(X3) = p4

Ainsi, E(Y1 Y2) ̸= E(Y1) E(Y2) et les v.a.r. ne sont pas indépendantes.
Ce théorème n’énonce pas un équivalence. Autrement dit, il existe
des variables aléatoires X et Y :
× qui ne sont pas indépendantes,
× qui vérifient E(XY) = E(X) E(Y).
28ECE2-B 2019-2020
e−n
.
Exemple
On reprend l’exemple issu de EML 2007.
• U v.a.r. telle que :
× U(Ω) = {−1,1}.
× P([U = 1]) = 1
2 et P([U=−1]) = 1
2.
• Y v.a.r. telle que :

× ∀n∈N, P([Y= n]) = 1−

× Y(Ω) = N.

1
e
• On considère enfin T= U ×Y.

P([Y = 0] ∩[UY = 1]) = P([U = 0] ∩[0 = 1]) = 0

a) Les v.a.r. Y et T= UY ne sont pas indépendantes. En eﬀet :

puisque [0 = 1] = ∅. Or : P([Y = 0]) ̸= 0 et P([UY = 1]) ̸= 0.

b)• YT= Y UY= UY2
Or U et Y sont indépendantes.
Donc, d’après le lemme des coalitions, U et Y2 sont indépendantes. Ces
deux v.a.r. admettant une espérance (Y2 admet une espérance car Y
admet une variance - déjà démontré). Ainsi :
E(YT) = E(UY2) = E(U) E(Y2) = 0 ×E(Y2) = 0
• De même : E(T) = E(UY) = E(U) E(Y) = 0 ×E(Y) = 0
Les v.a.r. X et Y ne sont pas indépendantes et pourtant :
E(YT) = 0 = E(Y) E(T)
V. Calculs de variance et covariance
V.1. Covariance
V.1.a) Définition
Définition
Soit (X,Y) un couple de v.a.r. discrètes.
On suppose que X et Y admettent chacune un moment d’ordre 2.
La covariance de X et Y est définie par :
Cov(X,Y) = E ((X−E(X))(Y−E(Y)))
V.1.b) Calcul en pratique
Théorème 13 (Formule de Kœnig-Huygens).
Soit (X,Y) un couple de v.a.r. discrètes.
On suppose que X et Y admettent chacune un moment d’ordre 2.
Alors : En particulier, on a :
Cov(X,Y) = E(XY)−E(X) E(Y)
Cov(X,X) = V(X)
Démonstration.
• Par définition :
Cov(X,Y)
= E (X−E(X))(Y−E(Y))
= E XY−E(Y)X−E(X)Y + E(X)E(Y)
= E(XY)−E(Y)E(X)−E(X)E(Y) + E(X)E(Y) (par linéarité de
l’espérance)
= E(XY)−E(X)E(Y)
• Cov(X,X) = E (X−E(X))(X−E(X)) = E (X−E(X)) 2 = V(X)
29ECE2-B 2019-2020
Exemple
On reprend l’exemple des v.a.r. Z1 et Z2 qui représentent respectivement le
résultat de premier dé et du deuxième dé lors du lancer de deux dés à 3 faces.
Cov(Z1,Z2) = E(Z1 Z2)−E(Z1) E(Z2) = 4−2 ×2 = 0
(c’est toujours le cas lorsque Z1 et Z2 sont indépendantes, puisqu’alors on
a : E(Z1Z2) = E(Z1) E(Z2))
V.1.c) Propriétés de la covariance
Théorème 14 (Propriétés de la covariance).
Soient X, Y, Xi, Yi des v.a.r. discrètes.
Supposons que ces v.a.r. admettent chacune un moment d’ordre 2.
L’opérateur de covariance vérifie les propriétés suivantes.
1) Cov(X,Y) = Cov(Y,X)

2) ∀(λ,µ) ∈R2
(propriété de symétrie)

, Cov(λX1 + µX2,Y) = λCov(X1,Y) + µCov(X2,Y)

3) ∀(λ,µ) ∈R2
(linéarité à gauche)

2) Soit (λ,µ) ∈R2. Comme X1 et X2 admettent un moment d’ordre 2, c’est

, Cov(X,λY1 + µY2) = λCov(X,Y1) + µCov(X,Y2)

aussi le cas de λX1 + µX2. De plus :

Cov(λX1 + µX2,Y)
= E((λX1 + µX2) Y)−E(λX1 + µX2) E(Y) (par la formule
de Kœnig)
= E(λX1 Y + µX2 Y)−(λE(X1) + µE(X2)) E(Y) (par linéarité de
l’espérance)
= λE(X1 Y) + µE(X2 Y)−λE(X1) E(Y)−µE(X2) E(Y) (par linéarité de
l’espérance)
= λ(E(X1 Y)−E(X1) E(Y)) + µ(E(X2 Y)−E(X2) E(Y))
= λCov(X1,Y) + µCov(X2,Y) (par la formule

3) Soit (λ,µ) ∈R2

de Kœnig)

.
Cov(X,λY1 + µY2)
= Cov(λY1 + µY2,X) (par symétrie)
= λCov(Y1,X) + µCov(Y2,X) (par le point 2))
4) Soit a∈R. Cov(X,a) = E(aX)−E(a) E(X) = aE(X)−aE(X) = 0.

∀a∈R,Cov(X,a) = Cov(a,X) = 0
(linéarité à droite)

4) Démonstration.
1) D’après la formule de Kœnig-Huygens :
Cov(Y,X) = E(YX)−E(Y) E(X)
= E(XY)−E(X) E(Y)
= Cov(X,Y)
30ECE2-B 2019-2020
V.1.d) Une condition nécessaire d’indépendance
Théorème 15.
Soient X et Y deux v.a.r. (discrètes).

X et Y indépendantes ⇒ Cov(X,Y) = 0
On suppose que X et Y admettent chacune un moment d’ordre 2.

Démonstration.
On utilise la formule de Kœnig-Huygens :
Cov(X,Y) = E(XY)−E(X) E(Y)
Or, comme les v.a.r. X et Y sont indépendantes, E(XY) = E(X) E(Y).
On en déduit que Cov(X,Y) = 0.
Remarque
• Généralement c’est la contraposée de cet énoncé qui est utilisée. Elle per-

Cov(X,Y) ̸= 0 ⇒ X et Y ne sont pas indépendantes

met de démontrer que deux v.a.r. X et Y ne sont pas indépendantes.
Ce résultat N’EST PAS une équivalence. Autrement dit, il existe des
variables aléatoires X et Y :
× qui ne sont pas indépendantes,
× qui vérifient Cov(X,Y) = 0.
V.2. Variance d’une somme
V.2.a) Cas général
Théorème 16.
Soit (X,Y) un couple de v.a.r. discrètes.
On suppose que X et Y admettent chacune un moment d’ordre 2.
(i.e. X et Y admettent une variance)
1) Alors X+ Y admet une variance.
2) De plus : V(X+ Y) = V(X) + V(Y) + 2 Cov(X,Y)
Démonstration.
1) Comme : (X + Y)2 = X2 + 2 XY + Y2, et que chaque élément de la
somme admet une espérance, X+ Y admet un moment d’ordre 2.
2) On utilise la formule de Kœnig-Huygens :
V(X+ Y)
= E((X+ Y)2)−(E(X+ Y))2
= E X2 + Y2 + 2XY−(E(X) + E(Y))2
= E X2 + E Y2 + 2E(XY)−E(X)2
= V(X) + V(Y) + 2Cov(X,Y)
−E(Y)2
−2E(X)E(Y)
Exemple
On reprend l’exemple issu de EML 2007.
On a déjà démontré :
× Y et T (= UY) ne sont pas indépendantes,
× vérifient : E(YT) = E(Y) E(T)
Ainsi : Cov(Y,T) = E(YT)−E(Y) E(T) = 0.
31ECE2-B 2019-2020
V.2.b) Variance d’une somme de v.a.r. indépendantes
Théorème 17.
Soit (X,Y) un couple de v.a.r. discrètes.
On suppose que X et Y admettent chacune un moment d’ordre 2.
(i.e. X et Y admettent une variance)

X et Y indépendantes ⇒ V(X+ Y) = V(X) + V(Y)

1) Alors la v.a.r. X+ Y admet une variance. De plus :

2
2) Généralisation
3
On suppose :• X1,...,Xn admettent une variance.
• X1,...,Xn mutuellement indépendantes.
Alors X1 +...+ Xn admet une variance et :
V(X1 +...+ Xn) = V(X1) +...+ V(Xn)
Démonstration.
1) Si X et Y sont indépendantes, alors Cov(X,Y) = 0.
Donc, d’après le point précédent, V(X+ Y) = V(X) + V(Y).
2) Par récurrence sur n.
Remarque
Soient X1,...,Xn des v.a.r. discrètes, mutuellement indépendantes, telles
que Xi →B(p). Notons X= X1 +...+ Xn. Alors :
• X →B(n,p) (X compte le nombre de succès dans une répétition de n
épreuves de Bernoulli indépendantes et de même paramètre p)
• V(X) = V(X1 +...+ Xn) = V(X1) +...+ V(Xn) = npq
Exemple
Considérons à nouveau l’exemple du lancer de 2 dés à 3 faces.
• On note Z1 le résultat du 1er dé et Z2 le résultat du 2ème
.
• On note X le maximum des résultats et Y le minimum.
1) Il s’agit de déterminer V(X+ Y).
Afin de s’épargner tout calcul, on remarque :
X+ Y = min(Z1,Z2) + max(Z1,Z2) = Z1 + Z2
Comme Z1 et Z2 sont indépendantes et admettent une variance :
V(Z1 + Z2) = V(Z1) + V(Z2) = 32
−1
32
12 +
−1
12
=
2
3+
=
(si Z1 →U( 1,n ) alors V(Z1) =n2
−1
12 )
Ainsi, X+ Y admet une variance qui vaut :
V(X+ Y) = V(Z1 + Z2) = 4
3
2) Déterminons alors Cov(X,Y).
Cov(X,Y) = E(XY)−E(X) E(Y)
14
22
4 ×92
−14 ×22
= 4−
=
=
9
9
92
92
3) Déterminons alors V(X) et V(Y). Par la formule de Kœnig-Huygens :
V(X) = E(X2)−(E(X))2
=
=
9 ×26
92 −
12 ×5 + 22 ×3 + 32 ×1
9−
142
234−196
92
92
14
9
2
=
26
9−
38
=
=
92
9 ×58−222
On peut faire de même pour V(Y) (=
92 ) ou remarquer :
V(Y) = V(X+ Y)−V(X)−2 Cov(X,Y) = 8
38
3−
92 −
32
92
=
38
92
4
3
324−308
16
=
14
9
2
92
32ECE2-B 2019-2020
V.3. Coeﬃcient de corrélation linéaire
Définition
Soit (X,Y) un couple de v.a.r. discrètes.
On suppose que X et Y admettent des variances non nulles.
Le coeﬃcient de corrélation linéaire de X et de Y est :
ρ(X,Y) = Cov(X,Y)
σ(X) σ(Y)
16
92
16
8
Théorème 18.
Soit (X,Y) un couple de v.a.r. discrètes.
On suppose que X et Y admettent des variances non nulles.
1) Inégalité de Cauchy-Schwarz :
92
38
38
19
|Cov(X,Y) | σ(X) σ(Y)

2) |ρ(X,Y)| = 1 ⇔ une des v.a.r. est, presque sûrement,

On en déduit (reformulation) : |ρ(X,Y)| 1

une fonction aﬃne de l’autre

3) Plus précisément :
× ρ(X,Y) = 1 ssi une des v.a.r. est presque sûrement une fonction affine
strictement croissante de l’autre v.a.r. .
Cela signifie qu’il existe a>0 et b∈R tels que :
P [X= aY + b] = 1 OU P [Y= aX+ b] = 1
× ρ(X,Y) =−1 ssi une des v.a.r. est presque sûrement une fonction
affine strictement décroissante de l’autre v.a.r. .
Cela signifie qu’il existe a>0 et b∈R tels que :
P [X=−aY + b] = 1 OU P [Y=−aX+ b] = 1
Remarque
• Les valeurs intermédiaires entre−1 et 1 renseignent sur le degré de dé-
pendance linéaire entre les deux v.a.r. . Plus le coefficient est proche des
valeurs extrêmes−1 et 1, plus la corrélation entre les v.a.r. est forte.
• Deux v.a.r. dont la covariance est nulle (et donc le coefficient de corrélation
linéaire est nul) sont dites non corrélées.
Exemple
On reprend l’exemple précédent.
ρ(X,Y) = Cov(X,Y)
V(X) V(Y)
=
16
92
38
92
38
92
=
=
=
Démonstration.
1)• Considérons la fonction f : t→V(tX+ Y).
Remarquons tout d’abord que cette fonction est bien définie. En effet,
la v.a.r. tX+ Y admet une variance en tant que somme de v.a.r. qui
admettent une variance.
• Par ailleurs :
f(t) = V(tX+ Y) = Cov(tX+ Y,tX+ Y)
= Cov(tX,tX+ Y) + Cov(Y,tX+ Y) = Cov(tX,tX) + Cov(tX,Y) + Cov(Y,Y)
+ Cov(Y,tX)
= t Cov(X,tX) + t Cov(X,Y) + Cov(Y,Y)
+ t Cov(Y,X)
= t2 Cov(X,X) + 2t Cov(X,Y) + Cov(Y,Y)
= V(X) t2 + 2 Cov(X,Y) t+ V(Y)
Ainsi, la fonction f est polynomiale de degré 2.
On note P le polynôme de degré 2 associé.
(par linéarité
à gauche)
(par linéarité
à droite)
33ECE2-B 2019-2020
• Or, pour tout t∈R : f(t) = V(tX+ Y) 0.
Cette fonction polynomiale étant de signe constant, on en déduit que
le discriminant de P est de signe négatif. Or :
∆ = (2 Cov(X,Y))2
−4V(X)V(Y) = 4(Cov(X,Y))2
−4V(X)V(Y)

∆ 0 ⇔ 4 (Cov(X,Y))2 4 V(X)V(Y)
Et enfin :

⇔ (Cov(X,Y))2 V(X)V(Y) (par stricte

⇔ |Cov(X,Y) | V(X) V(Y)

croissance de √.)

⇔ |Cov(X,Y) | σ(X) σ(Y)

⇔ |Cov(X,Y) |

⇔ |ρ(X,Y) | 1
σ(X) σ(Y) 1

2) Déterminons maintenant sous quelle condition a lieu l’égalité de l’énoncé.

⇔ Cov(X,Y) 2
|ρ(X,Y)|= 1

⇔∆=0
⇔ Le polynôme P admet une unique racine α∈R
⇔ ∃! α∈R, P(α) = 0
⇔ ∃! α∈R, V(αX+ Y) = 0
⇔ ∃! α∈R, αX+ Y est constante presque sûrement
⇔ ∃! α∈R, ∃β ∈R, Y=−αX+ β presque sûrement
Cov(X,Y) 2

= V(X) V(Y) ⇔
La v.a.r. Y est une transformée

aﬃne de X, presque sûrement

ρ(X,Y) ∈{−1,1}
3) Rappelons que d’après le point précédent :

⇔ |ρ(X,Y)|= 1
⇔ Le polynôme P admet une unique racine α∈R
⇔ ∃! α∈R, ∃β ∈R, Y=−αX+ β presque sûrement
Par la formule des racines des polynômes de second degré, on obtient que
l’unique racine α de P s’écrit sous la forme :
α =−2 Cov(X,Y)
2 V(X)
Cov(X,Y)
σ(X) σ(Y)
=−
V(X)
Cov(X,Y)
σ(X) σ(Y)
σ(X) σ(Y)
= V(X) V(Y)
=−
σ(X) σ(Y)
V(X)
=−ρ(X,Y) σ(Y)
σ(X) (car V(X) = σ(X) 2)

ρ(X,Y) = 1 ⇔ ∃β ∈R, Y=
On en déduit finalement, d’après ce qui précède :

σ(Y)

ρ(X,Y) =−1 ⇔ ∃β ∈R, Y=−

σ(X) X+ β presque sûrement

σ(Y)
σ(X) X+ β presque sûrement
34ECE2-B 2019-2020
Exercice ESSEC II - 2001
1. Covariance des v.a.r. X et Y
a) ExprimerCov(λX+Y,λX+Y) enfonctiondeV(λX+Y) etendéduire
la formule suivante pour tout nombre réel λ :
V(λX+ Y) = λ2V(X) + 2λCov(X,Y) + V(Y)
b) En déduire : (Cov(X,Y))2 V(X)V(Y).
A quelle condition nécessaire et suffisante a-t-on l’égalité :
(Cov(X,Y))2
= V(X)V(Y)
2. Coefficient de corrélation linéaire des v.a.r. X et Y.
On suppose dans cette question les variances V(X) et V(Y) de X et Y
strictement positives.
a) Exprimer le coefficient de corrélation linéaire ρdes variables aléatoires
X et Y en fonction de Cov(X,Y) et des écarts-types σ(X) et σ(Y)
des variables aléatoires X et Y et montrer que ρappartient à [−1,+1].
Préciser de plus à quelle condition nécessaire et suffisante ρest égal à
−1 ou +1.
b) Donner la valeur de ρ lorsque les variables aléatoires X et Y sont
indépendantes.
Bilan du chapitre : liens entre les différentes lois
Il faut savoir :
× faire le lien entre la loi de couples et les lois conditionnelles.
× déterminer les lois marginales si on connaît la loi du couple,
× déterminer les lois marginales si on connaît les lois conditionnelles.
Les liens en ces différentes notions sont rappelés dans le schéma suivant.
Loi de X sachant
[Y= y] pour
tout y∈Y(Ω)
FPT
Loi de Y
def
FPT
Loi du
couple (X,Y)
FPT
Loi de X
def
Loi de Y sachant
[X= x] pour
tout x∈X(Ω)
Onretiendraquelaformuledesprobabilitéstotalesestlaclépourdéterminer
les lois marginales. Si la détermination de la loi du couple / les lois condi-
tionnelles constitue généralement la plus grande difficulté d’un exercice sur
les couples, la détermination des lois marginales se résume simplement à une
application de la formule des probabilités totales. Des difficultés calculatoires
peuvent apparaître mais il n’y a aucune difficulté méthodologique.
35

Plus généralement, si X = (X1,...,Xn) est un vecteur aléatoire discret et f : X(Ω) →R

est une fonction donnée, on a :
P(f(X1,...,Xn) = z) =
x1,...,xn,f(x1,...,xn)=z
P(X1 = x1,...,Xn = xn).
On en déduit le corollaire fondamental suivant :
Proposition 1.3 Soient X et Y deux variables aléatoires discrètes et intégrables. Alors la
variable aléatoire Z= X+ Y est intégrable 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 aléatoire discrète 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’inégalité 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 première 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 à la deuxième 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 intégrables, X + Y l’est également, et en effectuant le
même 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 aléatoire est à 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 aléatoire X+ Y suit donc une loi binomiale Bin(n,p x + py).
1.4 Loi conditionnelle
Considérons un couple (X,Y) de variables aléatoires discrètes, dont on connaˆıt la loi jointe
et fixons y tel que P(Y= y) >0.
La loi conditionnelle de X sachant l’événement {Y= y}est donnée par le fait que c’est
une loi sur X(Ω) ainsi que par les probabilités conditionnelles P(X= x|Y= y) pour tout
x∈X(Ω).
On vérifie aisément 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 aléatoire.
De plus, la formule des probabilités totales implique que
P(X= x) =
P(X= x|Y= y)P(Y= y).
y∈Y(Ω)
Cette définition de la loi conditionnelle s’étend à des vecteurs aléatoires : par exemple pour
un triplet aléatoire (X,Y,Z), on peut étudier 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}...

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

tout x ∈X(Ω) et tout y ∈Y(Ω), les événements {X= x}et {Y= y}sont indépendants,
Définition 1.4 Deux variables aléatoires discrètes X et Y sont dites indépendantes 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 aléatoires discrètes indépendantes, 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 généralement, les n variables aléatoires discrètes X1,...,Xn sont (mutuellement ou

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

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

Remarque : La fonction génératrice du vecteur aléatoire X = (X 1,...,Xn) vérifiant X(Ω) ⊂

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

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

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

Deuxi`eme m´ethode

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

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 :

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

Plus généralement, n variables aléatoires X1,...,Xn sont (mutuellement) indépendantes

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

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)

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

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

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.

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable aléatoire discrète et que sa loi est

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

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

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

tout x ∈X(Ω) et tout y ∈Y(Ω), les événements {X= x}et {Y= y}sont indépendants,
Définition 1.4 Deux variables aléatoires discrètes X et Y sont dites indépendantes 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 aléatoires discrètes indépendantes, 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 généralement, les n variables aléatoires discrètes X1,...,Xn sont (mutuellement ou

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

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

Remarque : La fonction génératrice du vecteur aléatoire X = (X 1,...,Xn) vérifiant X(Ω) ⊂

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

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

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

Deuxi`eme m´ethode

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

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 :

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

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus généralement, n variables aléatoires X1,...,Xn sont (mutuellement) indépendantes

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

P{Xk ∈Ik}.k≤n16
Le lien entre densités et indépendance est clair :
Proposition 2.4 Deux variables aléatoires (X,Y) de densité respectivement f et g sont in-
dépendantes si et seulement si la loi du couple admet une densité et que cette densité est la
fonction (x,y) →f(x)g(y).
2.4 Espérance, covariance
Définition 2.5 On définit, comme pour les couples discrets l’espérance d’un couple de variables
aléatoires intégrables comme étant le couple des espérances E(X,Y) = (E(X),E(Y)), et il est
facile de vérifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces intégrales sont absolument convergentes.
Si les variables aléatoires sont de carré intégrable, on définit également 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)
où
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice symétrique et positive (au
sens des formes bilinéaires).
Ces définitions s’étendent naturellement au cas des vecteurs aléatoires à densité, en rempla¸cant
les intégrales doubles par des intégrales multiples.
Remarque : Pour identifier la densité d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et bornée et on essaie d’écrire 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 densité du couple (X,Y).
Les propriétés vues dans le cas discret restent vraies pour les couples à densité : notamment,
si le couple est formé de variables aléatoires indépendantes et de carré intégrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables aléatoires dont le couple admet une densité, peut être nulle sans que les variables
soient indépendantes : 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 vérifier que si le couple (X,Y) a une densité, la variable X + Y aura également
une densité, et on peut expliciter cette densité :
Proposition 2.6 – Si le couple (X,Y) admet pour densité la fonction f, alors la densité
de la variable aléatoire X+ Y est la fonction g définie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables aléatoires indépendantes de densité f X et fY, la densité,
notée 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 bornée. On a
Eh(X+ Y) =
R2
=
R
h(x+ y)f(x,y) dx
,dy
h(z)
RCouples et vecteurs de variables aléatoires
Préparation à l’agrégation interne
1 Couples et vecteurs aléatoires discrets
1.1 Loi conjointe

{yj,j ∈N}. La loi conjointe du couple (X,Y) est donnée par (X,Y)(Ω) (ou par X(Ω) et
On se donne X et Y deux variables aléatoires discrètes 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 donnée par l’ensemble-image (X1,...,Xn)(Ω) ⊂Nn
Plus généralement, si X1,...,Xn sont n variables aléatoires discrètes à valeurs dans N, la

ainsi que par les probabilités P(X1 = i1,...,Xn = in), pour tout n-uplet (i1,...,in) ∈Nn
.
Exemple 1 : Fixons p∈]0,1[ et λ>0 et considérons le couple de variables aléatoires (X,Y) à
valeurs dans {0,1}×N dont la loi est donnée 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 écrit la loi d’un couple aléatoire discret.
Exemple 2 : On dispose d’une urne contenant quatre jetons numérotés de 1 à 4, et on tire au
sort successivement deux jetons sans remise. On note (X,Y) les résultats 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 écrire les probabilités sous la forme du tableau suivant (où par exemple dans la
deuxième case de la première 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 paramètres

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)

{X= x}= {X= x,Y ∈Y(Ω)}=

Preuve : On a

{X= x,Y= y}.

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

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.

donn´ee par : pour tout z ∈(X+ Y)(Ω),

Preuve : En effet, on vient de voir que Z est une variable aléatoire discrète et que sa loi est

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

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

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

tout x ∈X(Ω) et tout y ∈Y(Ω), les événements {X= x}et {Y= y}sont indépendants,
Définition 1.4 Deux variables aléatoires discrètes X et Y sont dites indépendantes 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 aléatoires discrètes indépendantes, 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 généralement, les n variables aléatoires discrètes X1,...,Xn sont (mutuellement ou

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

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

Remarque : La fonction génératrice du vecteur aléatoire X = (X 1,...,Xn) vérifiant X(Ω) ⊂

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

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

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

Deuxi`eme m´ethode

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

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 :

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

P(X ∈I et Y ∈J) = P(X ∈I)P(Y ∈J).

I et J, on a

Plus généralement, n variables aléatoires X1,...,Xn sont (mutuellement) indépendantes

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

P{Xk ∈Ik}.k≤n16
Le lien entre densités et indépendance est clair :
Proposition 2.4 Deux variables aléatoires (X,Y) de densité respectivement f et g sont in-
dépendantes si et seulement si la loi du couple admet une densité et que cette densité est la
fonction (x,y) →f(x)g(y).
2.4 Espérance, covariance
Définition 2.5 On définit, comme pour les couples discrets l’espérance d’un couple de variables
aléatoires intégrables comme étant le couple des espérances E(X,Y) = (E(X),E(Y)), et il est
facile de vérifier que
E(X) =
R2
xf(x,y) dx dy et E(Y) =
R2
yf(x,y) dx dy,
lorsque ces intégrales sont absolument convergentes.
Si les variables aléatoires sont de carré intégrable, on définit également 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)
où
E(XY) =
xyf(x,y) dxdy.
R2
La matrice de covariance est, comme dans le cas discret, une matrice symétrique et positive (au
sens des formes bilinéaires).
Ces définitions s’étendent naturellement au cas des vecteurs aléatoires à densité, en rempla¸cant
les intégrales doubles par des intégrales multiples.
Remarque : Pour identifier la densité d’un couple, on utilise habituellement une fonction test
h: R2 →R continue et bornée et on essaie d’écrire 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 densité du couple (X,Y).
Les propriétés vues dans le cas discret restent vraies pour les couples à densité : notamment,
si le couple est formé de variables aléatoires indépendantes et de carré intégrable, cov(X,Y) = 0
et var (X+ Y) = var (X) + var (Y), et, tout comme dans le cas discret, la covariance de deux
variables aléatoires dont le couple admet une densité, peut être nulle sans que les variables
soient indépendantes : 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 vérifier que si le couple (X,Y) a une densité, la variable X + Y aura également
une densité, et on peut expliciter cette densité :
Proposition 2.6 – Si le couple (X,Y) admet pour densité la fonction f, alors la densité
de la variable aléatoire X+ Y est la fonction g définie par
g(z) =
R
f(x,z−x) dx=
R
f(z−y,y) dy.
– Si X et Y sont deux variables aléatoires indépendantes de densité f X et fY, la densité,
notée 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 bornée. 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 effectué le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annoncée.
f(x,z−x) dx dz
en posant x = x et z = x+ y. Si on avait effectué le changement de variables z = x+ y et y,
on aurait obtenu l’autre expression annoncée.

Vous aimerez peut-être aussi

Pro 4
Pas encore d'évaluation
Pro 4
68 pages
Loi conjointe et marginale des variables aléatoires
Pas encore d'évaluation
Loi conjointe et marginale des variables aléatoires
17 pages
PRO-02 - Variables Aleatoires (Cours Complet)
Pas encore d'évaluation
PRO-02 - Variables Aleatoires (Cours Complet)
19 pages
Vecteurs aléatoires et espérance mathématique
Pas encore d'évaluation
Vecteurs aléatoires et espérance mathématique
47 pages
Variable Aleatoire 1
Pas encore d'évaluation
Variable Aleatoire 1
20 pages
Étude des couples de variables aléatoires
Pas encore d'évaluation
Étude des couples de variables aléatoires
11 pages
Introduction aux vecteurs aléatoires
Pas encore d'évaluation
Introduction aux vecteurs aléatoires
6 pages
Vecteur aléatoire et ses propriétés
Pas encore d'évaluation
Vecteur aléatoire et ses propriétés
10 pages
Variables Aléatoires Discrètes et Lois
Pas encore d'évaluation
Variables Aléatoires Discrètes et Lois
22 pages
Chapitre12 v2
Pas encore d'évaluation
Chapitre12 v2
14 pages
Variables aléatoires discrètes et lois
Pas encore d'évaluation
Variables aléatoires discrètes et lois
44 pages
Chapitre - 4 - Vecteurs - Alã©atoires - 2026 DV
Pas encore d'évaluation
Chapitre - 4 - Vecteurs - Alã©atoires - 2026 DV
28 pages
Variables aléatoires discrètes : lois et fonctions
Pas encore d'évaluation
Variables aléatoires discrètes : lois et fonctions
22 pages
Variables Aléatoires : Définitions et Lois
Pas encore d'évaluation
Variables Aléatoires : Définitions et Lois
7 pages
Variables aléatoires et lois classiques
Pas encore d'évaluation
Variables aléatoires et lois classiques
13 pages
Couples de Variables Aléatoires Discrètes
Pas encore d'évaluation
Couples de Variables Aléatoires Discrètes
8 pages
Lois conjointes et marginales des V.A.
Pas encore d'évaluation
Lois conjointes et marginales des V.A.
8 pages
Variables aléatoires : définitions et lois
Pas encore d'évaluation
Variables aléatoires : définitions et lois
15 pages
Couples de Variables Aléatoires Discrètes
Pas encore d'évaluation
Couples de Variables Aléatoires Discrètes
9 pages
Variance conditionnelle des vecteurs aléatoires
Pas encore d'évaluation
Variance conditionnelle des vecteurs aléatoires
22 pages
17 Variables Aleatoires
Pas encore d'évaluation
17 Variables Aleatoires
29 pages
Variables Aléatoires Discrètes et Lois
Pas encore d'évaluation
Variables Aléatoires Discrètes et Lois
14 pages
Exercices sur les couples de variables aléatoires
100% (1)
Exercices sur les couples de variables aléatoires
5 pages
Vecteurs aléatoires en probabilités et statistiques
Pas encore d'évaluation
Vecteurs aléatoires en probabilités et statistiques
4 pages
Vecteurs aléatoires réels en probabilités
Pas encore d'évaluation
Vecteurs aléatoires réels en probabilités
22 pages
Probabilités et Variables Aléatoires Discrètes
Pas encore d'évaluation
Probabilités et Variables Aléatoires Discrètes
55 pages
Loi conjointe et indépendance des v.a.
Pas encore d'évaluation
Loi conjointe et indépendance des v.a.
45 pages
Couples de variables aléatoires discrètes
Pas encore d'évaluation
Couples de variables aléatoires discrètes
18 pages
Cours Probablité III LSI-VF
Pas encore d'évaluation
Cours Probablité III LSI-VF
26 pages
Couple de variables aléatoires discrètes
Pas encore d'évaluation
Couple de variables aléatoires discrètes
26 pages
Variables aléatoires discrètes et lois
Pas encore d'évaluation
Variables aléatoires discrètes et lois
10 pages
Variables aléatoires : définitions et exemples
100% (1)
Variables aléatoires : définitions et exemples
14 pages
Couples de Variables Aleatoires
Pas encore d'évaluation
Couples de Variables Aleatoires
11 pages
Variables aléatoires réelles et probabilités
Pas encore d'évaluation
Variables aléatoires réelles et probabilités
17 pages
Corrigé des lois marginales et exercices
Pas encore d'évaluation
Corrigé des lois marginales et exercices
18 pages
Probabilités et Variables Aléatoires
Pas encore d'évaluation
Probabilités et Variables Aléatoires
20 pages
Loi jointe et lois marginales des v.a.
Pas encore d'évaluation
Loi jointe et lois marginales des v.a.
16 pages
Chapitre4 - Couple de Variable Aléatoire
Pas encore d'évaluation
Chapitre4 - Couple de Variable Aléatoire
8 pages
Module de Probabilités 3 : Cours et Objectifs
Pas encore d'évaluation
Module de Probabilités 3 : Cours et Objectifs
37 pages
Ch3 Va Aléa-Lois Usuelles
Pas encore d'évaluation
Ch3 Va Aléa-Lois Usuelles
26 pages
Lois conditionnelles et indépendance des variables
Pas encore d'évaluation
Lois conditionnelles et indépendance des variables
3 pages
Couples de VAR et leurs lois
Pas encore d'évaluation
Couples de VAR et leurs lois
11 pages
29 - Variables aléatoires
Pas encore d'évaluation
29 - Variables aléatoires
13 pages
Variables aléatoires discrètes et probabilités
Pas encore d'évaluation
Variables aléatoires discrètes et probabilités
18 pages
Variance de la loi uniforme discrète
Pas encore d'évaluation
Variance de la loi uniforme discrète
6 pages
Étude des couples de variables aléatoires
Pas encore d'évaluation
Étude des couples de variables aléatoires
5 pages
Variables Aléatoires Discrètes en Probabilités
Pas encore d'évaluation
Variables Aléatoires Discrètes en Probabilités
120 pages
Cours de Probabilités Discrètes 2020-2021
Pas encore d'évaluation
Cours de Probabilités Discrètes 2020-2021
8 pages
Couples de VAR Discrètes et Lois Associées
Pas encore d'évaluation
Couples de VAR Discrètes et Lois Associées
9 pages
Lois de probabilité des variables aléatoires
Pas encore d'évaluation
Lois de probabilité des variables aléatoires
13 pages
Variables Aléatoires et Lois de Probabilité
Pas encore d'évaluation
Variables Aléatoires et Lois de Probabilité
59 pages
Variables aléatoires en probabilité finie
Pas encore d'évaluation
Variables aléatoires en probabilité finie
7 pages
Statistiques et lois de probabilité 2016
Pas encore d'évaluation
Statistiques et lois de probabilité 2016
2 pages
CH2 Support de Cours
Pas encore d'évaluation
CH2 Support de Cours
13 pages
Modélisation de variables aléatoires indépendantes
Pas encore d'évaluation
Modélisation de variables aléatoires indépendantes
2 pages
Loi de probabilité des variables aléatoires
Pas encore d'évaluation
Loi de probabilité des variables aléatoires
12 pages
Cours - Variables Aleatoires Sur Un Espace Probabilise Fini PDF
Pas encore d'évaluation
Cours - Variables Aleatoires Sur Un Espace Probabilise Fini PDF
16 pages
Recherche 4
Pas encore d'évaluation
Recherche 4
7 pages
Docu 2
Pas encore d'évaluation
Docu 2
5 pages
Recher 4
Pas encore d'évaluation
Recher 4
13 pages
Du 6
Pas encore d'évaluation
Du 6
21 pages
Du 12
Pas encore d'évaluation
Du 12
7 pages
Du 3
Pas encore d'évaluation
Du 3
770 pages
Concepts de base en probabilités et fonctions génératrices
Pas encore d'évaluation
Concepts de base en probabilités et fonctions génératrices
29 pages
Estimation de la loi normale en BTS
Pas encore d'évaluation
Estimation de la loi normale en BTS
5 pages
Sommes de Variables Aléatoires
Pas encore d'évaluation
Sommes de Variables Aléatoires
3 pages
Corrigé des exercices de probabilité
Pas encore d'évaluation
Corrigé des exercices de probabilité
5 pages
Processus Stochastiques et Matrices
Pas encore d'évaluation
Processus Stochastiques et Matrices
39 pages
Méthode Delta en Estimation Statistique
Pas encore d'évaluation
Méthode Delta en Estimation Statistique
35 pages
Exercices Corrigés d'Inférence Statistique
Pas encore d'évaluation
Exercices Corrigés d'Inférence Statistique
11 pages
Nouveaux Risques Sociaux et Protection Sociale
Pas encore d'évaluation
Nouveaux Risques Sociaux et Protection Sociale
12 pages
Epreuve de Maths B - Concours 2021
Pas encore d'évaluation
Epreuve de Maths B - Concours 2021
6 pages
Optimisation des Stocks chez Lazan’i Betsileo
Pas encore d'évaluation
Optimisation des Stocks chez Lazan’i Betsileo
53 pages
Usages pédagogiques du tableur en maths
Pas encore d'évaluation
Usages pédagogiques du tableur en maths
16 pages
Matrice de Transition en Chaînes de Markov
Pas encore d'évaluation
Matrice de Transition en Chaînes de Markov
36 pages
Théorie des Équations Différentielles Stochastiques
Pas encore d'évaluation
Théorie des Équations Différentielles Stochastiques
60 pages
Épreuve de Mathématiques - Baccalauréat 2018
Pas encore d'évaluation
Épreuve de Mathématiques - Baccalauréat 2018
10 pages
Inégalités de Bienaymé-Tchebychev
Pas encore d'évaluation
Inégalités de Bienaymé-Tchebychev
14 pages
Introduction aux Probabilités et Modélisation
Pas encore d'évaluation
Introduction aux Probabilités et Modélisation
10 pages
Modélisation des mouvements de terrain à Al Hoceima
Pas encore d'évaluation
Modélisation des mouvements de terrain à Al Hoceima
14 pages
Concours Maths Prépa HEC 1999
Pas encore d'évaluation
Concours Maths Prépa HEC 1999
4 pages
Techniques Quantitatives en MBA 1ère Année
Pas encore d'évaluation
Techniques Quantitatives en MBA 1ère Année
2 pages
Feuilletage
Pas encore d'évaluation
Feuilletage
30 pages
Exercices Corrigés sur Chaînes de Markov
Pas encore d'évaluation
Exercices Corrigés sur Chaînes de Markov
2 pages
Introduction à l'inférence statistique
Pas encore d'évaluation
Introduction à l'inférence statistique
215 pages
Calcul de Probabilités et Exercices Pratiques
Pas encore d'évaluation
Calcul de Probabilités et Exercices Pratiques
3 pages
Corrigé des exercices de TD N°3
Pas encore d'évaluation
Corrigé des exercices de TD N°3
18 pages
Concours ENS Maths D 2021
Pas encore d'évaluation
Concours ENS Maths D 2021
9 pages
Concours Ingénieurs Statisticiens 2021
Pas encore d'évaluation
Concours Ingénieurs Statisticiens 2021
13 pages
Exercices de Probabilités Bac S2 1990-2018
100% (2)
Exercices de Probabilités Bac S2 1990-2018
16 pages
Modélisation Spatiale des Inondations
Pas encore d'évaluation
Modélisation Spatiale des Inondations
36 pages
TD Statistiques et Probabilités 2016-2017
Pas encore d'évaluation
TD Statistiques et Probabilités 2016-2017
3 pages
Introduction aux Probabilités et Variables Aléatoires
Pas encore d'évaluation
Introduction aux Probabilités et Variables Aléatoires
77 pages
Probabilités conditionnelles et exercices pratiques
Pas encore d'évaluation
Probabilités conditionnelles et exercices pratiques
7 pages