Ecole Supérieure des Sciences de Gestion d’Annaba

Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

PROGRAMME PROBABILITES 3

Semestre 4

Chapitre 5 : Introduction à la théorie des variables aléatoires réelles discrètes à 2 dimensions

Chapitre 6 : Introduction à l’étude des lois de probabilité des variables aléatoires réelles discrètes à 2 dimensions

Chapitre 7 : Introduction à la théorie des variables aléatoires réelles continues à 2 dimensions

Chapitre 8 : Introduction à l’étude des lois de probabilité des variables aléatoires réelles continues à 2 dimensions

|P a g e 1
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

1. NOTIONS FONDAMENTALES

1.1 Définition du couple de variables aléatoires réelles (ou système de variables aléatoires réelles)

Notations :

 ( X , Y ) : couple de variables aléatoires réelles (application)

 ( x, y ) : couple de valeurs possibles

  : ensemble fondamental des résultats possibles liés à une expérience aléatoire donnée
  : résultat élémentaire possible lié à une expérience aléatoire donnée

 IR : ensemble des réels

( X , Y ) :   IR 2
    ( x, y )  IR 2
( X , Y ) ( )   X ( ), Y ( ) 
 ( x, y )

1.2 Définition de l’ensemble des couples de valeurs possibles du couple de variables aléatoires

Notation :

 ( X , Y ) () : ensemble des couples de valeurs possibles

( X , Y ) ()   ( x, y ) : x  X (), y  Y () 

1.3 Définition de l’évènement élémentaire
C’est l’évènement composé de deux élémentaires de 2 évènements élémentaires vus dans le cas univarié :

X  x Y  y 
1.4 Définition de la loi de probabilité conjointe

a. Le support
( X , Y ) ()  X () xY ()

X ()   x : x  X ( ) ,    
Y ()   y : y  Y ( ) ,    
b. La fonction de masse conjointe
P : A  0,1 
 ( X  x  Y  y)  A  P ( X  x  Y  y)  0,1 

L’application P vérifie les axiomes connus.

|P a g e 2
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

1.5 Le tableau de contingence

Y yj
X  xi P (X  x i )
y1 y2 … y j … yn

x1 p 11 p 12 … p 1j … p 1n P ( X  x1 )

x2 p 21 p 22 … p 2j … p 2n P (X  x 2 )

… … … … … … … …
xi p i1 p i2  pij … p in P (X  x i )

… … … … … … … …
xm p m1 p m2 … pmj … p mn P (X  x n )

P (Y  y j ) P (Y  y 1 ) P (Y  y 2 ) … P (Y  y j ) … P (Y  y n ) 1

p 11  P ( X  x1  Y  y1 ) p 21  P ( X  x 2  Y  y1 )
p 12  P ( X  x1  Y  y 2 ) p 22  P ( X  x 2  Y  y 2 )
p 1 j  P ( X  x1  Y  y j ) p 2 j  P ( X  x2  Y  y j )
p 1n  P ( X  x1  Y  y n ) p 2n  P ( X  x2  Y  y n )
p i1  P ( X  xi  Y  y1 ) p m1  P ( X  xm  Y  y1 )
pi 2  P ( X  xi  Y  y 2 ) pm 2  P ( X  xm  Y  y 2 )
p i j  P ( X  xi  Y  y j ) p m j  P ( X  xm  Y  y j )
p i n  P ( X  xi  Y  y n ) p m n  P ( X  xm  Y  y n )

n m
P (X  x 1 )   P (X  x 1  Y  y j ) P (Y  y 1 )   P ( X  x i  Y  y1 )
j 1 i 1

n m
P (X  x 2 )   P (X  x 2  Y  y j ) P (Y  y 2 )   P ( X  x i  Y  y2 )
j 1 i 1

n m
P (X  x i )   P (X  x i  Y  y j ) P (Y  y j )   P ( X  x i  Y  y j )
j 1 i 1

n m
P (X  x m )   P (X  x m  Y  y j ) P (Y  y n )   P ( X  x i  Y  yn )
j 1 i 1

m m n

 P ( X  x i )   P ( X  x i  Y  y j )  1
i 1 i 1 j 1

n n m

 P (Y  y
j 1
j )   P ( X  x i  Y  y j )  1
j 1 i 1

|P a g e 3
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

1.6 Représentation graphique de la distribution de probabilité

La distribution de probabilité est représentée graphiquement dans un espace à 3 dimensions à l’aide d’un diagramme
en bâtons appelé STEREOGRAMME.
STEREOGRAMME
pij

|P a g e 4
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Exemple 1
Un sac contient 5 boules blanches et 3 boules vertes ; on tire au hasard successivement 2 boules du sac.
Soit la variable X tel que :
 X  0 Si la 1ère boule tirée est blanche
 X 1 Si la 1ère boule tirée est verte
Soit la variable Y tel que :
 Y  0 Si la 2ème boule tirée est blanche
 Y  1 Si la 2ème boule tirée est verte
On considère le cas du TAR et le cas du TSR.
1. Calculer la loi de probabilité conjointe pour les 2 cas (porter les résultats dans le tableau de contingence)
2. Représenter graphiquement la loi de probabilité
Solution
1. Calcul de la loi de probabilité conjointe
Cas du TAR
a. Le support
( X , Y ) (  )  X (  ) xY (  )
X ()   0,1
Y ()  0,1
( X , Y ) ()  0,1
2

 (0,0), (0,1), (1,0), (1,1)

b. La fonction de masse conjointe
P ( X  0  Y  0)  P ( X  0).P (Y  0)
C51C30 C 51C 30 5 5 25
 x  x 
C81 C81 8 8 64

P ( X  0  Y  1)  P ( X  0).P (Y  1)
C 51C 30 C 50 C 31 5 3 15
 x  x 
C81 C81 8 8 64

P ( X  1  Y  0)  P ( X  1).P (Y  0)
C50 C 31 C 51C 30 3 5 15
 x  x 
C81 C81 8 8 64
P ( X  1  Y  1)  P ( X  1).P (Y  1)
C 50 C 31 C 50 C 31 3 3 9
 x  x 
C81 C81 8 8 64

|P a g e 5
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Le tableau de contingence

Y  yj P ( X  xi ) 
2

X  xi 0 1  P (X  x
j 1
i Y  y j )

0 25/64 15/64 40/64

1 15/64 9/64 24/64
2 2
P (Y  y j )   P ( X  x
i 1 j 1
i Y  y j ) 
2 40/64 24/64
 P (X  x Y  y )
i 1
i j
2 2

 P ( X  x i Y  y j )  1
j 1 i 1

Cas du TSR
a. Le support
( X , Y ) (  )  X (  ) xY (  )
X ()   0,1
Y ()  0,1
( X , Y ) ()  0,1
2

 (0,0), (0,1), (1,0), (1,1)

b. La fonction de masse conjointe
 En utilisant les combinaisons distinctes

P ( X  0  Y  0)  P ( X  0).P (Y  0 \ X  0)
C 51C 30 C 41C 30 5 4 20
1
 x 1
 x 
C8 C7 8 7 56
P ( X  0  Y  1)  P ( X  0).P (Y  1 \ X  0)
C51C30 C 40C31 5 3 15
x  x 
C81 C71 8 7 56
P ( X  1  Y  0)  P ( X  1).P (Y  0 \ X  1)
C50C31 C51C20 3 5 15
 x  x 
C81 C71 8 7 56
P ( X  1  Y  1)  P ( X  1).P (Y  1 \ X  1)
C50C31 C50C21 3 2 6

1
x 1
 x 
C8 C7 8 7 56
 En utilisant les arrangements distincts (arrangements sans répétition)

A52 A30 20
P ( X  0  Y  0)  
A82 56
A51 A31 15
P ( X  0  Y  1)  
A82 56
A31 A51 15
P ( X  1  Y  0)  
A82 56
A32 A50 6
P ( X  1  Y  1)  2

A8 56

|P a g e 6
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Le tableau de contingence

Y  yj 2
P ( X  xi )   P ( X  xi  Y  y j )
X  xi 0 1 j 1

0 20/56 15/56 35/56

1 15/56 6/56 21/56
2 2
P (Y  y j )   P ( X  x
i 1 j 1
i Y  y j ) 
2 35/56 21/56
 P (X  x Y  y )
i 1
i j
2 2

 P ( X  x i Y  y j )  1
j 1 i 1

3. Représentation graphique de la loi de probabilité

Cas du TAR

0.4
25/64

0.3 15/64

0.2 15/64

0.1

9/64

y axis
1 0

1 x axis
Cas du TSR

0.4
20/56

0.3
15/56

0.2 15/56

0.1

6/56

y axis
1 0
x axis
1

|P a g e 7
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

1.7 Définition de la fonction de répartition conjointe

Notations :

 F ( x, y ) ou FXY ( x, y ) : fonction de répartition conjointe

 FX (x) : fonction de répartition marginale de la variable aléatoire réelle X

 FY ( y ) : fonction de répartition marginale de la variable aléatoire réelle Y


F ( x, y )  P X 1   , x    Y 1  , y   
 P ( X  x  Y  y)
   P (X
X x Y  y
 x  Y  y)

a. Développement de la fonction de répartition conjointe

F ( xi , y j )  P ( X  x i  Y  y j )
 
 P X  xi  Y  y j  Y  y j 
 P X  xi  Y  y j   X  xi  Y  y j 
 P X  xi  Y  y j 1   X  xi  Y  y j 
 P X  xi  Y  y j 1   P X  xi  Y  y j 
 P X  xi  Y  y j 1   PX  xi  X  xi  Y  y j 

F ( xi , y j )  P X  xi  Y  y j 1 

 P X  xi  Y  y j  X  xi  Y  y j  
 P X  xi  Y  y j 1   P X  xi 1 Y  y j

 P X  xi  Y  y j 
 F ( xi , y j 1 )  P X  xi 1  Y  y j 
 P X  xi  Y  y j 

F ( xi , y j )  F ( xi , y j 1 )  P X  xi 1  Y  y j   P X  xi  Y  y j 

Ou bien

F ( xi , y j )  F ( xi 1 , y j )  P X  xi  Y  y j 1   P X  xi  Y  y j 

b. Propriétés de la fonction de répartition conjointe

 0  F ( x, y)  1 ( x, y)  IR 2
  x j  xi  F ( x j , y)  F ( xi , y) xi , x j  X ( ) ( i  j )
  y j  y i  F ( x, y j )  F ( x, y i ) y i , y j  Y ( ) ( i  j )
 lim F ( x, y )  0
x
 lim F ( x, y )  0
y 

 lim F ( x, y)  0
x
y 
 lim F ( x, y)  FY ( y)
x
 lim F ( x, y )  FX ( x)
y 

 lim F ( x, y)  1
x
y

|P a g e 8
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

c. Utilisation de la fonction de répartition conjointe dans le calcul des probabilités

Quelques cas :
Premier cas : ( xi  x j )  ( yi  y j ) (i  j )
P [( x i  X  x j )  ( y i  Y  y j )]  P ( X  x j  Y  y j )
 P ( X  x j  Y  yi )
 P ( X  xi  Y  y j )
 P ( X  xi  Y  y i )

P [( xi  X  x j )  ( yi  Y  y j )]  F ( x j , y j )  F ( x j , y i )
 F ( xi , y j )  F ( xi , y i )

Second cas : ( xi  x j )  ( yi  y j ) (i  j )
P [( x i  X  x j )  ( y i  Y  y j )]  1  P [( x i  X  x j )  ( y i  Y  y j )]
 1  P [( x i  X  x j )  ( y i  Y  y j )]
 1  P( x i  X  x j )  P( y i  Y  y j )

 P ( xi  X  x j )  ( y i  Y  y j ) 
 1  P( x j  X  x i )  P( y j  Y  y i )

 P ( x j  X  xi )  ( y j  Y  y i ) 

P [( xi  X  x j )  ( y i  Y  y j )]  1  FX ( xi )  FX ( x j ) 
 
 FY ( y i )  FY ( y j )  FX Y ( xi , y i )
 FX Y ( x i , y j )  FX Y ( x j , y i )
 FX Y ( x j , y j )
P [( xi  X  x j )  ( y i  Y  y j )]  1  FX ( xi )  FX ( x j )  FY ( y i )
 FY ( y j )  FX Y ( xi , y i )
 FX Y ( x i , y j )  FX Y ( x j , y i )
 FX Y ( x j , y j )
Troisième cas :

P ( X  xi  Y  y j )  1  P ( X  xi  Y  y j )
 1  P ( X  xi  Y  y j )
 1  P ( X  xi  Y  y j )
 1  P ( X  xi )  P (Y  y j )
 P ( X  xi  Y  y j )
 1  FX ( xi )  FY ( y j )  FX Y ( xi , y j )

P ( X  xi  Y  y j )  1  FX ( xi )  FY ( y j )  FX Y ( xi , y j )

Exemple 2
On considère l’exemple 1 et on vous demande de calculer la fonction de répartition conjointe.
Solution
F ( x, y )  P ( X  x  Y  y )
On utilise la relation suivante :

F ( xi , y j )  F ( xi , y j 1 )  P X  xi 1  Y  y j   P X  xi  Y  y j 

|P a g e 9
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Cas du TAR
F (0,0)  P ( X  0  Y  0)
 F (0,1)  P  X  1  Y  0   P  X  0  Y  0 
 0  0  25 / 64  25 / 64

F (0,1)  P ( X  0  Y  1)
 F (0,0)  P  X  1  Y  1  P  X  0  Y  1
 25 / 64  0  15 / 64  40 / 64
F (1,0)  P ( X  1  Y  0)
 F (1,1)  P  X  0  Y  0   P  X  1  Y  0 
 0  25 / 64  15 / 64  40 / 64
F (1,1)  P ( X  1  Y  1)
 F (1,0)  P  X  0  Y  1  P  X  1  Y  1
 40 / 64  15 / 64  9 / 64  1

0 ( X  0)  (Y  0)
25 / 64 (0  X  1)  (0  Y  1)


F ( x, y )  40 / 64 (0  X  1)  (Y  1)
40 / 64 ( X  1)  (0  Y  1)


1 ( X  1)  (Y  1)

Cas du TSR
F (0,0)  P ( X  0  Y  0)
 F (0,1)  P  X  1  Y  0   P  X  0  Y  0 
 0  0  20 / 56  20 / 56
F (0,1)  P ( X  0  Y  1)
 F (0,0)  P  X  1  Y  1  P  X  0  Y  1
 20 / 56  0  15 / 56  35 / 56
F (1,0)  P ( X  1  Y  0)
 F (1,1)  P  X  0  Y  0   P  X  1  Y  0 
 0  20 / 56  15 / 56  35 / 56

F (1,1)  P ( X  1  Y  1)
 F (1,0)  P  X  0  Y  1  P  X  1  Y  1
 35 / 56  15 / 56  6 / 56  1

0 ( X  0)  (Y  0)
20 / 56 (0  X  1)  (0  Y  1)


F ( x, y )  35 / 56 (0  X  1)  (Y  1)
35 / 56 ( X  1)  (0  Y  1)

1
 ( X  1)  (Y  1)

| P a g e 10
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

1.8 Définition de la loi de probabilité marginale

a. De la variable aléatoire réelle X

 Le support
X ()   x : x  X ( ) ,    
 La fonction de masse marginale
P : A  0,1 
 X  x  A  P ( X  x)  0,1 
P ( X  x)   P (X
yY (  )
 x  Y  y)

b. De la variable aléatoire réelle Y

 Le support
Y ()   y : y  Y ( ) ,    
 La fonction de masse marginale
P : A  0,1 
Y  y  A  P (Y  y )  0,1 
P (Y  y )   P (X
x X (  )
 x  Y  y)

1.9 Définition de la fonction de répartition marginale

a. De la variable aléatoire réelle X

FX ( x )  P ( X  x )
 lim FX Y ( x, y )
y  

b. De la variable aléatoire réelle Y

FY ( y )  P (Y  y )
 lim FX Y ( x, y )
x  

Exemple 3
Soit le tableau de contingence ci-après :
Y  yj
P ( X  xi )
X  xi 0 1
0 7/15 7/30 7/10
1 7/30 1/15 3/10
2 2

 P ( X
i 1 j 1
 xi  Y  y j ) 
P (Y  y j ) 7/10 3/10 2 2

 P ( X
j 1 i 1
 xi  Y  y j )  1

1. Représenter graphiquement la loi de probabilité conjointe

2. Expliquer le mode d’obtention de la loi de probabilité marginale de la variable aléatoire X

3. Expliquer le mode d’obtention de la loi de probabilité marginale de la variable aléatoire Y
4. Calculer la fonction de répartition conjointe

5. Calculer la fonction de répartition marginale de la variable aléatoire X

6. Calculer la fonction de répartition marginale de la variable aléatoire Y
| P a g e 11
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

7. Calculer les probabilités ci-après :

P( X  0  Y  0) P  (0  X  1)  (0  Y  1)  P  (1  X  0)  (1  Y  0) 

Solution
1. Représentation graphique de la loi de probabilité conjointe
0.5
7/15
0.4
7/30
0.3

0.2
7/30
0.1

1/15
0

y axis

0
1 x axis
1

2. Explication du mode d’obtention de la loi de probabilité marginale de la variable aléatoire X

a. Le support
X ()   0, 1 
b. La fonction de masse marginale
1
P ( X  x)   P ( X  x  Y  y )
y 0
1
P ( X  0)   P ( X  0  Y  y )
y 0

 P( X  0  Y  0)  P ( X  0  Y  1)
 7 / 15  7 / 30  21 / 30  7 / 10
1
P ( X  1)   P (X
y 0
 1  Y  y)

 P ( X  1  Y  0)  P ( X  1  Y  1)
 7 / 30  1 / 15  9 / 30  3 / 10

X x 0 1 Total
P ( X  x) 7/10 3/10 1

3. Explication du mode d’obtention de la loi de probabilité marginale de la variable aléatoire Y

a. Le support
Y ()  0,1
b. La fonction de masse marginale
1
P ( y  y)   P ( X  x  Y  y)
x 0
1
P (Y  0)   P ( X  0  Y  0)
x 0

 P ( X  0  Y  0)  P ( X  1  Y  0)
 7 / 15  7 / 30  21 / 30  7 / 10

| P a g e 12
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

1
P (Y  1)   P (X
x 0
 0  Y  1)

 P ( X  0  Y  1)  P ( X  1  Y  1)
 7 / 30  1 / 15  9 / 30  3 / 10

Y  y 0 1 Total
P (Y  y ) 7/10 3/10 1

4. Calcul de la fonction de répartition conjointe

Par définition, nous avons :
  
F ( xi , y j )  F ( xi , y j 1 )  P X  xi 1  Y  y j  P X  xi  Y  y j 
F (0,0)  P ( X  0  Y  0)
 F (0,1)  P  X  1  Y  0   P  X  0  Y  0 
 0  0  7 / 15  7 / 15
F (0,1)  P ( X  0  Y  1)
 F (0,0)  P  X  1  Y  1  P  X  0  Y  1
 7 / 15  0  7 / 30  7 / 10
F (1,0)  P ( X  1  Y  0)
 F (1,1)  P  X  0  Y  0   P  X  1  Y  0 
 0  7 / 15  7 / 30  7 / 10

F (1,1)  P ( X  1  Y  1)
 F (1,0)  P  X  0  Y  1  P  X  1  Y  1
 7 / 10  7 / 30  1 / 15  1

0 ( X  0)  (Y  0)
7 / 15 (0  X  1)  (0  Y  1)


FX Y ( x, y )  7 / 10 (0  X  1)  (Y  1)
7 / 10 ( X  1)  (0  Y  1)

1
 ( X  1)  (Y  1)

5. Calcul de la fonction de répartition marginale de la variable aléatoire X

Par définition, nous avons :
FX ( x )  P ( X  x )
 lim F ( x, y )
y  

FX (0)  P ( X  0)
 lim F (0, y )
y  

 F (0,1)  7 / 10
FX (1)  P ( X  1)
 lim F (1, y )
y  

 F (1,1)  1
0 ( X  0)

FX ( x)  7 / 10 (0  X  1)
1 (X  1


| P a g e 13
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

6. Calcul de la fonction de répartition marginale de la variable aléatoire Y

Par définition, nous avons :
FY ( y )  P (Y  y )
 lim F ( x, y )
x  

FY (0)  P (Y  0)
 lim F ( x,0)
y  

 F (1,0)  7 / 10

FY (1)  P (Y  1)
 lim F ( x,1)
y  

 F (1,1)  1

0 (Y  0)

FY ( y )  7 / 10 (0  Y  1)
1 (Y  1


7. Calcul des probabilités

 P ( X  0  Y  0)
Par définition, nous avons :
P ( X  xi  Y  y j )  1  FX ( xi )  FY ( y j )  FX Y ( xi , y j )

P ( X  0  Y  0)  1  FX (0)  FY (0)  FX Y (0,0)

7 7 7 1
 1   
10 10 15 15

 P (0  X  1)  (0  Y  1)
Par définition, nous avons pour : ( xi  x j )  ( yi  y j ) (i  j )

P [( xi  X  x j )  ( yi  Y  y j )]  F ( x j , y j )  F ( x j , y i )
 F ( xi , y j )  F ( xi , y i )
P  (0  X  1)  (0  Y  1)   F (1,1)  F (1,0)  F (0,1)  F (0,0)
7 7 7
 1  
10 10 15
1

15
 P ( X  1  Y  1)
 P (1  X  0)  (1  Y  0)
Par définition, nous avons pour : ( xi  x j )  ( yi  y j ) (i  j )
P [( xi  X  x j )  ( y i  Y  y j )]  1  FX ( xi )  FX ( x j )  FY ( y i )
 FY ( y j )  FX Y ( xi , y i )
 FX Y ( x i , y j )  FX Y ( x j , y i )
 FX Y ( x j , y j )

| P a g e 14
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

P (1  X  0)  (1  Y  0)  1  FX (1)  FX (0)  FY (1)

 FY (0)  FX Y (1,1)  FX Y (1,0)
 FX Y (0,1)  FX Y (0,0)
7 7 7 7 7
 11 1 1  
10 10 10 10 15
7
  P ( X  0  Y  0)
15
1.10 Définition de la loi de probabilité conditionnelle

a. De la variable aléatoire réelle X

 Le support

X ()   x : x  X ( ) ,    

 La fonction de masse conditionnelle

P : A  0,1 
X  x A and Y  y A  P ( X  x \ Y  y )  0 ,1 
P ( X  x  Y  y)
P ( X  x \ Y  y)  P (Y  y )  0
P (Y  y )
b. De la variable aléatoire réelle Y
 Le support

Y ()   y : y  Y ( ) ,    

 La fonction de masse conditionnelle

P : A  0,1 
X  x A and Y  y A  P (Y  y \ X  x)  0,1 
P ( X  x  Y  y)
P (Y  y \ X  x)  P ( X  x)  0
P ( X  x)
Résultat
P ( X  x  Y  y )  P (Y  y ).P ( X  x \ Y  y )
P ( X  x  Y  y )  P ( X  x).P (Y  y \ X  x)
Les relations précédentes expriment que la loi de probabilité conjointe est égale à la loi de probabilité marginale
pondérée par la loi de probabilité conditionnelle.
1.11 Définition l’indépendance en probabilité
X  Y  P ( X  x  Y  y )  P ( X  x).P (Y  y )
Corollaire 1
X  Y  P ( X  x \ Y  y )  P ( X  x)
X  Y  P (Y  y \ X  x)  P (Y  y )
Corollaire 2
X  Y  FX Y ( x, y)  FX ( x).FY ( y)

| P a g e 15
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Corollaire 4
On considère l’exemple 1. Calculer :

1. La loi de probabilité conditionnelle de la variable aléatoire X

2. La loi de probabilité conditionnelle de la variable aléatoire Y
Cas du TAR : X Y
1. La loi de probabilité conditionnelle de la variable aléatoire X
D’après le corollaire 1, nous avons :
X  Y  P ( X  x \ Y  y )  P ( X  x)
X x 0 1 Total
P ( X  x \ Y  y )  P ( X  x) y   0,1  40/64 24/64 1

2. La loi de probabilité conditionnelle de la variable aléatoire Y

D’après le corollaire 1, nous avons :
X  Y  P (Y  y \ X  x)  P (Y  y )

Y  y 0 1 Total

P (Y  y \ X  x )  P (Y  y ) x   0,1  40/64 24/64 1

Cas du TSR
1. La loi de probabilité conditionnelle de la variable aléatoire X
P ( X  x  Y  y)
P ( X  x \ Y  y) 
P (Y  y )
P ( X  0  Y  0) 20 / 56
P ( X  0 \ Y  0)    20 / 35
P (Y  0) 35 / 56
P ( X  0  Y  1) 15 / 56
P ( X  0 \ Y  1)    15 / 21
P (Y  1) 21 / 56
P ( X  1  Y  0) 15 / 56
P ( X  1 \ Y  0)    15 / 35
P (Y  0) 35 / 56
P ( X  1  Y  1) 6 / 56
P ( X  1 \ Y  1)    6 / 21
P (Y  1) 21 / 56
2. La loi de probabilité conditionnelle de la variable aléatoire Y
P (Y  y  X  x)
P (Y  y \ X  x) 
P ( X  x)
P (Y  0  X  0) 20 / 56
P (Y  0 \ X  0)    20 / 35
P ( X  0) 35 / 56
P (Y  0  X  1) 15 / 56
P (Y  0 \ X  1)    15 / 21
P ( X  1) 21 / 56
P (Y  1  X  0) 15 / 56
P (Y  1 \ X  0)    15 / 35
P ( X  0) 35 / 56
P (Y  1  X  1) 6 / 56
P (Y  1 \ X  1)    6 / 21
P ( X  1) 21 / 56

| P a g e 16
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2. LES CARACTERISTIQUES NUMERIQUES

2.1 L’espérance mathématique

2.1.1 L’espérance mathématique du couple de variables aléatoires réelles

Notations :

  ( X , Y ) : fonction du couple de variables aléatoires réelles

 E   ( X , Y )  : espérance mathématique du couple de variables aléatoires réelles

Le théorème de transfert
E  ( X , Y )    ( X , Y ).P ( X  x  Y  y )
x y

 : IR  IR
2

( x, y )  IR 2   ( x, y )  IR
Quelques exemples concernant le type de fonction 
 ( X , Y )  aX  bY

E  ( X , Y )  E (aX  bY )  aE ( X )  bE (Y )
 ( X , Y )  aX  bY
E  ( X , Y )  E (aX  bY )  aE ( X )  bE (Y )
 ( X , Y )  X .Y
X  Y  E ( X , Y )  E ( X .Y )  E ( X ).E (Y )

2.1.2 L’espérance mathématique conditionnelle

Notations :

 E ( X  x \ Y  y ) : espérance mathématique conditionnelle de la variable aléatoire réelle X

 E (Y  y \ X  x) : espérance mathématique conditionnelle de la variable aléatoire réelle Y

a-L’espérance mathématique conditionnelle de la variable aléatoire réelle X
E ( X  x \ Y  y)   ( X  x \ Y  y) P ( X  x \ Y  y)
x

  x.P ( X  x \ Y  y )
x

b-L’espérance mathématique conditionnelle de la variable aléatoire réelle Y

E (Y  y \ X  x)   (Y  y \ X  x) P (Y  y \ X  x)
y

  y.P (Y  y \ X  x)
y

Remarque : l’espérance mathématique conditionnelle est une variable aléatoire.

Théorème 1 :
E  E ( X  x \ Y  y)   E ( X )
E  E (Y  y \ X  x)   E (Y )
Théorème 2 :
 E ( X  x \ Y  y )  E ( X  x)
X Y  
 E (Y  y \ X  x)  E (Y  y )
| P a g e 17
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2.2 La variance
2.2.1 La variance du couple de variables aléatoires réelles
Notations :

  ( X , Y ) : fonction du couple de variables aléatoires réelles

 Var   ( X , Y )  : variance du couple de variables aléatoires réelles

 
Var  ( X , Y )  E  2 ( X , Y )   E  ( X , Y )  2
2.2.2 La variance conditionnelle
Notations :

 Var ( X  x \ Y  y ) : variance conditionnelle de la variable aléatoire réelle X

 Var (Y  y \ X  x) : variance conditionnelle de la variable aléatoire réelle Y

a-La variance conditionnelle de la variable aléatoire réelle X

Var ( X  x \ Y  y )  E X  E ( X  x \ Y  y ) 2 \ Y  y 
 E ( X 2  x 2 \ Y  y )  E ( X  x \ Y  y )
2

b-La variance conditionnelle de la variable aléatoire réelle Y


Var (Y  y \ X  x)  E Y  E (Y  y \ X  x)2 \ X  x 
 E (Y  y \ X  x)  E (Y  y \ X  x)2
2 2

Remarque : la variance conditionnelle est une variable aléatoire.

Théorème 3
Var ( X )  E Var ( X  x \ Y  y )  Var E ( X  x \ Y  y )
Var (Y )  E Var (Y  y \ X  x)  Var E (Y  y \ X  x)

Var ( X \ Y )  Var ( X )
X Y  
Var (Y \ X )  Var (Y )
2.3 La covariance
Notation :

 Cov ( X , Y ) : covariance X et Y
Cov( X , Y )  EX  E ( X )Y  E (Y )
Relation de HUYGENS
Cov( X , Y )  E ( XY )  E ( X ) E (Y )

Propriétés de la covariance

 Cov ( X , Y )  IR
 Cov ( X , Y )  Cov (Y , X )

 X  Y  Cov ( X , Y )  0
 Cov ( X , X )  Var ( X )
 Cov (aX , Y )  a Cov ( X , Y ) (a  0)
 Cov ( X , a)  0 (a  0)
 Cov ( X , aY )  a Cov ( X , Y ) (a  0)
 Cov (aX , aY )  a Cov ( X , Y ) (a  0)
2

 Cov (aX , bY )  ab Cov ( X , Y ) (a, b)  (0,0)

 Cov (aX  b, cY  d )  ac Cov ( X , Y ) (a, b, c, d )  (0,0,0,0)
| P a g e 18
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2.4 La matrice des variances-covariance

Notation :

  x, y : matrice des variances-covariance

 Var ( X ) Cov ( X , Y )
 x, y  
Cov ( X , Y ) Var (Y ) 
Propriétés de la variance
 Var ( X  Y )  Var ( X )  Var (Y )  2Cov ( X , Y )
 Si X  Y  Cov ( X , Y )  0 et Var ( X  Y )  Var ( X )  Var (Y )
 Var ( X  Y )  Var ( X )  Var (Y )  2Cov ( X , Y )
 Si X  Y  Cov ( X , Y )  0 et Var ( X  Y )  Var ( X )  Var (Y )
2.5 Le coefficient de corrélation linéaire simple
Notation :

  x, y : coefficient de corrélation linéaire simple

 x, y  - 1,1
Cov ( X , Y )
 x, y 
 x . y
 X  0 Y  O

Le coefficient de corrélation linéaire simple permet de mesurer l’intensité de la liaison entre deux variables.
 Cov ( X , Y )  0   x, y  0,1 : les variables sont corrélées positivement
 Cov ( X , Y )  0   x, y  0 : il n’existe pas de liaison entre les variables
 Cov ( X , Y )  0   x, y   1,0 : les variables sont corrélées négativement
Remarque
 Si la valeur du coefficient de corrélation linéaire est proche de zéro, on peut considérer que l’intensité de la liaison
entre les variables est une liaison faible
 Si la valeur absolue du coefficient de corrélation linéaire est proche de l’unité, on peut considérer que l’intensité de
la liaison entre les variables est une liaison forte
Inégalité de Schwartz
Cov ( x, y )   X  Y

| P a g e 19
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

3. LES MOMENTS

3.1 Le moment simple conjoint

Notation :

 mr s : moment simple conjoint d’ordre r et s

mr s  E ( X r Y s )
  x r y s P ( X  x  Y  y ) (r , s )  IN 2
x y

(r  1  s  1)  m11  E ( XY )
  x y P ( X  x  Y  y )
x y

3.2 Le moment simple marginal

a-De la variable aléatoire réelle X

Notation :
mr 0 : moment simple marginal de la variable aléatoire réelle X
(r  0  s  0)  mr 0  E ( X r )
(r  1  s  0)  m10  E ( X )
(r  2  s  0)  m2 0  E ( X 2 )
b-De la variable aléatoire réelle Y
Notation :
m0 s : moment simple marginal de la variable aléatoire réelle Y
(r  0  s  0)  m0 s  E (Y s )
(r  0  s  1)  m01  E (Y )
(r  0  s  2)  m0 2  E (Y 2 )
3.3 Le moment centré conjoint
Notation :

 ur s : moment centré conjoint d’ordre r et s


u rs  E X  E ( X )r Y  E (Y )s 
(r  1  s  1)  u11  Cov ( X , Y )
Cov( X , Y )  E ( XY )  E ( X ) E (Y )
u11  m11  m10 m01
3.4 Le moment centré marginal
a-De la variable aléatoire réelle X
Notation :
u r 0 : moment centré marginal de la variable aléatoire réelle X
(r  0  s  0)  ur 0  EX  E ( X ) r
(r  2  s  0)  u 20  Var ( X )
u 20  m 20  m10 2

| P a g e 20
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

b-De la variable aléatoire réelle Y

Notation :
u0 s : moment centré marginal de la variable aléatoire réelle Y
(r  0  s  0)  u0 s  E Y  E (Y ) s
(r  0  s  2)  u 02  Var (Y )
u 02  m02  m01 2

Exemple 4
On considère l’exemple 1 le cas du TSR. On vous demande de calculer :
1. La moyenne conditionnelle pour chaque variable
2. La moyenne marginale pour chaque variable
3. La variance conditionnelle pour chaque variable
4. La variance marginale pour chaque variable
5. La covariance
6. Le coefficient de corrélation linéaire simple

Soit la variable aléatoire réelle Z tel que :

Z   ( X ,Y )
 X Y

7. Calculer la moyenne et la variance de Z

Solution
1. La moyenne conditionnelle

a. De la variable X
E ( X  x \ Y  y)   ( X  x \ Y  y) P ( X  x \ Y  y)
x
1
E ( X  x \ Y  0)   x P ( X  x \ Y  0)
x 0

 (0) P( X  0 \ Y  0)  (1) P ( X  1 \ Y  0)
 (0) ( 20 / 35)  (1) (15 / 35)  15 / 35

E ( X  x / Y  0)  15 / 35
1
E ( X  x \ Y  1)   x P ( X  x \ Y  1)
x0
 ( 0 ) P ( X  0 \ Y  1)  (1) P ( X  1 \ Y  1)
 ( 0 ) (15 / 21 )  (1) ( 6 / 21 )  6 / 21

E ( X  x \ Y  1)  6 / 21
b. De la variable Y
E (Y  y \ X  x )   (Y  y \ X  x ) P (Y  y \ X  x )
y
1
  y P (Y  y \ X  x)
y 0

| P a g e 21
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

1
E (Y  y / X  0 )   y P (Y  y / X  0)
y0

 ( 0 ) P (Y  0 \ X  0 )  (1) P (Y  1 \ X  0 )
 ( 0 ) ( 20 / 35 )  (1) (15 / 35 )  15 / 35

E (Y  y / X  0)  15 / 35
1
E (Y  y \ X  1)   y P (Y  y \ X  1)
y 0

 ( 0 ) P (Y  0 \ X  1)  (1) P (Y  1 \ X  1)
 ( 0 ) (15 / 21)  (1) ( 6 / 21)  6 / 21

E (Y  y \ X  1)  6 / 21

2. La moyenne marginale
a. De la variable X
1ère méthode
E E ( X  x / Y  y)  E ( X )

E E ( X  x \ Y  y )   E ( X  x \ Y  y) P(Y  y)
yY (  )
1
  E ( X  x \ Y  y ) P(Y  y )
y 0

 E ( X  x \ Y  0) P (Y  0)  E ( X  x \ Y  1) P (Y  1)
 15   35   6   21  15 6 21
        
 35   56   21   56  56 56 56
E E ( X  x / Y  y ) 
21
56
2ème méthode
1
E ( X )   x P( X  x)
x 0

X x 0 1 TOTAL
P ( X  x) 35/56 21/56 1
x P ( X  x) 0 21/56 E ( X )  21 / 56

b. De la variable Y
1ère méthode
E E (Y  y \ X  x)  E (Y )

E E (Y  y \ X  x)   E (Y  y \ X  x) P( X  x)
xX (  )
1
  E (Y  y \ X  x) P( X  x)
x 0

 E (Y  y \ X  0) P( X  0)  E (Y  y \ X  1) P( X  1)
 15   35   6   21  15 6 21
          
 35   56   21   56  56 56 56

E E (Y  y \ X  x) 
21
56

| P a g e 22
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2ème méthode
1
E (Y )   y P (Y  y )
y 0

Yy 0 1 TOTAL
P (Y  y ) 35/56 21/56 1
yP (Y  y ) 0 21/56 E (Y )  21 / 56

3. La variance conditionnelle

a. De la variable X
Var ( X  x \ Y  y)  E ( X 2  x 2 \ Y  y)   E ( X  x \ Y  y)  2
1
E (X 2
 x 2 \ Y  0)  x
x 0
2
P ( X  x \ Y  0)

 0 P ( X  0 \ Y  0)  1 2 P ( X  1 \ Y  0)
2

 0 (20 / 35)  1 (15 / 35)  15 / 35

Var ( X  x \ Y  0)  E ( X 2
 x 2 \ Y  0)   E ( X  x \ Y  0)  2
2
15  15  300
   
35  35  1225
300
Var ( X  x \ Y  0) 
1225
1
E ( X 2  x 2 \ Y  1)   x 2 P ( X  x \ Y  1)
x 0

 (0) 2 P( X  0 \ Y  1)  (1) 2 P( X  1 \ Y  1)
 (0) 2 (15 / 21)  (1) 2 .(6 / 21)  6 / 21
Var ( X  x \ Y  1)  E ( X 2
 x 2 \ Y  1)   E ( X  x \ Y  1)  2
2
6  6 90
   
21  21  441
90
Var ( X  x \ Y  1) 
441
b. De la variable Y
Var (Y  y \ X  x)  E (Y 2  y 2 \ X  x)   E (Y  y \ X  x)  2
1
E (Y 2  y 2 \ X  0)   y 2 P ( Y  y \ X  0)
y 0

 0 2 P (Y  0 \ X  0)  1 2 P (Y  1 \ X  0)
 0 (20 / 35)  1 (15 / 35)  15 / 35
Var (Y  y \ X  0)  E (Y 2  y 2 \ X  0)   E (Y  y \ X  0) 
2

2
15  15  300
   
35  35  1225
300
Var (Y  y \ X  0) 
1225
1
E (Y 2  y 2 \ X  1)   y 2 P (Y  y \ X  1)
y 0

 (0) 2 P (Y  0 \ X  1)  (1) 2 P (Y  1 \ X  1)
 (0) 2 (15 / 21)  (1) 2 (6 / 21)  6 / 21

| P a g e 23
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Var (Y  y \ X  1)  E (Y 2  y 2 \ X  1)   E (Y  y \ X  1) 
2

2
6  6 90
   
21  21  441
90
Var (Y  y \ X  1) 
441

4. La variance marginale

a. De la variable X
1ère méthode
Var ( X )  E Var ( X  x \ Y  y)  Var E ( X  x \ Y  y )

1
E Var ( X  x \ Y  y )   Var ( X  x \ Y  y)P(Y  y)
y 0

 Var ( X  x \ Y  0) P (Y  0)  Var ( X  x \ Y  1) P (Y  1)
 300   35   90   21   300   1   90   1 
        
 1225   56   441   56   35   56   21   56 
 60   1   30   1  90
    
 7   56   7   56  392

E Var ( X  x \ Y  y) 
90 45

392 196

 
Var E ( X  x \ Y  y )  E E ( X  x \ Y  y )2   E E ( X  x \ Y  y ) 
2

 E ( X  x \ Y  y) P(Y  y)   EE ( X  x \ Y  y)

2
 2

y 0
1

 E( X  x \ Y  y) P(Y  y)  E( X  x \ Y  0) P(Y  0)  E ( X  x \ Y  1) P(Y  1)

y 0
2 2 2

2 2
 15   35   6   21 
      
 35   56   21   56 
 45   1   12   1  57
        
 7   56   7   56  392
2
 21 
 EE ( X  x \ Y  y )   
2

 56 
2
 21 
Var E ( X  x \ Y  y ) 
57 15
  
392  56  3136

Var E ( X  x \ Y  y ) 
15
3136

Var ( X )  E Var ( X  x \ Y  y )  Var E ( X  x \ Y  y )

90 15 735
  
392 3136 3136
735 15
Var ( X )  
3136 64

| P a g e 24
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2ème méthode
Var ( X )  E ( X 2 )  E ( X )
2

1
E ( X 2 )   x 2 P ( X  x)
x 0

X x 0 1 TOTAL
P ( X  x) 35/56 21/56 1
x P ( X  x)
2
0 21/56 E ( X )  21/ 56
2

2
21  21 
Var ( X )  E ( X 2 )  E ( X )2 
735
  
56  56  3136
735 15
Var ( X )  
3136 64
b. De la variable Y
ère
1 méthode

Var (Y )  E Var (Y  y \ X  x)  Var E (Y  y \ X  x)

1
E Var (Y  y \ X  x)  Var (Y  y \ X  x) P( X  x)
x 0
 Var (Y  y \ X  0) P( X  0)  Var (Y  y \ X  1) P( X  1)
 300   35   90   21   300   1   90   1 
              
 1225   56   441   56   35   56   21   56 
 60   1   30   1  90
       
 7   56   7   56  392

E Var (Y  y \ X  x) 
90 45

392 196

 
Var E (Y  y \ X  x)  E E (Y  y \ X  x)2   E E (Y  y \ X  x) 
2

 E(Y  y \ X  x) P( X  x)   EE(Y  y \ X  x)

2
 2

x 0
1

 E(Y  y \ X  x) P( X  x)  E(Y  y \ X  0) P( X  0)  E(Y  y \ X  1) P( X  1)

x 0
2 2 2

2 2
 15   35   6   21   45   1   12   1  57
                  
 35   56   21   56   7   56   7   56  392
2
 21 
 EE (Y  y \ X  x)   
2

 56 
2
 21 
Var E (Y  y \ X  x) 
57 15
  
392  56  3136

Var E (Y  y \ X  x) 
15
3136

Var (Y )  E Var (Y  y \ X  x)  Var E (Y  y \ X  x)

90 15 735
Var (Y )   
392 3136 3136

735 15
Var (Y )  
3136 64

| P a g e 25
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

2ème méthode
Var (Y )  E (Y 2 )  E (Y )
2

1
E (Y 2 )   y 2 P (Y  y )
y 0

Y  y 0 1 TOTAL
P (Y  y ) 35/56 21/56 1
y P (Y  y)
2
0 21/56 E (Y 2 )  21 / 56

2
21  21 
Var (Y )  E (Y 2 )  E (Y ) 
735
  
2

56  56  3136
735 15
Var (Y )  
3136 64
5. La covariance
Cov( X , Y )  E ( XY )  E ( X ) E (Y )
u11  m11  m10 m01
1 1
 m11  E ( XY )   x y.P ( X  x  Y  y)
x 0 y 0

X x Y  y P ( X  x  Y  y) x y P ( X  x  Y  y)
0 0 20/56 0
0 1 15/56 0
1 0 15/56 0
1 1 6/56 6/56
TOTAL 1 6/56

m11  E ( XY )  6 / 56
1

 x P ( X  x)  56
21
 m10  E ( X ) 
x 0
1

 y P (Y  y)  56
21
 m01  E (Y ) 
y 0

 Cov ( X , Y )  u11  m11  m10 .m01

2
6  21 
Cov ( X , Y )     0.0335
56  56 
Cov ( X , Y )  0.0335  0

6. Le coefficient de corrélation linéaire simple

Cov ( X , Y )  0.0335
 x, y    0.14
 x . y (0.4841) 2

)liaison faible(
u 20  Var ( X )  m 20  m10  
735
  X  Var ( X )  0.4841
2

3136
u02  Var (Y )  m02  m01 
735
   Y  Var (Y )  0.4841
2

3136
7. C

| P a g e 26
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

8. Calcul de la moyenne et de la variance de Z

a. Calcul de la moyenne
1ère méthode
1 1
E  ( X , Y )   ( X , Y ) P ( X  x  Y  y)
x 0 y 0
Z   ( X ,Y )  X  Y
1 1
E ( Z )  E  ( X , Y )   ( X  Y ) P ( X  x  Y  y)
x 0 y 0

X x Yy x y P( X  x  Y  y ) ( x  y ) P( X  x  Y  y )

0 0 0 20/56 0
0 1 1 15/56 15/56
1 0 1 15/56 15/56
1 1 2 6/56 12/56
TOTAL 1 42/56
1 1
E ( Z )  E  ( X , Y )    
( X  Y ). P ( X  x  Y  y )
y 0 0
 42 / 56  0 .75

2ème méthode
E ( Z )  E ( X )  E (Y )
21 21 42
  
56 56 56

b. Calcul de la variance
ère
1 méthode

 
Var ( Z )  Var ( X  Y )  E ( X  Y ) 2   E ( X  Y )  2

   ( X  Y ) .P ( X  x  Y  y)
1 1
E ( X  Y )2  2

x  0 y 0

( x  y) 2 P ( X  x  Y  y ) ( x  y ) 2 P( X  x  Y  y )
0 20/56 0
1 15/56 15/56
1 15/56 15/56
4 6/56 24/56
TOTAL 1 54/56


E ( X  Y ) 2  54 / 56 
E ( X  Y ) 2
 E ( Z ) 2  (42 / 56) 2
Var ( Z )  54 / 56  (42 / 56) 2  1260 / 3136
z  0.3975  0.63
2ème méthode
Var ( Z )  Var ( X )  Var (Y )  2Cov( X , Y )
 735 / 3136  735 / 3136  (2)(105 / 3136)
 1260 / 3136

| P a g e 27
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

4. LA FONCTION GENERATRICE CONJOINTE DES MOMENTS

Notation :
M X Y ( x y ) ou M ( x y ) : fonction génératrice conjointe des moments
 xX  yY
M ( x ,  y )  E (e e )
  e
 xx  y y
e P ( X  x  Y  y)
x y

 h  1 h  x, y
4.1 La condition de normalisation
 x   y  0  M (0,0)  1

4.2 Obtention du moment simple conjoint

mrs  E ( X r Y s )
  r  s M ( x ,  y ) 
 
  xr  ys   x 00 y

( r , s )  IN 2

  2 M ( x ,  y ) 
Si r  1  s  1  m 11   
  x  y )   x 00
y

 E ( XY )
4.3 Obtention du moment simple marginal

a. De la variable X
mr 0  E ( X r Y 0 )
 E( X r )
 d r M ( x ,  y ) 
  ( s  0)
 d rx   x00 y

 dM ( x ,  y ) 
m10  E ( X )     0
 d x   xy 0
 d 2 M ( x ,  y ) 
m20  E ( X 2 )   
 d x2   x 00 y

b. De la variable Y

m0 s  E ( X 0Y s )
 E (Y s )
 d s M ( x ,  y ) 
  (r  0)
 d ys   x 00
y

 dM ( x ,  y ) 
m01  E (Y )   
 d y   x 00
y

 d 2 M ( x ,  y ) 
m02  E (Y 2 )   
 d y2   x 00
y

| P a g e 28
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

4.4 Le cas de variables aléatoires indépendantes en probabilité

Yy
X  Y  M ( x ,  y )  E (e X  x e )
  e x  x e
y y
P ( X  x  Y  y)
x y

  e x  x e
y y
P ( X  x) P (Y  y )
x y

  e x  x P ( X  x) e
y y
P (Y  y )
x y

 M X ( x ) M Y ( y )
M ( x , y )  M X ( x ) M Y ( y )

M ( x ,  y )  M ( x ) M ( y )

La fonction génératrice conjointe des moments est égale au produits des fonctions génératrices marginales des
moments.

5. LA FONCTION GENERATRICE DES MOMENTS DE LA FONCTION DES VARIABLES ALEATOIRES

Notation :

M  ( ) : fonction génératrice des moments de la fonction 

 : IR 2  IR
( x, y )  IR 2   ( x, y )  IR


M  ( )  E e   ( X ,Y ) 
  e   ( X ,Y )
P ( X  x  Y  y)
x y

 Définition du moment simple d’ordre k de la fonction 

mk  E   ( X , Y )   k

 d k M  ( ) 
  (k  IN * )
 d
k
  0

m1  E    ( X , Y )  
 dM  ( ) 
 
 d   0

m2  E   ( X , Y )  
2

 d 2 M  ( ) 
 
 d
2
  0

| P a g e 29
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

Exemple 5
On considère l’exemple 1 le cas du TSR. On vous demande de calculer :
1. La fonction génératrice conjointe des moments
2. Les moments simples d’ordre 1 et 2 à l’aide de la fonction génératrice conjointe des moments
3. La variance marginale pour chaque variable
4. La covariance et le coefficient de corrélation linéaire simple

Soit la variable aléatoire réelle Z tel que :

Z   ( X ,Y )
 X Y

5. Calculer la fonction génératrice des moments de Z

6. Calculer la moyenne et la variance de Z
Solution
1. Calcul de la fonction génératrice conjointe des moments
 yY
M ( x ,  y )  E (e x X e )
1 1
   x x e
yy
P ( X  x  Y  y)
x 0 y 0

20 15  y 15  x 6  x  y
M ( x ,  y )   e  e  e
56 56 56 56

2. Calcul des moments simples d’ordre 1 et 2 à l’aide de la fonction génératrice conjointe des moments
a. De la variable X
m 10  E ( X )
 d M ( x ,  y ) 
 
 d x   x 0
 0 y

 15 6  x  y  21
  e x  e   0 
 56 56   0
x 56
y

m 20  E ( X 2 )
 d 2 M ( x ,  y ) 
 
 d 2x   x 0
 0 y

 15  x 6  x  y  21
 e  e  0 
 56 56  x 0 56
y

b. De la variable Y
m 01  E (Y )
 d M ( x ,  y ) 
 
 d y   x 0
 y 0

 15  6  x  y  21
 e y  e  
 56 56   0
 x 0 56
y

| P a g e 30
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

m 02  E (Y 2 )
 d 2 M ( x ,  y ) 
 
 d 2y   x 0
 0 y

 15  6  x  y  21
 e y  e   0 
 56 56  x 0 56
y

3. Calcul de la variance marginale

a. De la variable X
Var ( X )  m 20  m 10
2

2
21  21 
     0.2344
56  56 
b. De la variable Y
Var (Y )  m 02  m 201
2
21  21 
     0.2344
56  56 

4. Calcul de la covariance et le coefficient de corrélation linéaire simple

a. La covariance
Cov ( X , Y )  E ( XY )  E ( X ) E (Y )
 m11  m10 m01

m11  E ( XY )
  2 M ( x ,  y ) 
 
  x  y   x 00
y

 6   
 e x y
 56   xy 00
 6 / 56

Cov ( X , Y )  E ( XY )  E ( X ) E (Y )
 m11  m10 m01
2
6  21 
  
56  56 
 0.0335  0

a. Le coefficient de corrélation linéaire simple

Cov ( X , Y )  0.0335
 x, y    0.14
 X Y (0.4841) 2

| P a g e 31
Ecole Supérieure des Sciences de Gestion d’Annaba
Cours préparé par Monsieur Noureddine Arfaoui pour la seconde année des classes préparatoires

5. Calcul de la fonction génératrice des moments de Z

M Z ( )  E e    ( X ,Y )

1 1
   e 
x0 y 0
( X ,Y )
P ( X  x  Y  y)

1 1
   e
x0 y 0
( x  y)
P ( X  x  Y  y)

20 30  6 2
  e  e
56 56 56

6. Calcul de la moyenne et la variance de Z

a. La moyenne
 dM Z ( ) 
E (Z )   
 d   0
 30  12 2   42
 e  e  
 56 56  0 56
Ou bien :
E (Z )  E ( X  Y )
 E ( X )  E (Y )
21 21 42
  
56 56 56
b. La variance

Var (Z )  E (Z 2 )   E (Z ) 2
 d 2 M Z ( ) 
E (Z 2 )   
 d 2   0
 30  24 2   54
 e  e  
 56 56   0 56

Var ( Z )  E ( Z 2 )   E ( Z ) 2
2
54  42 
    0.4018
56  56 
Ou bien :
Var ( Z )  Var ( X  Y )
 Var ( X )  Var (Y )  2 Cov ( X , Y )
735 735   105 
   2 
3136 3136  3136 
1260

3136

| P a g e 32