Processus Stochastiques

Pr. Imade Fakhouri

Université Ibn Zohr

Ecole Nationale des Sciences Appliquées
Agadir, Maroc

c Draft date 11 octobre 2022
”Quels que soient les progrès
des connaissances humaines,
il y aura toujours place pour
l’ignorance, et par suite pour
le hasard et la probabilité.”
EMILE BOREL (LE HASARD, 1914)
Table des matières

1 Probabilités 5
1.1 Ensemble Fondamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Tribus ou sigma algèbres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Définition axiomatique de la probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Définition d’une probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Formule du crible (ou de Poincaré). . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.3 Calcul de probabilités : Cas particulier de l’équiprobabilité . . . . . . . . . . . 10
1.2.4 Probabilités conditionnelles (composées). . . . . . . . . . . . . . . . . . . . . . 11
1.2.5 Evénements indépendants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.6 Indépendance et incompatibilité . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.7 Indépendance mutuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.8 Événement impossible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Principe des Probabilités Totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Théorème de Bayes (Problème de Bayes) . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 Variables aléatoires discrètes 15

2.1 Notion de variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Loi de probabilité discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Fonction de répartition d’une loi de probabilité . . . . . . . . . . . . . . . . . . 16
2.2.2 Espérance mathématique d’une v.a. discrète . . . . . . . . . . . . . . . . . . . . 16
2.2.3 Moments - Variance - Écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Principales lois discrètes sur R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.1 Loi uniforme sur un ensemble fini . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.2 Loi de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.3 Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.4 Loi hypergéométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.5 Loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.6 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3 Variables aléatoires continues 19

3.1 Loi de probabilité continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Exemples de lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1 Loi uniforme continue U[a,b] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.3 Loi de Laplace-Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.4 Loi du Khi–deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.5 Loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.6 Loi de Fisher-Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4 Vecteurs Aléatoires 25
4.1 Fonction de répartition d’un vecteur aléatoire . . . . . . . . . . . . . . . . . . . . . . . 25
4.2 Densité d’un vecteur aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3 Marginales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

4.3.1 Vecteurs discrets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.4 Indépendance des composantes d’un vecteur aléatoire . . . . . . . . . . . . . . . . . . . 28
4.5 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.6 Changement de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.7 Fonction Caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5 Vecteurs aléatoires gaussiens 35

5.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.2 Théorème central limite multi-dimensionnel . . . . . . . . . . . . . . . . . . . . . . . . 37

4
Chapitre 1

Probabilités

Pour formaliser un problème dans lequel le hasard intervient, on doit construire un modèle probabi-
liste, choisi en fonction du but que l’on poursuit. Ce modèle est constitué d’un ensemble fondamental,
d’une tribu d’événements et d’une probabilité. Le choix de l’ensemble fondamental est très important
pour le calcul ultérieur des probabilités des événements. Nous introduirons aussi les notions de proba-
bilité conditionnelle et d’indépendance. La formule de Bayes est souvent très utile pour le calcul des
probabilités conditionnelles.

1.1 Ensemble Fondamental

Définition 1.1.1 Une expérience aléatoire est une expérience qui peut être répétée théoriquement
aussi souvent que l’on veut, dans des conditions fixées, dont on :
1) Connaı̂t l’ensemble des résultats possibles ;
2) On ne peut prédire avec certitude le résultat que l’on obtiendra.
Cela signifie que si l’on répète plusieurs fois la même expérience, on obtient à chaque fois un résultat
bien défini mais qui n’est pas toujours le même.
Le résultat d’une expérience aléatoire s’appelle un événement élémentaire.

Plus précisément, on dit que l’on est en présence d’une expérience aléatoire lorsque cette expérience
conduit à une, et une seule, valeur d’un ensemble de valeurs observables.

Définition 1.1.2 Cet ensemble de valeurs est appelé l’univers des possibles (ou plus simplement
l’univers) ou encore l’ensemble fondamental de l’épreuve et chacun de ses éléments est une issue
ou une éventualité de l’épreuve.
On notera souvent par Ω l’univers de l’épreuve considérée et par ω une issue quelconque.

Exemple 1.1.1
1. Si on considère l’expérience aléatoire “on lance un dé à six faces et on observe la face appa-
rente”, l’univers est l’ensemble (fini) Ω = {1, 2, 3, 4, 5, 6}.
2. Soit une expérience aléatoire à deux issues possibles notées 0 et 1. On renouvelle l’expérience
toujours dans les mêmes conditions jusqu’à obtenir 1. Les éventualités envisageable sont les
suivants
1
0 1
0 0 1
0 0 0 1
..
.
0 0 0 ··· ··· 0 1
dans ce cas Ω est un ensemble infini dénombrable.

5
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Chaque élément ω de Ω représente donc un événement élémentaire, et toute partie A ⊂ Ω (ou

A ∈ P(Ω), où P(Ω) est l’ensemble des parties de Ω) sera un événement. Parfois on dit que Ω est l’en-
semble des éventualités possibles et les événements élémentaires sont alors les singletons, c’est-à-dire
les ensembles réduits à un seul élément {ω}, qui sont effectivement en toute rigueur des événements,
puisqu’appartenant à P(Ω).
Exemples 1.1.1 1) Jet d’un dé,
Ω = {1, 2, 3, 4, 5, 6}.
A = {2, 4, 6} : ”obtenir un nombre pair”.
2) Le jet successif de n pièces de monnaie,
Ω = {P, F }n (pour n = 2, on a Ω = {P P, P F, F P, F F } = {P, F }2 ).
A = {P } × {P, F }n−1 : ”le premier lancer est pile”.
3) La durée de vie d’une ampoule.
Ω = IR+ .
A = [100, +∞[ : ”l’ampoule fonctionne plus de cent heures”.
Précisons un certain nombre de points du jargon probabiliste :
a) A tout événement E on peut associer l’événement noté Ē et appelé l’événement contraire
ou complémentaire de E ; c’est l’événement qui ne se réalise que si E ne se réalise pas et qui
correspond à la partie complémentaire de E dans Ω.
b) Deux événements E et F sont dits incompatibles si E et F ne peuvent jamais se réaliser
simultanément au cours d’une épreuve, c-à-d E ∩ F = ∅. Ces événements correspondent à des
parties disjointes de Ω.
En particulier, pour tout événement E, E et E sont incompatibles.
c) Si E et F sont des événements, on note E ou F (ou E ∪ F ) l’événement qui se réalise si au
moins l’un des deux événements E ou F se réalise au cours de l’épreuve. C’est l’événement qui
correspond à la réunion ensembliste des parties E et F .
d) Si E et F sont des événements, on note E et F (ou E ∩F ) l’événement qui ne se réalise que si les
deux événements E ou F se réalisent simultanément au cours de l’épreuve. C’est l’événement
qui correspond à l’intersection ensembliste des parties E et F .
e) Un événement est dit élémentaire lorsqu’il ne se réalise que pour une seule issue de l’expérience ;
un tel événement correspond à une partie à un seul élément (i-e un singleton) de l’univers.
f) On dit que A est inclus dans B et on écrit A ⊂ B si toute réalisation de A entraı̂ne celle de B.
g) Les événements A et B sont dites identiques si A ⊂ B ⊂ A et on écrit A = B c-à-d sont
toujours soit les deux réalisés, soit tous les deux non réalisés.
h) L’événement Ω qui par définition a toutes les chances de se réaliser est appelé événement
certain. Par contre l’événement ∅ n’a aucune chance de se réaliser et il est appelé événement
impossible.

Définition 1.1.3 Une suite (finie ou non) (Bn )n∈I⊂N d’événements de Ω est appelée une partition
de Ω si les Bn sont deux à deux disjoints et si leur réunion est égale à Ω, i.e.

∀i, j ∈ I, i 6= j, Bi ∩ Bj = ∅ et ∪n∈I Bn = Ω.

Rappelons maintenant quelques propriétés utiles des ensembles :

Distributivité :
Soient A, B et C trois ensembles. On a :
— A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C).
— A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).

Loi de Morgan :
Soient A et B deux ensembles. On a les égalités suivantes :
— A ∩ B = A ∪ B.

6
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

— A ∪ B = A ∩ B.

Cardinal d’une réunion d’événements :

Proposition 1.1.1 Si A et B sont deux ensembles, on a :

Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B).

La formule précédente se généralise à la réunion d’une famille (Ai )i∈{1,...,n} de n parties.

Formule du crible (ou de Poincaré) :

Théorème 1.1.1 Soit (Ai )i∈{1,...,n} une famille de parties de Ω. Alors

 
n
X X
Card(∪ni=1 Ai ) = (−1)k+1 Card(∩kj=1 Aij )
k=1 1≤i1 <i2 <...<ik ≤n
n
X X
= Card(Ai ) − Card(Ai1 ∩ Ai2 )
i=1 1≤i1 <i2 ≤n
X
+ Card(Ai1 ∩ Ai2 ∩ Ai3 ) + . . .
1≤i1 <i2 <i3 ≤n
X
+(−1)k+1 Card(Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) + . . .
1≤i1 <i2 <...<ik ≤n

+(−1)n+1 Card(A1 ∩ A2 ∩ . . . ∩ An ).

En particulier, si les (Ai )1≤i≤n forment une partition de Ω, on a

n
X
Card(∪ni=1 Ai ) = Card(Ai ).
i=1

Il suffit alors de définir une mesure µ (resp. une prob. P) sur cet espace pour que (Ω, A, µ) (resp.
(Ω, A, P)) soit un espace mesuré (resp. probabilisé).

1.1.1 Tribus ou sigma algèbres

Soient Ω l’univers d’une expérience aléatoire et P(Ω) l’ensemble des parties de Ω.
En général on ne peut pas prendre toutes les parties de Ω comme événements, on doit se limiter à des
familles vérifiant certaines propriétés :

Définition 1.1.4 On appelle tribu de partie de Ω, tout sous–ensemble F de P(Ω) qui vérifie les pro-
priétés suivantes appelées axiomes de structure.
1) ∅ ∈ F, et Ω ∈ F.
2) Stabilité par passage au complémentaire : ∀ A ∈ F, A ∈ F.
3) Stabilité par réunion dénombrable : Pour tout famille (An )n∈N tel que An ∈ F pour tout n, ∪n≥0 An ∈
F.

Remarque 1.1.1 Par passage au complémentaire, on a aussi sous l’hypothèse 3) que ∀n ∈ N, ∩n≥0 An ∈
F (stabilité par intersection dénombrable).

Définition 1.1.5 On appelle (Ω, F) un espace probabilisable.

7
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

1.2 Définition axiomatique de la probabilité

1.2.1 Définition d’une probabilité
Définition 1.2.1 On appelle probabilité définie sur un ensemble Ω muni d’une tribu F une application
P de F dans [0, 1] vérifiant les axiomes suivantes :
1. ∀ A ∈ F =⇒ 0 ≤ P(A) ≤ 1.
2. L’ensemble fondamental a la probabilité égale à 1 i.e. P(Ω) = 1.
3. σ–additivité : si (An )n≥0 est une suite finie ou infinie dénombrable d’éléments de F, deux à
deux disjoints (c-à-d tels que ∀ j 6= k Aj ∩ Ak = ∅) alors :
X
P(∪n≥0 An ) = P(An ).
n≥0

Le triplet (Ω, A, P) est appelé espace probabilisé ou encore espace de probabilité.

Propriétés 1.2.1 P1 ) La probabilité de l’événement complémentaire d’un événement quelconque

A s’obtient par :
P(A) = 1 − P(A);
P2 ) L’événement impossible est de probabilité nulle :

P(∅) = 0;

P3 ) Si un événement implique un autre, sa probabilité est plus petite :

A ⊂ B =⇒ P(A) ≤ P(B);

En effet B = A ∪ (B \ A), P(B) = P(A ∪ (B \ A) = P(A) + P(B \ A) ≥ P(A).

Propriétés 1.2.2 (Propriété de continuité d’une probabilité)

1) Si (An )n > 1 est une suite croissante d’éléments dans F (i.e. An ⊂ An+1 pour tout entier n),
alors P (∪∞
n=1 An ) = lim P (An ).
n→∞
2) Si (Bn )n > 1 est une suite décroissante d’éléments dans F (i.e. Bn+1 ⊂ Bn pour tout entier
n), alors P (∩∞
n=1 Bn ) = lim P (Bn ).
n→∞
On dit que la probabilité est continue par limite monotone d’événements.

Preuve.
1) Soient C1 = A1 , C2 = A2 ∩ Ac1 , C3 = A3 ∩ Ac2 , · · · , Cn = An ∩ Acn−1 .
Les événements (Cn )n > 1 étant deux à deux disjoints, avec ∪∞ ∞
n=1 Cn = ∪n=1 An , on a d’après la
∞
X Xk  
propriété de σ-additivité que P (∪∞ A
n=1 n ) = P (C n ) = lim P (C n ) =. lim P ∪k
n=1 n =
C
k→∞ k→∞
n=1 n=1
lim P (Ak ).
k→∞


2) Par dualité, la suite B n n > 1 est une suite croissante.
Donc d’après 1) on a P ∪∞



n=1 B n = lim P B n .
n→∞
Or ∪∞ ∞
n=1 B n = ∩n=1 Bn . D’où

1 − P(∩∞ ∞


n=1 Bn ) = P(∩n=1 Bn ) = lim P B n = lim (1 − P (Bn )).
n→∞ n→∞

Par conséquent, P(∩∞

n=1 Bn ) = lim P (Bn ).
n→∞

8
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

1.2.2 Formule du crible (ou de Poincaré).

La formule de Poincaré (voir Théorème 1.1.1) peut aussi s’interpréter en termes de probabilité, en
remplaçant partie par événements, et Card par P.
Considérons, le cas n = 2. Soient A et B deux événements quelconques. La probabilité de l’union de
deux événements s’obtient par la formule de Poincaré :

P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Preuve. On a A ∪ B = A ∪ (B \ A). Alors

P(A ∪ B) = P(A) + P(B \ A) = P(A) + P(B) − P(A ∩ B)

Si A∩B = ∅ on retrouve la définition P(A∪B) = P(A)+P(B). En général P(A∪B) ≤ P(A)+P(B). La

formule précédente se généralise à la réunion d’une famille de n événements. On a le résultat suivant :

Théorème 1.2.1 (Formule du crible (ou de Poincaré)) Soit (Ai )i∈{1,...,n} une famille d’événements
de Ω. Alors

 
n
X X
P(∪ni=1 Ai ) = (−1)k+1 P(∩kj=1 Aij )
k=1 1≤i1 <i2 <...<ik ≤n
n
X X X
= P(Ai ) − P(Ai1 ∩ Ai2 ) + P(Ai1 ∩ Ai2 ∩ Ai3 ) + . . .
i=1 1≤i1 <i2 ≤n 1≤i1 <i2 <i3 ≤n
X
k+1
+(−1) P(Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) + . . . + (−1)n+1 P(A1 ∩ A2 ∩ . . . ∩ An ).
1≤i1 <i2 <...<ik ≤n

En particulier, si les (Ai )1≤i≤n forment une partition de Ω, on a

n
X
P(∪ni=1 Ai ) = P(Ai ).
i=1

Preuve : On va utiliser une démonstration par récurrence. Soit n ≥ 2. Supposons que l’égalité vérifiée
à l’ordre n et montrons la à l’ordre n + 1. D’après ce qui précéde on sait que l’égalité est vraie pour
n = 2.
On a :

P(∪n+1 n n n
i=1 Ai ) = P((∪i=1 Ai ) ∪ An+1 ) = P(∪i=1 Ai ) + P(An+1 ) − P((∪i=1 Ai ) ∩ An+1 ),

où on a utilisé l’égalité pour n = 2.

En utilisant la distributivité de l’intersection par rapport à la réunion, on obtient :

P(∪n+1 n n
i=1 Ai ) = P(∪i=1 Ai ) + P(An+1 ) − P(∪i=1 (Ai ∩ An+1 )).

9
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

L’hypothèse de récurrence implique que

n
X X
P(∪n+1
i=1 Ai ) = P(Ai ) − P(Ai1 ∩ Ai2 ) + . . .
i=1 1≤i1 <i2 ≤n
X
+(−1)k+1 P(Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) + . . .
1≤i1 <i2 <...<ik ≤n
n
X
+(−1)n+1 P(A1 ∩ A2 ∩ . . . ∩ An ) + P(An+1 ) − P(Ai ∩ An+1 ) + . . .
i=1
X
+(−1)k+1 P(Ai1 ∩ Ai2 ∩ . . . ∩ Aik−1 ∩ An+1 )
1≤i1 <i2 <...<ik−1 ≤n

+(−1)n+2 P(A1 ∩ A2 ∩ . . . ∩ An+1 )

n+1
X X
= P(Ai ) − P(Ai1 ∩ Ai2 ) + . . .
i=1 1≤i1 <i2 ≤n+1
X
k+1
+(−1) P(Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) + . . .
1≤i1 <i2 <...<ik ≤n+1
n+2
+(−1) P(A1 ∩ A2 ∩ . . . ∩ An+1 ).

Donc l’égalité est vérifiée pour n + 1.

La propriété est donc vérifiée pour tout n supérieur ou égal à 2.

Exemples 1.2.1 Pour n = 3, on a :

P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C).

Pour n = 4, on a :

P(A ∪ B ∪ C ∪ D) = P(A) + P(B) + P(C) + P(D) − P(A ∩ B) − P(A ∩ C)

−P(A ∩ D) − P(B ∩ C) − P(B ∩ D) − P(C ∩ D)
+P(A ∩ B ∩ C) + P(A ∩ B ∩ D) + P(A ∩ C ∩ D)
+P(B ∩ C ∩ D) − P(A ∩ B ∩ C ∩ D).

Exemple 1.2.1 i) Dans un jeu de 52 cartes ; on tire une carte. Quelle est la probabilité d’obtenir une
Nombre de cas favorables
dame ou un roi : P (d’un événement) = (Probabilité uniforme).
Nombre de cas possibles
On pose A = L’événement on obtient une dame. B = l’événement on obtient un roi, on a A ∩ B = ∅,
d’après la formule des probabilités total
1 1 2
P(A ∪ B) = P(1 dame ou 1 roi) = P(1 dame) + P(1 roi) = + =
13 13 13
ii) Dans le même jeu de 52 cartes, on tire une carte, quelle est la probabilité d’obtenir (un coeur ou
un roi) ?
Soit A = l’événement obtenu est un coeur et B = l’événement obtenu est un roi
1 1 1 4
P(A ∪ B) = P(1 coeur ou 1 roi ) = P(1 coeur ) + P(1 roi ) + P( roi de coeur ) = + − = .
4 13 52 13
En effet : Dans la probabilité de tirer un coeur est incluse, celle de tirer le roi de coeur, de même,
dans la probabilité de tirer un roi est incluse celle de tirer le roi du coeur. La probabilité de tirer le roi
de coeur, a donc été compté 2 fois : il faut la retrancher une fois.

1.2.3 Calcul de probabilités : Cas particulier de l’équiprobabilité

On considère une expérience aléatoire telle que :
— L’espace fondamental Ω défini soit de cardinal fini ;

10
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

— Les éventualités qui le composent soient équiprobables (si l’expérience aléatoire a n issues
1
possibles, il y a donc n événements élémentaires et la probabilité de chacun est égale à ).
n
On définit la probabilité d’un événement A par :
nombre de cas f avorables Card(A)
P(A) = = .
nombre cas possibles Card(Ω)

Remarque 1.2.1 Attention, cette formule est valable seulement en situation d’équiprobabilité.

1.2.4 Probabilités conditionnelles (composées).

Définition 1.2.2 Soit Ω un ensemble d’événement sur lequel on a défini une probabilité et soit B un
événement de probabilité non nulle. Soit A un autre événement, la probabilité conditionnelle de A liée
par B (que l’on note P(A/B) est définie par l’expression :
P(A ∩ B)
P(A/B) = .
P(B)
Soit A et B deux événements de probabilité non nulle. De la définition axiomatique de la probabilité
conditionnelle résulte la relation symétrique :

P(A ∩ B) = P(A) · P(B/A) = P(B) · P(A/B)

Cette relation porte le nom de formules des probabilités composées. Elle permet de calculer la probabilité
de la réalisation simultanée de 2 événements.

Vérification des trois axiomes :

1) P(./B) ≥ 0
2) P(Ω/B) = 1
3) si A1 et A2 sont deux événements de F tels que A1 ∩ A2 = ∅ alors P(A1 ∪ A2 /B) = P(A1 /B) +
P(A2 /B).
Remarque 1.2.2 On peut aussi utiliser la notation PB (A) pour désigner la probabilité conditionnelle
de l’événement A par rapport à B.

Exemple 1.2.2 Soit une urne contenant 10 boules blanches, 20 rouges et 30 noires. On tire deux
boules, sans remise dans l’urne. Quelle est la probabilité que la première soit rouge et la seconde soit
blanche ? : A = La boule rouge, B = boule blanche.
20 10 10
P(A ∩ B) = P(A) · P(B/A) = · =
60 59 177
car P(B/A) = la probabilité de tirer une boule blanche au second tirage. Sachant que l’on a tiré une
boule rouge au premier, il reste 59 boules dans l’urne dont 10 boules blanches.

Généralisation : Si A1 , A2 , . . . , An sont n événement alors :

n−1
P (∩ni=1 Ai ) = P(A1 )P(A2 /A1 )P(A3 /A1 ∩ A2 )· · · P An /∩i=1


Ai

Exemple 1.2.3 On tire 3 cartes dans un jeu de 52 cartes, sans remise. Quelle est la probabilité
d’obtenir 3 rois ?

Solution. Désignons par R1 , R2 et R3 l’ensemble des tirages de 3 cartes dans lesquelles figure respec-
tivement un roi au 1er , au 2ème et 3ème :

P(R1 ∩ R2 ∩ R3 ) = P(R1 )P(R2 /R1 )P(R3 /R1 ∩ R2 )

4 3 2 1
= · · = .
52 51 50 5.525
En effet au second tirage il y a 51 cartes dont 3 rois au 3e tirage il y a 50 cartes dont 2 rois

11
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Axiomes des probabilités composées.

• Si A1 ∩ A2 = ∅, alors
P(A1 ∪ A2 /B) = P(A1 /B) + P(A2 /B)
• Si A1 ∩ A2 6= ∅, alors

P(A1 ∪ A2 /B) = P(A1 /B) + P(A2 /B) − P(A1 ∩ A2 /B).

En particulier : P(A/B) = 1 − P(A/B).

Exemple 1.2.4 On donne P(A) = 0, 2, P(B) = 0, 4, P(A ∩ B) = 0, 1.

Calculer : P(A ∪ B), P(A/B), P(A ∩ B) et P(A ∩ B) et P(A/B).
Calculer : P(A ∪ B/A ∩ B) et P(A ∩ B/A ∪ B).

1.2.5 Evénements indépendants

Soit deux événements A et B. On dit que A et B sont stochastiquement indépendants ou simple-
ment indépendants (relativement à la probabilité P) si P(A ∩ B) = P(A)P(B).
La probabilité de réalisation simultanée de deux événements indépendants est égale au produit des
probabilités que chacun de ces événements se produise séparément.
En conséquence, si P(B) > 0 :

P(A ∩ B) P(A)P(B)
P(A|B) = = = P(A).
P(B) P(B)

La réalisation d’un événement ne modifie pas la probabilité de réalisation de l’autre.

1.2.6 Indépendance et incompatibilité

Soient A et B deux événements.
— La propriété ”les événements A et B sont incompatibles” implique que A ∩ B = ∅, et donc

P(A ∪ B) = P(A) + P(B).

— La propriété ”les événements A et B sont indépendants” implique :

P(A ∩ B) = P(A) × P(B).

L’incompatibilité suppose l’absence de l’intersection, par contre l’indépendance suppose la présence

de l’intersection.
Les deux concepts, incompatibles et indépendants, sont totalement différents :
— Le premier ”événements incompatibles” est une notion ensembliste.
— Le deuxième ”événements indépendants” est une notion probabiliste : deux événements peuvent
être indépendants pour une loi de probabilité et non pour une autre.

1.2.7 Indépendance mutuelle

Soit l’ensemble de {Ai , i = 1, 2, . . . , n ou i ∈ I} formés de Ai ∈ A, les Ai sont mutuellement
indépendants ou indépendants dans leur ensemble si
k
Y
∀ k ∈ N, Aj1 , Aj2 , . . . , Ajk avec j1 , j2 , . . . , jk ∈ I on a P(∩ki=1 Aji ) = P(Aji )
i=1

Remarque 1.2.3 Il ne faut pas confondre mutuellement indépendants et indépendants 2 à 2.

L’indépendance mutuelle implique évidemment l’indépendance deux à deux. Mais attention, si n ≥ 3,
la réciproque est fausse.

12
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Exemple 1.2.5 Pour montrer cette différence on considère, soit Ω = {ω 1 , ω 2 , ω 3 , ω 4 }, soit P(ω 1 ) =
1 1
P(ω 2 ) = P(ω 3 ) = P(ω 4 ) = , A = {ω 1 , ω 2 }, B = {ω 1 , ω 3 } et C = {ω 1 , ω 4 } : P(A ∩ B) = P(ω 1 ) = =
4 4
1 1 1
P(A)P(B) = · = , ce qui entraı̂ne A et B indépendants.
2 2 4
1 1 1 1
P(A ∩ C) = P(ω 1 ) = = P(A)P(C) = · = , ce qui entraı̂ne A et C indépendants
4 2 2 4
1 1 1 1
P(B ∩ C) = P(ω 1 ) = = P(B)P(C) = · = , ce qui entraı̂ne B et C indépendants.
4 2 2 4
1
A, B et C sont donc stochastiquement indépendants 2 à 2 mais P(A ∩ B ∩ C) = P(ω 1 ) = 6=
4
1 1 1 1
P(A) ∩ P(B) ∩ P(C) = · · = , A, B et C ne sont pas mutuellement indépendants, mais
2 2 2 8
l’indépendance mutuelle implique l’indépendance 2 à 2.

Proposition 1.2.1 Soient A et B deux événements. Si A et B sont indépendants, alors A et B

(respectivement A et B, A et B) sont indépendants.

Preuve. En effet :

P(A ∩ B) = P(A) − P(A ∩ B)

= P(A) − P(A)P(B)
= P(A) [1 − P(B)] = P(A)P(B)

et on a

P(A ∩ B) = P(A ∪ B) = 1 − P(A ∪ B)

= 1 − P(A) − P(B) + P(A ∩ B)
= P(A) − P(B)(1 − P(A))
= P(A) − P(B)(P(A))
= P(A)(1 − P(B)) = P(A)P(B).

Conséquences Si A et B sont indépendants alors A et B = B le sont.

Donc A et B sont indépendants si et seulement si A et B le sont.
En définitive, il y a équivalence entre les quatres relations :
A et B sont indépendants ;
A et B sont indépendants ;
A et B sont indépendants ;
A et B sont indépendants.

1.2.8 Événement impossible

Définition 1.2.3 Un événement A est dit stochastiquement impossible (négligeable) lorsque A 6= ∅ et
P(A) = 0 il n’y pas donc des chances de réalisations.

1.3 Principe des Probabilités Totales

Théorème 1.3.1 (Principe des Probabilités Totales) Soit (Ω, A, P) un espace probabilisé, soit (Bn )n∈I⊂N
une partition telle que P(Bn ) > 0 pour tout n ∈ I et soit A ∈ A.
on a :
X
P(A) = P(A|Bn )P(Bn ).
n∈I

13
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Preuve : on a :
P(A) = P(A ∩ Ω) = P(A ∩ (∪n∈I Bn )) = P(∪n∈I (A ∩ Bn ))
X
= P(A ∩ Bn )
n∈I
X
= P(A|Bn )P(Bn ).
n∈I

Remarque 1.3.1 Quand n = 2, on obtient en particulier :

P(A) = P(A|B)P(B) + P(A|B c )P(B c ).

1.4 Théorème de Bayes (Problème de Bayes)

Ce théorème permet de déterminer la probabilité pour qu’un événement qui est supposé déjà réalisé,
soit dû à une certaine cause plutôt qu’à une autre (d’où le nom du théorème des probabilités des
causes que lui a donné Bayes.
Theorem 1 (Théorème de Bayes) Soit (Ω, F, P) un espace probabilisé, soit (Bk )nk=1 une partition de
Ω telle que P(Bk ) > 0, pour tout k ∈ {1, . . . , n} :
P(A|Bk )P(Bk )
P(Bk |A) = Pn .
i=1 P(A|Bi )P(Bi )
Preuve. On a
n
X 
P(A|Bk )P(Bk ) = P(Bk |A)P(A) = P(Bk |A) P(A|Bi )P(Bi ) .
i=1

D’où le résultat.

Cas Particulier de la formule de Bayes :

Pour tout événement non vide B, B et B forment une partition de Ω. Dans ce cas, la formule de Bayes
se réduit à :
P(A|B)P(B)
P(B|A) = .
P(A|B)P(B) + P(A|B)P(B)
Exemple 1.4.1 Une enquête portant sur un plan d’urbanisme dans la séparation suivante des avis
des habitants d’une ville comprenant 4 arrondissement a donnée les résultats suivants
Arrondissement A1 A2 A3 A4
Population de l’arrondissement 15% 32% 23% 30%
Réponse favorable 12% 31% 72% 55%
Réponse défavorable 60% 45% 5% 31%
Ne se prononce pas 28% 24% 23% 14%.
Calculer la probabilité pour qu’une personne favorable provient de A3 .
Calculer la probabilité qu’une personne favorable provient de A4 .
Calculer la probabilité qu’une personne favorable provient de A1 .
Calculer la probabilité pour qu’une personne de A2 soit défavorable.
Réponse : Soit F : favorable, D = défavorable, N : sans opinion Ai = habitant de l’arrondissement
i
P(A3 )P(F/A3 )
P(A3 /F ) =
P(A1 )P(F/A1 ) + P(A2 )P(F/A2 ) + P(A3 )P(F/A3 ) + P(A4 )P(F/A4 )
..
.
P(Ai /F ) = · · ·
P(D/A2 ) = 0, 45.

14
Chapitre 2

Variables aléatoires discrètes

2.1 Notion de variables aléatoires discrètes

Soit (Ω, F, P) un espace de probabilité, tel que Ω soit au plus dénombrable et soit (E, E) un espace
mesurable.

Définition 2.1.1 On appelle variable aléatoire (en abrégé v.a.) à valeurs dans E toute application
mesurable X : Ω → E.

Si de plus l’ensemble X(Ω), ensemble des éléments de E qui sont images d’éléments de Ω et qui
représente l’ensemble des valeurs que X peut prendre, est un ensemble fini (ou infini dénombrable) la
v.a. est dite discrète.
On écrira alors : X(Ω) = {x1 , x2 , . . . , xn }.

Exemple 2.1.1
1. On jette simultanément 2 dés à jouer. A chaque observation, on associe le somme des 2 numéros
apparus. La v.a. “somme des 2 numéros” est à valeurs dans {2, 3, 4, . . . , 12}.
2. On jette 10 fois de suite une pièce de monnaie. A chaque observation on associe le nombre de
faces. La v.a. “nombre de faces” est à valeurs dans {0, 1, . . . , 10}.

On note PX la mesure image de P par X. C’est-à-dire que, pour tout A ∈ E

PX (A) = P({ω ∈ Ω : X(ω) ∈ A}) = P({X ∈ A}) = P(X ∈ A)

PX , qui est une mesure de probabilité sur E (car PX (E) = P(Ω) = 1) , est appelée la loi de la variable
aléatoire X ou encore sa distribution.
Lorsque (E, E) = (IR, B(IR)) (espace réel muni de la tribu borélienne), on dit que X est une v.a.
réelle.

2.2 Loi de probabilité discrète

Soit (xk )k∈K (K ensemble fini ou dénombrable) les valeurs prises par une v.a. discrète X. On
suppose que {xk } ∈ E, ∀k. Notons, pour tout k ∈ K, Ek l’événement “on observe une issue telle que
son image par X soit xk ”. Cet événement est formé de toutes les éventualités ω telles que X(ω) = xk .
De façon conventionnelle on écrira cet événement Ek sous la forme [X = xk ]
La probabilité de cet événement est : pk = P(Ek ) = PX ({xk }) = P[X = xk ].

Définition 2.2.1 L’ensemble des couples (xk , pk )k∈K détermine la loi de probabilité de la v.a. X.

On reviendra sur cette notion de variable aléatoire plus tard ; on se contentera pour l’instant
d’utiliser les notations et de déterminer les xk et les pk dans des situations particulières.

15
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

2.2.1 Fonction de répartition d’une loi de probabilité

Définition 2.2.2 On appelle fonction de répartition d’une variable aléatoire X (en abrégé f.r.),
fonction FX définie sur tout R par :

(∀ x ∈ R) FX (x) = P[X ≤ x]

Remarque 2.2.1 Toute loi de probabilité d’une v.a. réelle est entièrement déterminée par la donnée
de sa fonction de répartition.

Il est aisé de montrer que la fonction de répartition vérifie les conditions suivantes :
i) F (−∞) = 0 ; F (+∞) = 1
ii) F est une fonction non-décroissante
iii) F est une fonction continue à droite

2.2.2 Espérance mathématique d’une v.a. discrète

Définition 2.2.3 Soit X une v.a. discrète de loi (xi , pi )i∈I , on définira l’espérance mathématique de
X (on dit aussi la moyenne de X) par son mode de calcul, à savoir le nombre noté E[X] égal à
X
E[X] = pi .xi
i∈I

Remarque 2.2.2 Si le nombre de valeurs possibles de X est infini, l’espérance mathématique n’est
définie que si cette somme est finie et ne dépend pas de l’ordre dans lequel on additionne les termes
pi .xi ).

Proposition 2.2.1 (Espérance mathématique d’une fonction d’une v.a.) Soit f une fonction
réelle continue de R à valeurs dans R et soit Y = f [X].
On admettra que (dans le cas d’une v.a. X discrète) l’espérance mathématique de Y est
X
E[Y ] = f (xi )pi
i∈I

2.2.3 Moments - Variance - Écart-type

Définition 2.2.4
i) On appelle moment d’ordre k d’une v.a. X le nombre E(X k ).
ii) On appelle moment centré d’ordre k d’une v.a. X le nombre E(X − E[X])k .
iii) En particulier, on appelle variance le moment centré d’ordre 2 que l’on note V ar[X].
p
iv) On appelle écart-type de X le nombre σ X = V ar[X]

Exercice 2.2.1 Vérifier que :

1. Si V ar[X] = 0 alors la v.a. X est une v.a. “certaine” i.e. elle ne prend qu’une seule valeur.
2. V ar[X] = E[X 2 ] − (E[X])2 .
3. V ar[X + a] = V ar[X] pour tout réel a.

La variance et l’écart-type sont des indicateurs de dispersion des valeurs. Ce sont des nombres
toujours positifs ou nuls.

Remarque 2.2.3 Une v.a. X est centrée si E[X] = 0 ; réduite si V ar[X] = 1.

X − E[X]
En particulier, si σ X 6= 0, la v.a. T = est toujours une v.a. centrée–réduite.
σX

16
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

2.3 Principales lois discrètes sur R

2.3.1 Loi uniforme sur un ensemble fini
Définition 2.3.1 Soit K = {k1 , k2 , . . . , kn } un sous-ensemble fini de R à n éléments. On dit qu’une
1
v.a. X suit la loi uniforme sur K noté X ,→ UK si pour tout i ∈ {1, . . . , n} : P[X = ki ] = .
n
1+n n2 − 1
Proposition 2.3.1 Si X est une v.a. de loi uniforme sur K alors E[X] = et V ar[X] = .
2 12
Exemple 2.3.1 Une urne contient 50 boules numérotées de 1 à 50. Un joueur extrait une boule de
l’urne ; à chaque tirage le joueur gagne une somme (en DH) égale au numéro de la boule extraite.
Quelle est la probabilité que le joueur gagne une somme inférieure ou égale à 12 DH ?
Quelle est l’espérance mathématique de son gain ?

2.3.2 Loi de Bernoulli

Épreuve de Bernoulli
Lorsque une expérience aléatoire n’a que deux “issues” possibles souvent appelées “succès” et
“échec”, c’est-à-dire lorsque l’espace Ω peut se ramener à un ensemble à deux éléments {S, E}, cette
expérience est une épreuve de Bernoulli. On confondra alors chaque point avec le singleton corres-
pondant (S et {S}) et on parlera des événements “succès” et “échec”.
La probabilité est entièrement définie par la probabilité p de l’événement “succès” : p = P(S). La
probabilité d’un échec est alors q = 1 − p.
Notons que pour une telle expérience, on ne retient pas l’hypothèse de l’équiprobabilité (sauf si on
1
a p = ).
2
Définition 2.3.2 On dit qu’une variable aléatoire X suit la loi de bernoulli de paramètre p si X ne
prend que deux valuers 0 et 1 avec P[X = 1] = 1 − P[X = 0] = p. On note X ,→ Br(p).

Proposition 2.3.2 Si X est une v.a. de loi Bernoulli Br(p) alors E[X] = p et V ar[X] = p(1 − p).

Exemple 2.3.2
1. On jette un dé et on s’intéresse uniquement à l’apparition ou non d’un as. L’événement
1
S =“sortie d’un as” a une probabilité fixée à pour des raisons de symétrie du dé.
6
2. Une machine fabrique des ampoules électriques. Chaque ampoule fabriquée est, indépendamment
des autres, soit bonne (succès) soit défectueuse (échec). On accordera à l’événement S =“l’ampoule
est bonne” une probabilité p qui sera estimée à l’aide d’observations statistiques.

2.3.3 Loi géométrique

Définition 2.3.3 Soit p un nombre compris entre 0 et 1. On dit qu’une v.a. X suit la loi géométrique
G(p) de paramètre p si les valeurs qu’elle peut prendre sont toutes les valeurs entières positives (N∗ )
et si :
P[X = k] = (1 − p)k−1 p

C’est la loi du rang d’apparition du premier succès dans une suite d’épreuves indépendantes où, à
chaque épreuve, se réalise un échec (avec la probabilité (1 − p)) ou un succès (avec la probabilité p).
1 1−p
Proposition 2.3.3 Si X est une v.a. de loi géométrique G(p), E[X] = er V ar[X] = .
p p2
Exemple 2.3.3 On lance un dé jusqu’à obtenir pour la première fois un as. On note X la v.a. égale
1
au nombre de lancers nécessaires. X suit la loi géométrique de paramètre p = . Le nombre moyen
6
de lancers pour obtenir un as est donc de 6.

17
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

2.3.4 Loi hypergéométrique

Définition 2.3.4 Une v.a. X suit la loi hypergéométrique, notée H(N, n, p), si pour toutes les valeurs
de k comprises entre sup(0, n − N (1 − p)) et inf(n, N p) :
k C n−k
CN p N −N p
P[X = k] = n .
CN

Proposition 2.3.4 Si X est une v.a. de loi hypergéométrique H(N, n, p) alors

N −n
E[X] = np et V ar[X] = np(1 − p) .
N −1
Remarque 2.3.1 Cette loi se trouve naturellement lorsque l’expérience aléatoire consiste à extraire
sans remise n boules dans une urne à deux catégories respectivement en proportion p et 1 − p.

2.3.5 Loi binomiale

Définition 2.3.5 On dit q’une v.a. X suit la loi Binomiale de paramètres (n, p) notée B(n, p) si X
prend toutes les valeurs entières comprises entre 0 et n et si

P[X = k] = Cnk pk (1 − p)n−k .

Remarque 2.3.2 Considérons l’expérience aléatoire qui consiste à répéter n fois de suite la même
épreuve de Bernoulli, toujours dans les mêmes conditions et de façon que le résultat de l’une quelconque
de ces épreuves ne dépende en aucun cas des résultats aux autres épreuves. Une telle expérience
aléatoire est appelée schéma de Bernoulli.
Dans ce cas, l’espace Ω est de la forme {S, E}n et la probabilité d’un événement élémentaire comportant
k succès et n − k échecs est pk (1 − p)n−k (pour k compris entre 0 et n).
Si on appelle X la variable aléatoire égale au nombre de succès, la loi de probabilité de X est la loi
binomiale définie par : P[X = k] = Cnk pk (1 − p)n−k pour toutes valeurs de k comprises entre 0 et n.

Proposition 2.3.5 Si X est une v.a. de loi Binomiale B(n, p) alors E[X] = np et V ar[X] = np(1−p).

2.3.6 Loi de Poisson

Définition 2.3.6 On dit qu’une v.a. X suit une loi de Poisson 1 P(λ), de paramètre λ (λ réel stric-
tement positif ) si cette v.a. peut prendre toutes valeurs entières positives ou nulle et si :

λk
P[X = k] = e−λ
k!
Exemple 2.3.4 On admet que sous certaines hypothèses, les v.a. suivantes suivent la loi de Poisson :
- Le nombre d’oeufs pondus, au cours d’une ponte, par une certaine espèce animale. Selon les espèces,
λ pourra être égal, par exemple, à 2 ou 4.5 ou 10....
- Le nombre d’accidents déclarés par jour non férié à une compagnie d’assurance.
- Le nombre de décomposition par unité de temps dans un matériau radioactif.

Proposition 2.3.6 Si X est de loi de Poisson de paramètre λ alors : E[X] = V ar[X] = λ.

1. Poisson (1781-1840) mathématicien français, utilisa cette loi dans ses Mémoires sur la probabilité du tir à la cible

18
Chapitre 3

Variables aléatoires continues

3.1 Loi de probabilité continue

Les variables aléatoires rencontrées jusqu’à présent étaient des v.a. discrètes. Leurs fonctions
de répartition étaient des fonctions en escaliers : les valeurs observables étaient en nombre fini ou
dénombrable.
L’autre cas possible est celui des v.a. continues où tous les nombres d’un intervalle de R (ou de R
tout entier) sont observables. On caractérise ces v.a. par le fait qu’elles ont une fonction de répartition
continue sur l’intervalle [a, b] des valeurs observables.
Remarquons que si on connaı̂t la fonction de répartition F d’une v.a. X, c’est-à-dire pour tout x ∈ R,

FX (x) = P[X ≤ x]

on connaı̂t la probabilité de tout intervalle ]a, b] :

P(X ∈]a, b]) = P(a < X ≤ b) = FX (b) − FX (a)
Plus précisément, on donne la définition suivante :

Définition 3.1.1 On dit qu’une variable aléatoire X à valeurs réelles admet une densité f si sa
fonction de répartition peut s’écrire sous la forme :
Z x
FX (x) = fX (t) dt
−∞

où f est une fonction à valeurs réelles positives, ayant un nombre fini de points de discontinuité et
telle que : Z +∞
fX (t)dt = 1
−∞
On dira dans ce cas que la loi de probabilité de X est continue.

On se limite de plus aux fonctions de répartition F qui sont dérivables ; elles admettent donc une
dérivée que l’on appelle densité de probabilité.
Il est alors équivalent de connaı̂tre la fonction F ou sa dérivée f .

3.2 Exemples de lois

3.2.1 Loi uniforme continue U[a,b]
Définition 3.2.1 Une loi de probabilité continue est dite loi uniforme sur l’intervalle [a, b], a < b, et
est notée U[a,b] , si sa densité fX est, en tout point x de R, est donnée par :
1
fX (x) = 1 [x].
b − a [a,b]

19
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

1[a,b] [x] ou plus généralement 1A [x], désigne la fonction indicatrice de [a, b] (resp. A) telle que
1[a,b] [x] = 1 si x ∈ [a, b] (resp. 1A [x] = 1 si x ∈ A), et 0 ailleurs.

X −a
Remarque 3.2.1 En faisant la transformation X → , on est ramené à une loi uniforme sur
b−a
le segment [0, 1].

Définition 3.2.2 Soit X une variable aléatoire de loi uniforme continue U[a,b] . Sa fonction de répartition
FX est donnée par :

 0, si x < a;




 x−a
FX (x) = , si a ≤ x ≤ b;

 b−a




1, si x > b.

On montre facilement que

a+b (b − a)2 b−a

E[X] = , V ar[X] = et σ(X) = √ .
2 12 2 3

Exemple 3.2.1 Supposons que la concentration d’un certain polluant est distribuée uniformément sur
l’intervalle [6, 22] ppm. Si la concentration excède 16 ppm, on considére le polluant comme toxique.
1. Quelle est la probabilité de déclarer le polluant comme toxique ?
2. Calculer l’espérance et variance de X ?

3.2.2 Loi exponentielle

Définition 3.2.3 Une loi de probabilité continue est dite loi exponentielle de paramètre λ avec λ > 0,
et est notée ξ(λ), si sa densité fX est, en tout point x de R+ , est donnée par :

fX (x) = λe−λx 1R+ [x].

Définition 3.2.4 Soit X une variable aléatoire continue de loi exponentielle de paramètre λ. Sa
fonction de répartition FX est donnée par :

 0, si x < 0;
FX (x) =
1 − e−λx , si x ≥ 0.


On montre facilement en utilisant une intégration par parties que

1 1 1
E[X] = , V ar[X] = et σ(X) = .
λ λ2 λ
Exemple 3.2.2 Le temps d’attente exprimé en minutes au guichet d’une banque est une variable
aléatoire X suivant la loi exponentielle de paramètre λ. On sait que la probabilité qu’un client attende
moins de 8 minutes est égale à 0, 7.
1. Quelle est la valeur du paramètre λ ?
2. Calculer la probabilité qu’un client attende entre 15 et 20 minutes ?

Théorème 3.2.1 (Absence de mémoire) Soit X une variable aléatoire continue qui suit la loi expo-
nentielle de paramètre λ (X ∼ ξ(λ)). Alors, pour tout s, t > 0

P(X > s + t|X > t) = P(X > s).

20
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Remarque 3.2.2 Si on considére que X est la durée de vie ou de fonctionnement d’un objet, on dit
que X suit une loi de durée de vie sans vieillissement (ou est sans vieillissement) lorsque la probabilité
que l’objet fonctionne encore s années de plus sachant qu’il a déjà fonctionné pendant t années,
P(X > s + t|X > t), est la même pour tout t ≥ 0. C’est aussi la même probabilité P(X > s) qu’il
fonctionne s années après sa mise en service.

Exemple 3.2.3 La durée de fonctionnement d’un transistor suit une loi exponentielle de paramètre
λ et est en moyenne de 8 ans. Un tel transistor, utilisé à une fin particulière, fonctionne déjà depuis
2 ans.
1. Quelle est la probabilité que la durée de vie de ce transistor dépasse 5 ans sachant qu’il fonc-
tionne déjà depuis 2 ans ?

3.2.3 Loi de Laplace-Gauss

Loi de Laplace-Gauss N (m, σ)
Définition 3.2.5 Soient m un réel et σ un réél positif et non nul. On dit qu’une variable aléatoire
X suit la loi de Laplace-Gauss (on dit aussi la loi gaussienne ou normale) si elle admet pour densité
de probabilité :
1 (x−m)2
f (x) = √ e− 2σ2 .
σ 2π
On dit que X suit une loi N (m, σ).

La fonction de répartition de X est :

Z x (t−m)2
1
FX (x) = P(X ≤ x) = √ e− 2σ 2 dt.
σ 2π −∞

On admet que
Z +∞ (t−m)2
1
√ e− 2σ 2 dt = 1.
σ 2π −∞

Proposition 3.2.1 — Pour tout x > 0, on a f (m + x) = f (m − x). Donc la droite d’équation

x = m est un axe de symétrie pour la courbe.
— Pour tout x > 0, on a FX (m + x) = 1 − FX (m − x).

Théorème 3.2.2 Si X ∼ N (m, σ), alors E(X) = m et V ar(X) = σ 2 .

Somme de variables gaussiennes

Théorème 3.2.3 Si X1 et X2 sont deux variables aléatoires continues indépendantes qui suivent
respectivement les lois N (m1 , σ 1 ) et N (m2 , σ 2 ), alors X1 + X2 suit la loi N (m1 + m2 , σ 1 + σ 2 ).

Loi de Laplace-Gauss N (0, 1)

Définition 3.2.6 Une loi de probabilité continue est dite loi de Laplace-Gauss (ou loi normale)
centrée-réduite, et est notée N (0, 1), si sa densité f est, en tout point x de R, définie par :

1 x2
f [X] = √ e− 2
2π

Remarque 3.2.3 Par abus de langage, on dira qu’une variable aléatoire est normale centrée–réduite
si sa loi de probabilité est la loi N (0, 1).

21
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

La fonction de répartition de X est :

Z x
1 t2
FX (x) = P(X ≤ x) = √ e− 2 dt.
2π −∞

On admet que Z +∞
1 t2
√ e− 2 dt = 1.
2π −∞

Proposition 3.2.2 — Pour tout x > 0, on a f (x) = f (−x). Donc la droite d’équation x = 0 est
un axe de symétrie pour la courbe.
— Pour tout x > 0, on a FX (x) = 1 − FX (−x).
Preuve. Le premier point est clair. Concernant le deuxième, on a en effet
Z −x Z −x
FX (−x) = P(X ≤ −x) = f (t) dt = f (−t) dt,
−∞ −∞

car f est une fonction paire. Donc,

Z +∞
FX (−x) = f (t) dt.
x
En utilisant le changement de variable u = −t, on obtient
Z +∞ Z x
FX (−x) = f (t) dt − f (t) dt = 1 − FX (x).
−∞ −∞

Théorème 3.2.4 Soit X une variable aléatoire qui suit la loi normale N (m, σ). En effectuant le
changement de variable suivant
X −m
Y =
σ
on obtient une variable aléatoire qui suit la loi N (0, 1).
Ce changement de variable, permet de travailler avec la loi normale centrée réduite N (0, 1) dont la
table est fournie ci-dessous :

3.2.4 Loi du Khi–deux

On considère n variables aléatoires (X1 , X2 , . . . , Xn ) indépendantes suivant toutes la loi normales
N (0, 1).
n
X
Définition 3.2.7 La variable Un = Xi2 suit une loi de Khi–deux à n degrés de liberté, notée χ2 .
i=1

Proposition 3.2.3 1. La densité de la loi de Un est :

1 x n
fUn [X] = n
n

e− 2 x 2 −1 1R+ [X]
2 Γ
2
2
où Z +∞
Γ(p) = e−t tp−1 dt.
0
2. Moment d’ordre k est
n


kΓ +k
E(Unk ) =2 2
n

.
Γ 2
3. L’espérance est
E(Un ) = n
4. La variance est
V ar(Un ) = 2n.

22
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Figure 3.1 – Table des valeurs de la fonction de répartition de la loi normale N (0, 1)

23
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

3.2.5 Loi de Student

La loi de Student se définit à partir d’une loi N (0, 1) et d’une loi χ2 (n).

Définition 3.2.8 Soient X et Y deux v.a. indépendantes telles que X ' N (0; 1) et Y ' χ2 (n).
X
Posons Tn = q .
Y
n
Par définition, la v.a. Tn suit une loi de student à n degrés de liberté. On note cette loi Tn .
Sa densité de probabilité est donnée par :

Γ( n+1
2 ) x2 −( n+1 )
fTn (x) = √ n × (1 + ) 2
nπ Γ( 2 ) n

Proposition 3.2.4 1. Tn admet une densité paire, cette loi est donc symétrique.
2. E[Tn ] = 0 si n > 1.
n
3. V ar(Tn ) = si n > 2.
n−2
4. Pour n > 30, T (n) peut être approchée par N (0, 1).

3.2.6 Loi de Fisher-Snedecor

La loi de Fisher-Snedecor de paramètres m et n, notée F (m, n), est la loi du quotient normalisé
de deux variables aléatoires indépendantes qui suivent une loi du chi-deux à respectivement m et
n degrés de liberté. Plus précisément, pour deux variables alétaoires indépendantes Y et Z suivant
respectivement les lois χ2 (m) et χ2 (n) on a :
Y
m
Z
∼ F (m, n).
n

Cette loi est tabulée. Elle intervient dans de nombreux tests d’hypothèses, notamment l’analyse
de la variance (ou test ”ANOVA” de l’anglais ANalysis of VAriance) qui est un test statistique qui
permet de comparer globalement l’espérance mathématique de plusieurs échantillons.

Définition 3.2.9 On dit qu’une variable aléatoire X suit la loi de Fisher-Snedecor de paramètres m
et n si elle admet une densité qui vaut :
m
Γ( m+n
2 ) n m x 2 −1
fX (x) = n 2m 2
Γ( m n
2 )Γ( 2 ) (mx + n) 2
m+n

Proposition 3.2.5 Suivant les valeurs des paramètres m et n, X admet alors une espérance et une
variance qui sont :
n
1. E(X) = si n ≥ 3.
n−2
n
2 2(m + n − 2)

2. V ar(X) = si n ≥ 5.
n−2 m(n − 4)

24
Chapitre 4

Vecteurs Aléatoires

Un vecteur aléatoire réel de dimension N est un vecteur dont les composantes sont des v.a. réelles ;
il est décrit par une application mesurable X = (X1 , . . . , Xk ) définie sur un espace probabilisé (Ω, F, P)
à valeurs dans (IRN , B(IRN )). Pour tout événement B appartenant à la tribu B(IRN ), X −1 (B) ∈ F.

4.1 Fonction de répartition d’un vecteur aléatoire

Soit X = (X1 , · · · , XN ) un vecteur aléatoire réel.
La loi de probabilité PX dite loi conjointe de X est définie sur (IRN , B(IRN )) par :

∀B ∈ B(IRN ), PX (B) = P (X1 , · · · , XN ) ∈ B .

On appelle fonction de répartition de X, l’application :

FX : IRn −→ [0, 1]
(x1 , · · · , xN ) −→ FX (x1 , · · · , xN )

définie par :

∀(x1 , · · · , xN ) ∈ IRN , FX (x1 , · · · , xN ) = PX (] − ∞, x1 ] × · · · ×] − ∞, xN ])

= P (X1 6 x1 , · · · , XN 6 xN )
= P ((X1 6 x1 ) ∩ · · · ∩ (XN 6 xN )) .

Quelques propriétés usuelles :

• FX (x1 , · · · , xN ) −→ 1, quand toutes les variables xj −→ +∞, j = 1, . . . , N ;
• FX (x1 , · · · , xN ) −→ 0, si l’une au moins des variables xj −→ −∞, j = 1, . . . , N ;
• ∀j = 1, . . . , N , l’application xj −→ FX (x1 , · · · , xN ) est croissante.

4.2 Densité d’un vecteur aléatoire

On dit que la loi PX du vecteur aléatoire X est à densité (absolument continue par rapport à la
mesure de Lebesgue sur RN ) s’il existe une application

fX : (IRN , B(IRN )) −→ (IRN , B(IRN ))

(x1 , · · · , xN ) −→ fX (x1 , · · · , xN )

mesurable, positive appelée la densité de X telle que

PX ( dx1 · · · dxN ) = dPX (x1 · · · xN ) = fX (x1 , · · · , xN ) dx1 · · · dxN .

En particulier, pour tout borélien A ⊂ RN

Z Z Z Z
P(X ∈ A) = PX (A) = · · · dPX (x1 · · · xN ) = · · · fX (x1 , · · · , xN ) dx1 · · · dxN .
A A

25
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

On a la relation suivante qui lie la densité et la fonction de répartition :

Z Z
FX (x1 , · · · , xN ) = . . . fX (u1 , · · · , uN ) du1 · · · duN ,
]−∞,x1 ]×...×]−∞,xN ]

ou encore
∂ N FX (x1 , · · · , xN )
= fX (x1 , · · · , xN ) .
∂x1 · · · ∂xn
Z Z
Remarque 4.2.1 ··· fX (x1 , · · · , xN ) dx1 · · · dxN = P(X ∈ IRN ) = 1.
IRN

Exercice 4.2.1 Soit (X, Y ) un vecteur aléatoire de densité :

f(X,Y ) (x, y) = θ2 e−θ(x+y) 1R∗+ (x)1R∗+ (y)

où θ > 0 est une constante fixée.

1. Vérifier que f(X,Y ) est une densité.
2. Calculer la fonction de répartition F(X,Y ) du vecteur aléatoire (X, Y ).
3. Calculer P(2 ≤ X ≤ 5) et P(1 ≤ Y ≤ 3).

4.3 Marginales
Soit X = (X1 , X2 , . . . , XN ) un vecteur aléatoire de loi PX et de densité de probabilité fX .
Définition 4.3.1 La v.a. Xj , j-ème compsante de X, s’appelle j-ème marginale de X et la loi PXj
s’appelle loi marginale de Xj (ou bien loi de la j-ème marginale).
Si on connait PX on sait trouver les lois PXj .
En effet ∀B ∈ B(R)

P (Xj ∈ B) = P [(X1 ∈ R) ∩ . . . ∩ (Xj ∈ B) ∩ . . . ∩ (Xn ∈ R)]

Z Z
= ··· fX (x1 , . . . , xj , . . . , xn ) dx1 . . . dx2 . . . dxn
R×...×B×...×R

par le théorème de Fubini

Z Z
P (Xj ∈ B) = dxj fX (x1 , . . . , xj , . . . , xn ) dx1 . . . dxn
B Rn−1 | {z }
sauf dxj

L’égalité ayant lieu pour tout B, on obtient :

Z Z
fXj (xj ) = · · · fX (x1 , . . . , xj , . . . , xn ) dx1 . . . dxn .
Rn−1 | {z }
sauf dxj

La loi marginale de Xj est aussi donnée par sa fonction de répartition

FXj (xj ) = F(X1 ,··· ,XN ) (+∞, · · · , +∞, xj , +∞, · · · , +∞) .

Remarque 4.3.1 Attention. Réciproquement, sauf dans le cas des composantes indépendantes, la
connaissance des PXj n’implique pas celle de PX .
Maintenant on va faire l’extension au cas d’un sous vecteur (Xi1 , Xi1 , . . . , Xik ) extrait de X, avec
k < N.
On appelle loi marginale la loi de tout sous-vecteur (Xi1 , Xi1 , . . . , Xik ) extrait de X.

26
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Proposition 4.3.1 Soit 1 ≤ k < N . Alors la fonction de répartition de (X1 , · · · , Xk ) est

F(X1 ,··· ,Xk ) (x1 , · · · , xk ) = lim F(X1 ,··· ,XN ) (x1 , · · · , xN )

xk+1 →+∞,··· ,xN →+∞

On écrit aussi
F(X1 ,...,Xk ) (x1 , · · · , xk ) = F(X1 ,...,XN ) (x1 , · · · , xk , +∞, · · · , +∞)
   
k (n) (n)
Preuve. Fixons (x1 , · · · xk ) ∈ R . Soient xk+1 , · · · , xN des suites croissantes tendant
n>1 n>1
toutes vers l’infini. La suite d’événements (indexée par n )
n o
(n) (n)
X1 6 x1 , · · · , Xk 6 xk , Xk+1 6 xk+1 , · · · XN 6 xN

croit vers {X1 6 x1 , · · · , Xk 6 xk } . Donc

 
(n) (n)
P (X1 6 x1 , · · · , Xk 6 xk ) = lim P X1 6 x1 , · · · , Xk 6 xk , Xk+1 6 xk+1 , · · · XN 6 xN
n→∞

ou encore,  
(n) (n)
F(X1 ,··· ,Xk ) (x1 , · · · , xk ) = lim F(X1 ,··· ,XN ) x1 , · · · , xk , xk+1 , · · · , xN
n→∞

Ceci prouve le théorème.

Proposition 4.3.2 Le vecteur aléatoire (X1 , · · · , Xk ) admet la densité

Z Z
f(X1 ,··· ,Xk ) (x1 , · · · , xk ) = · · · f(X1 ,··· ,XN ) (x1 , · · · , xN ) dxk+1 · · · dxN
RN −k

Preuve. D’après la proposition précédente, on a

Z x1 Z xk Z Z 
F(X1 ,··· ,Xk ) (x1 , · · · , xk ) = du1 · · · duk · · · f(X1 ,··· ,XN ) (u1 , · · · , uN ) duk+1 · · · duN
−∞ −∞ R R

Donc (X1 , · · · , Xk ) a une loi qui est absolument continue par rapport à la mesure de Lebesgue sur Rk ,
de densité
Z Z
f(X1 ,··· ,Xk ) (x1 , · · · , xk ) = · · · f(X1 ,··· ,XN ) (x1 , · · · , xk , uk+1 , · · · , uN ) duk+1 · · · duN . ?
R R

Exemple 4.3.1 Soit (X, Y ) un vecteur aléatoire de densité

f(X,Y ) (x, y) = θ2 e−θ(x+y) 1R∗+ ×R∗+ (x, y)

Par la Proposition 4.3.2, on obtient la densité de X

Z
fX (x) = f(X,Y ) (x, y)dy
R
Z +∞
= θ2 e−θ(x+y) 1R∗+ (x)dy
0
Z ∞
2 −θx ∗
= θ e 1R+ (x) e−θy dy
0
= θe−θx 1R∗+ (x).

Donc X suit la loi exponentielle de paramètre θ. De même, on peut vérifier que Y suit également la
loi exponentielle de paramètre θ.

27
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

4.3.1 Vecteurs discrets

Soit (X1 , · · · , XN ) un vecteur aléatoire discret à valeurs dans un ensemble au plus dénombrable
E = E1 × · · · × EN inclus dans IRN .

Théorème 4.3.1 La loi PXi de Xi , dite loi marginale de Xi est définie par :
X X X X
PXi (xi ) = P (Xi = xi ) = ... ... PX (x1 , x2 , . . . , xk ) .
x1 ∈E1 xi−1 ∈Ei−1 xi+1 ∈Ei+1 xk ∈Ek

Preuve. On a

P (Xi = xi ) = P (X1 ∈ E1 , . . . , Xi = xi , . . . , Xk ∈ Ek )
X X X X
= ... ... PX (x1 , x2 , . . . , xk ) .
x1 ∈E1 xi−1 ∈Ei−1 xi+1 ∈Ei+1 xk ∈Ek

Pour le cas général on a :

Proposition 4.3.3 Si (X1 , · · · , XN ) est un vecteur aléatoire discret à valeurs dans E = E1 ×· · ·×EN .
Alors pour tout k < N ,
X
P (X1 = x1 , · · · , Xk = xk ) = P (X1 = x1 , · · · , XN = xN ) .
(xk+1 ,··· ,xN )∈Ek+1 ×···×EN

4.4 Indépendance des composantes d’un vecteur aléatoire

Les v.a. X1 , X2 , . . . , XN sont mutuellement indépendantes, si pour tout N-uplet de boréliens
(B1 , B2 , . . . , BN ) de IRN :

N
!
\
P(X1 ∈ B1 , X2 ∈ B2 , . . . , XN ∈ BN ) = P (Xi ∈ Bi ) = P(X1 ∈ B1 )P(X2 ∈ B2 ) . . . P(XN ∈ BN ),
i=1

encore équivalent à :

N
Y
∀Bi ∈ B(IR), P(X ∈ B1 × · · · × BN ) = P(Xi ∈ Bi ).
i=1

C’est-à-dire en introduisant les lois de probabilités

N
Y
∀Bi ∈ B(IR), PX (B1 × · · · × BN ) = PXi (Bi ).
i=1

Cette dernière égalité est la définition de la loi de probabilité PX , définie sur B(IRN ) = B(IR) × · · · ×
B(IR), est le produit (tensoriel) des lois de probabilités marginales PXi définies sur B(IR).
Ce qu’on écrit
PX = PXi ⊗ · · · ⊗ PXN .
On dit aussi que la loi PX sur B(IRN ) est la loi produit PXi ⊗ · · · ⊗ PXN .
Interprétation : les événements décrits par les v.a. (Xi )i=1,...,N sont indépendants entre eux ;
autrement dit, la réalisation d’un sous-ensemble quelconque d’entre eux, n’a aucune influence sur la
réalisation des autres.

Remarque 4.4.1 Soit X1 , · · · , Xk une famille de variables aléatoires. Si cette famille est indépendante
les variables aléatoires sont indépendantes deux à deux, mais la réciproque est fausse.

28
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Remarque 4.4.2 Si X1 , · · · , Xn sont toutes des v.a. réelles discrètes, à valeurs dans E1 , · · · , En
respectivement, alors leur indépendance équivaut à :

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

pour tout (x1 , · · · , xn ) ∈ E1 × · · · × En .

Théorème 4.4.1 Les v.a. réelles X1 , · · · , Xn sont indépendantes si et seulement si

F(X1 ,...,XN ) (x1 , · · · , xN ) = FX1 (x1 ) · · · FXN (xN ) , ∀ (x1 , · · · , xN ) ∈ RN .

Théorème 4.4.2 Soit (X1 , · · · , Xn ) un vecteur aléatoire admettant la densité de probabilité fx et les
composantes X1 , · · · , XN admettant les densité fX1 , · · · , fXN . Pour que la famille X1 , · · · , Xn soit une
famille indépendante, il faut et il suffit que
N
Y
fX (x1 , · · · , xN ) = fXi (xi ) .
i=1

Preuve. Si (X1 , . . . , Xn ) est une famille indépendante :

 
n
\ Yn n
Y
FX (x1 , . . . , xn ) = P  (Xj ≤ xj ) = P (Xj ≤ xj ) = FXj (xj )
j=1 j=1 j=1

en dérivant les deux membres extrêmes :

n n
∂ n FX (x1 , . . . , xn ) Y ∂FXj (xj ) Y
fX (x1 , . . . , xn ) = = = fXj (xj )
∂xn . . . ∂x1 ∂xj
j=1 j=1

n
Y
Réciproquement si fX (x1 , . . . , xn ) = fXj (xj ).
j=1
Soit Bj ∈ B(R) pour j = 1 à n
   
\n n
Y
P (Xj ∈ Bj ) = P X ∈ Bj 
j=1 j=1
Z
= Qn fX (x1 , . . . , xn ) dx1 . . . dxn
j=1 Bj
Z n
Y
= Qn fXj (xj ) dxj
j=1 Bj j=1
n Z
Y
= fXj (xj ) dxj
j=1 Bj
Yn
= P (Xj ∈ Bj ) .
j=1

n
Y
Remarque 4.4.3 L’égalité fX (x1 , . . . , xn ) = fXj (xj ) est la définition de la fonction de n va-
j=1
riables fX est le produit tensoriel des fonctions d’une variable fXj . On écrit symboliquement

fX = fX1 ⊗ . . . ⊗ fXn .

29
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Exemple 4.4.1 − Soit le couple aléatoire X = (X1 , X2 ) de densité :

 2
x + x22

1
exp − 1
 22π 2  2  2  2
1 x1 + x2 1 x 1 x
Comme exp − = √ exp − √ − 2
2π 2 2π 2 2π 2
 2  2
1 x1 1 x
et comme √ exp − et √ exp − 2 sont les densités de X1 et de X2 ces deux composantes
2π 2 2π 2
X1 et X2 sont indépendantes.

4.5 Moments
Soit X = (X1 , . . . , XN ) un vecteur aléatoire de loi PX , et soit une fonction g : RN → R telle que
Z Z
E(|g(X)|) = E(|g (X1 , . . . , XN )|) = ... |g (x1 , . . . , xN )| PX ( dx1 · · · dxN )
RN
Z Z
= ... |g (x1 , . . . , xN )| fX (x1 , . . . , xN ) dx1 . . . dxN < ∞,
RN

alors la v.a. réelle g (X1 , · · · , XN ) admet un moment d’ordre 1, avec

Z Z
E (g (X1 , · · · , XN )) = · · · g (x1 , · · · , xN ) fX (x1 , · · · , xN ) dx1 · · · dxN .
RN

Exemple 4.5.1 Soient le vecteur X = (X1 , X2 ) de loi P(X1 ,X2 ) , et g définie par : g(u, v) = u + v.
Alors ZZ
E (X1 + X2 ) = (x1 + x2 ) P(X1 ,X2 ) (dx1 dx2 )
R2
ZZ ZZ
= x1 P(X1 ,X2 ) (dx1 dx2 ) + x2 P(X1 ,X2 ) (dx1 dx2 )
2 R2
Z R Z
= x1 PX1 dx1 + x2 PX2 dx2
R R
= E (X1 ) + E (X2 ) .

Définition 4.5.1 Soit X = (X1 , . . . , XN ) un vecteur aléatoire. Si X1 , . . . , XN admettent toutes un

moment d’ordre 1. Alors, l’espérance de X est définie par le vecteur :

E(X) = (E(X1 ), . . . , E(XN )).

Théorème 4.5.1 (Caractérisation de l’indépendance des composantes d’un vecteur aléatoire.) X1 , X2 , . . . , Xk

sont indépendantes si et seulement si pour tout k -uplet (ϕ1 , . . . , ϕk ) de fonctions mesurables bornées
de R dans R :
E (ϕ1 (X1 ) . . . ϕk (Xk )) = E (ϕ1 (X1 )) . . . E (ϕk (Xk )) .

Propriété 4.5.1 (Linéarité de l’espérance mathématique)

(a) Si X et Y sont des vecteurs aléatoires de même dimension :

E(X + Y ) = E(X) + E(Y ).

(b) ∀a ∈ R, E(aX) = aE(X).

Définition 4.5.2 À tout couple de v.a. (X, Y ) admettant des moments d’ordre 2, on associe la cova-
riance de ses composantes définie par :

Cov(X, Y ) = E((X − EX)(Y − EY )) = E(XY ) − E(X)E(Y ).

30
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Propriété 4.5.2 Étant donné un couple de v.a. (X, Y ) admettant des moments d’ordre deux, on a :
(a) Cov(X, X) = V(X).
(b) Cov(X, Y ) = Cov(Y, X).
(c) Pour tous réels a, b, c, et d, Cov(aX + b, cY + d) = ac Cov(X, Y ).
(d) V (X + Y ) = V (X) + V (Y ) + 2 Cov(X, Y ).
(e) si X, Y sont indépendantes : Cov(X, Y ) = 0 et V (X + Y ) = V (X) + V (Y ). La réciproque est
en général fausse.

Définition 4.5.3 Si X et Y admettent des moments d’ordre 2 telles que Var(X) Var(Y ) > 0 alors

Cov(X, Y ) E(XY ) − E(X)E(Y )

ρ(X, Y ) := p p =
Var(X) Var(Y ) σX σY

est appelé le coefficient de corrélation entre X et Y . Il est compris entre -1 et 1, i.e. ρ(X, Y ) ∈ [−1, 1].

Preuve. Rappelons tout d’abord l’inégalité de Cauchy-Schwarz. Si X et Y sont des v.a. réelles ad-
mettant des moments d’ordre 2, alors :
p p
E(|XY |) ≤ E(X 2 ) E(Y 2 ).

On a
| Cov(X, Y )| 6 |E((X − EX)(Y − EY ))|
6 E(|(X − EX)(Y − EY )|)
p p p p
6 E ((X − EX)2 ) E ((Y − EY )2 ) = Var(X) Var(Y ).

Par conséquent, on déduit

|ρ(X, Y )| ≤ 1.

D’où le résultat.

Remarque 4.5.1 1. ρ(X, Y ) = ±1 ⇐⇒ Il existe une relation affine entre X et Y . X et Y sont

dites colinéaires.
2. ρ(X, Y ) = 0 ⇐⇒ Aucune relation affine entre X et Y . X et Y sont dites décorrélées.

Définition 4.5.4 Soit X = (X1 , · · · , XN ) un vecteur aléatoire tel que chaque composante admet un
moment d’ordre 2. On appelle
 
Var (X1 ) Cov (X1 , X2 ) ··· Cov (X1 , XN )
 Cov (X2 , X1 ) Var (X2 ) ··· Cov (X1 , XN ) 
ΓX = 
 
.. .. .. .. 
 . . . . 
Cov (XN , X1 ) Cov (XN , X2 ) · · · Var (XN )

matrice de variances-covariances de X. Il s’agit de la matrice symétrique ΓX = (σ ij )16i,j6N avec

σ ij = Cov (Xi , Xj ).

Propriété 4.5.3 La matrice Σ est positive au sens que pour tout a = (a1 , · · · , aN ) ∈ RN ,
X
aΓX at = σ ij ai aj > 0.
16i,j6N

31
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Preuve. On a
X X
aΓX at = σ ij ai aj = ai aj E ((Xi − EXi ) (Xj − EXj ))
16i,j6N 16i,j6N
 
X
= E ai (Xi − EXi ) aj (Xj − EXj )
16i,j6N
 
 X  X 
= E ai (Xi − EXi ) aj (Xj − EXj ) 
16i6N 16j6N

N
!2 
X
= E ai (Xi − EXi )  > 0.
i=1

Définition 4.5.5 Les composantes Xi et Xj sont dites décorrélées si :

σ ij = Cov(Xi , Xj ) = 0.
Le résultat suivant est une généralisation de la Propriété 4.5.2 c) et d) au cas de plusieurs variables
aléatoires.

Proposition 4.5.1 (i) Si X1 , · · · , XN sont des v.a. réelles admettant toutes un moment d’ordre
2, alors
N
X X
Var (X1 + · · · + XN ) = Var (Xi ) + 2 Cov (Xi , Xj ) .
i=1 16i<j6N

(ii) Si X1 , · · · , XN , Y1 , · · · , YM sont des v.a. réelles admettant toutes un moment d’ordre 2 , alors
pour tous réels a1 , · · · aN , b1 , · · · , bM
 
XN M
X N X
X M
Cov  ai Xi , bj Yj =
 ai bj Cov (Xi , Yj ) .
i=1 j=1 i=1 j=1

4.6 Changement de variables

Soit X un vecteur aléatoire à valeurs dans un ouvert ∆ ⊂ RN (souvent : ∆ = RN ) qui admet
comme densité fX = fX 1∆ . Soit
h:∆→D
N 1


(avec D ⊂ R un C -difféomorphisme de ∆ dans D, c’est-à-dire que h est une application de ∆
dans D qui est bijective et continument différentiable, et dont l’application réciproque h−1 (de D dans
∆ ) est aussi continument différentiable.
Alors le vecteur aléatoire Y = h(X) a pour densité
fX (x)
fY (y) = 1D (y), y = h(x)
|(Dh)(x)|
fX h−1 (y)


= 1D (y),
|(Dh) (h−1 (y))|
où (Dh)(x) est le jacobien de h en x : soit h = (h1 , · · · , hN )
∂h1 (x1 , · · · , xN ) ∂h1 (x1 , · · · , xN )
 
···
 ∂x1 ∂xN 
(Dh)(x) = det 
 .. .. .. 
.
 . . . 
 ∂h (x , · · · , x ) ∂hN (x1 , · · · , xN ) 
N 1 N
···
∂x1 ∂xN

32
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Exemple 4.6.1 Soit (X, Y ) un vecteur aléatoire de densité

f(X,Y ) (x, y) = θ2 e−θ(x+y) 1R∗+ ×R∗+ (x, y).

Soient les v.a. U = X + Y et V = X − Y .

Quelle est la loi du vecteur aléatoire (U, V )?

L’application h(x, y) = (x + y,x − y) est unC 1 -difféomorphisme de R∗+ × R∗+ dans D = {(u, v) :
u+v u−v
u > 0, |v| < u}, avec h−1 (u, v) = , . Le jacobien est
2 2
 
1 1
(Dh)(x) = det = −2.
1 −1

Donc (U, V ) a pour densité

1 1
f(U,V ) (u, v) = θ2 e−θ(x+y) 1R∗+ ×R∗+ (x, y) = θ2 e−θu 1D (u, v).
2 2
Exercice 4.6.1 Soit (X, Y ) un vexteur aléatoire gaussien (X et Y sont indépendants) dont la fonction
de densité est donnée par :
1 − x2 +y2 2
fX,Y (x, y) = e 2σ .
2πσ 2
 
p
2 2
Y
Posons V = X + Y et W = arctan .
X
— Déterminer la fonction densité conjointe du vecteur aléatoire (V, W ).
— Déduire les fonctions densité marginales de V et W .
— Les variables aléatoires V et W sont elles indépendantes ?

4.7 Fonction Caractéristique

Définition 4.7.1 L’application ϕX : RN → C donnée par
  Z
iht,Xi
ϕX (t) = E e = eiht,xi PX ( dx)
RN

s’appelle la fonction caractéristique de X.

La fonction caractéristique satisfait les propriétés suivantes :

• ϕX (0) = 1.
• La fonction caractéristique
 prend ses valeurs
 dans le disque unité, c’est-àdire |ϕX (t)| ≤ 1 pour
N iht,Xi iht,Xi
tout t ∈ R . En effet, |E e | ≤ E |e | = 1.
• ϕλX+a (t) = eiha,ti ϕX (λt), pour tout λ ∈ R et tout a ∈ RN .
En effet
 
ϕλX+a (t) = E eiht,λX+ai
 
= E eiht,ai eiht,λXi
 
= eiht,ai E eihλt,Xi
= eiha,ti ϕX (λt).
Z
• si PX admet la densité fX (par rapport à la mesure de Lebesgue), alors ϕX (t) = eiht,xi fX (x)dx.
RN

Théorème 4.7.1 Deux variables aléatoires X et Y ont même loi si et seulement si ϕX = ϕY .

33
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Théorème 4.7.2 Si ϕX est intégrable par rapport à la mesure de Lebesgue sur RN , alors X admet
la densité Z
1
fX (x) = e−iht,xi ϕX (t)dt, x ∈ RN .
(2π)N RN
En plus fX est bornée sur RN .

Théorème 4.7.3 Les v.a. réelles X1 , · · · , Xn sont indépendantes si et seulement si

n
Y
ϕX (t) = ϕXk (tk ) , ∀t = (t1 , · · · , tn ) ∈ Rn
k=1

où X := (X1 , · · · , Xn )

Remarque 4.7.1 Si X1 , · · · , Xn sont des vecteurs aléatoires (de dimension N > 1 ) indépendantes,
alors
ϕX1 +···+Xn (t) = ϕX1 (t) × · · · × ϕXn (t), t ∈ RN .

Exemple 4.7.1 Si X a pour loi N µ, σ 2 et Y a pour loi N ν, τ 2 , avec X et Y indépendantes,

alors
σ 2 t2 τ 2 t2
   
ϕX+Y (t) = ϕX (t)ϕY (t) = exp itµ − × exp itν −
2 2
!
σ 2 + τ 2 t2


= exp it(µ + ν) −
2

Donc X + Y a pour loi N µ + ν, σ 2 + τ 2 .

La fonction caractéristique d’une v.a. réelle X permet de calculer très facilement les moments de X.

Proposition 4.7.1 Supposons que la v.a. réelle X admet un moment d’ordre n > 1. Alors ϕX est de
classe C n et
(n)
ϕX (t) = in E X n eitX , t ∈ R

En particulier,
(n)
n ϕ (0)
E (X ) = X n .
i

34
Chapitre 5

Vecteurs aléatoires gaussiens

5.1 Définition et propriétés

On rappelle que laloi gaussienne de moyenne µ ∈ R et de variance σ 2 > 0 a pour densité
2 σ2 2
 
1 (x − µ)
√ exp − , x ∈ R. Sa fonction caractéristique vaut exp iµt − t , t ∈ R Il est com-
σ 2π 2σ 2 2
mode de convenir qu’une masse de Dirac δ µ est la loi gaussienne de moyenne µ et de variance nulle.

 
X1
Définition 5.1.1 Soit X =  ...  un vecteur aléatoire à valeurs dans RN . On dit que X est un
 

XN
N
X
vecteur gaussien si toute combinaison linéaire de ses coordonnées, c-à-d λj Xj = λ1 X1 +· · ·+λN XN
j=1
 
λ1
pour λ =  ...  ∈ RN , suit une loi gaussienne.
 

λN
 
X1
Remarque 5.1.1 Si X =  ...  est un vecteur gaussien, alors chaque coordonnée est une gaus-
 

XN
sienne réelle. La réciproque est fausse.

Proposition 5.1.1 Si X1 , · · · , XN sont des v.a. gaussiennes (réelles) indépendantes, alors (X1 , · · · , XN )
est un vecteur gaussien.
 
N λ1
λj Xj = λ1 X1 + · · · + λN XN pour λ =  ...  ∈ RN suit une loi gaussienne.
X
On doit montrer que
 
j=1 λN
Puisque la somme de v.a. gaussiennes indépendantes est gaussienne. Alors, on a :

N
Y
ϕPN λj Xj (t) = ϕXi (t) = t ∈ RN .
j=1
i=1

 
X1
Remarque 5.1.2 Si X =  ...  est un vecteur gaussien, A est une matrice M × N déterministe,
 

XN
M
et B ∈ R , alors AX + B est un vecteur gaussien, car les combinaisons linéaires des composantes de
AX + B sont des combinaisons linéaires (plus des constantes) de X1 , · · · , XN .

35
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

Proposition 5.1.2 La fonction caractéristique d’un vecteur gaussien X est donnée par
 
N
X 1 X
ϕX (t) = exp i µj t j − Djk tj tk  , t ∈ RN
2
j=1 16j,k6N

où D = (Djk )N ×N est la matrice de covariances de X. En conséquence, la loi d’un vecteur gaussien est
complètement
  déterminée par sa moyenne et sa matrice de covariances. On notera N (µ, D), où µ :=
µ1
 .. 
 . .
µN
 
t1 N
Preuve. Soit t =  ...  ∈ RN , et soit Y :=
X
tj Xj . On a
 

tN j=1

ϕX (t) = E eiY = ϕY (1)

N
X X
Or, Y est une v.a. gaussienne réelle, E(Y ) = tj µj et Var(Y ) = tj tk Djk ce qui nous donne
j=1 16j,k6N
 
N
X 1 X
ϕX (t) = exp i tj µj − tj tk Djk  .
2
j=1 16j,k6N

Proposition
X 5.1.3 Soit µ ∈ RN , et soit D une matrice N × N symétrique positive (c’est-àdire que
λj λk Djk > 0 pour tout λ ∈ RN . Alors, il existe un vecteur gaussien N -dimensionnel de

16j,k6N
moyenne µ et de matrice de covariances D.
Preuve. On sait construire N variables gaussiennes centrées réduites indépendantes, N1 , · · · , NN .
On note dans la preuve    
µ1 N1
µ =  ...  , N =  ... 
   

µN NN
Toute matrice symétrique positive admettant une racine carrée, on peut trouver une matrice symétrique
C = (Cjk )N ×N telle que C 2 = D. Posons
X = CN + µ.
D’après Propriété 5.1.1 et Remarque 5.1.2 X est un vecteur gaussien, de moyenne µ. Pour déterminer
sa matrice de covariances, remarquons que



Cov (Xj , Xk ) = E Xj − µj (Xk − µk )
" N ! N !#
X X
=E Cj` N` Ckm Nm
`=1 m=1
X
= Cj` Ckm E (N` Nm )
16`,m6N

N
X
Or, E (N` Nm ) vaut 1 si ` = m et vaut 0 sinon, ce qui implique que Cov (Xj , Xk ) = Cj` Ck` =
`=1
CC t jk , où C t est le transposé de C. Donc la matrice de covariances de

X est CC t
Comme C est symétrique, CC t = C 2 = D, on a montré que X est bien un vecteur gaussien de moyenne
µ et de matrice de covariances D.

36
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

N
Proposition 5.1.4 (Densité gaussienne). Soit µ un vecteur
  quelconque de R et D une matrice
−1
N × N symétrique positive. Si det(D) 6= 0, et si D−1 = Djk désigne la matrice inverse de D,
N ×N
alors la loi gaussienne N -dimensionnelle N (µ, D) est absolument continue par rapport à la mesure
de Lebesgue sur RN , et a pour densité
 
1 1 X
−1


p exp − Djk xj − µj (xk − µk ) .
(2π)N/2 det(D) 2
16j,k6N

Preuve. Soit X = CN + µ comme dans la construction précédente. On connaı̂t la densité

de N , car N1 , · · · , NN sont des v.a. gaussiennes indépendantes. On obtient alors la densité de X en
effectuant un changement de variables.

Théorème 5.1.1 Soit (X1 , · · · , XN ) un vecteur gaussien. Pour que les variables aléatoires X1 , · · · , XN
soient indépendantes, il faut et il suffit que la matrice de covariances de X soit diagonale.

Preuve. La condition est trivialement nécessaire. Pour la réciproque, on utilise de nouveau la construc-
tion X = CN + µ. Si D (la matrice de covariances de X ) est diagonale, alors C est aussi diagonale
: C = diag (C11 , · · · , CN N ) . On a alors Xj = Cjj Nj + µj pour 1 6 j 6 N . Comme N1 , · · · , NN sont
des v.a. (gaussiennes) indépendantes, on déduit l’indépendance entre les v.a. X1 , · · · , XN

5.2 Théorème central limite multi-dimensionnel

 
Soit X = X (1) , · · · , X (N ) une v.a. à valeurs dans RN . On suppose que E kXk2 < ∞. Soit

µ le vecteur-espérance de X, et soit D sa matrice de covariances. On sait que D est une matrice

symétrique positive. En conséquence, il existe une unique loi sur RN qui soit gaussienne de moyenne
nulle et de matrice de covariances D; on la notera N (0, D). On sait d’après le théorème central limite
(j)
uni-dimensionnel que pour chaque coordonnée j, si on se donne une suite de v.a. X1 , · · · , Xn(j) , · · ·
indépendantes et de même loi que X (j) , alors
(j) (j)
X1 + · · · + Xn − nµj
√ converge en loi quand n → ∞ vers N (0, Djj ) .
n

En revanche, le théorème central limite uni-dimensionnel ne permet pas de conclure quant à la conver-
gence des vecteurs aléatoires (convergence conjointe des coordonnées). Ce point fait l’objet la version
multi-dimensionnelle du théorème central limite :

Théorème 5.2.1 Soient X1 , · · · , Xn , des vecteurs aléatoires indépendants, ayant tous la même loi
que X. Alors
X1 + · · · + Xn − nµ
√
n
converge en loi quand n → ∞ vers N (0, D).

37
Pr. Imade Fakhouri: Processus Stochastiques ENSA Agadir 2022-2023

38
Bibliographie

[1] V. Angelova : Eléménts de la Théorie des Probabilités : Manuel des Travaux Dirigés, IICT BAS
Lecture Notes in Computer Science and Technologies, 2016.
[2] J.-Y. Baudot : http ://[Link]/[Link]
[3] C. Boulonne et al. : https ://[Link]/probabilites-statisitques/
[4] B. Jourdain : Probabilités et Statistiques, Ellipses, 2009.
[5] J.-P. Lecoutre : Statistiques et Probabilités : Manuel et Exercices Corrigés, Dunod, 2006.
[6] L. Lubrano et al. : Mathématiques, BTS Industriels-Groupement B et C, Dunod, 2011.
[7] I. Ouassou, Cours de Probabilités, Ecole Nationale des Sciences Appliquées de Marrakech, Uni-
versité Cadi Ayyad.
[8] S.-M. Ross : Initiation aux probabilités, Presses Polytechniques et Universitaires Romandes, 1987.
[9] Z. Shi : Probabilités de base, Notes de cours, 2010.
[10] C. Suquet : Intégration et Probabilités Elémentaires, 2009-2010. URL : http ://math. univ-
[Link]/ ipeis/
[11] C. Suquet : Initiation à la Statistique, 2010. http ://[Link]/ suquet/Polys/[Link].
[12] P. Taquet et al. : Mathématiques, BTS Groupement A, Hachette Technique, 2010.

39